Predictive Maintenance: Interview mit Christian Hendel

Viele Unternehmen warten ihre Maschinen noch nach festen Intervallen oder erst, wenn etwas ausfällt. Predictive Maintenance soll Probleme erkennen, bevor sie teuer werden. Wir haben mit Christian Hendel aus dem Produktmanagement der CSP Intelligence GmbH darüber gesprochen, was vorausschauende Wartung leisten kann und wo ihre Grenzen liegen.

Es geht um die vier Stufen der Instandhaltung, um die Frage, warum die Wartungshistorie wichtiger ist als die reine Datenmenge, um Fehlalarme und Ersatzteile und um die Rolle erfahrener Instandhalter. Das Gespräch führte Andrea für den Podcast Systemblick.

Chris, erklär doch mal ganz einfach: Was ist Predictive Maintenance eigentlich?

Man kann das gut in Stufen einteilen. Die erste ist die reaktive Wartung: Ich warte, bis die Maschine ausfällt, und reagiere dann. Die zweite ist die präventive Wartung. Da habe ich ein festes Intervall, sagen wir 1.000 Betriebsstunden, und fahre das einfach statisch durch. Die dritte ist die zustandsbasierte Wartung, also Condition Based Maintenance. Ich höre, dass etwas klackert, oder das Bauteil ist vielleicht einmal heruntergefallen, und ich reagiere auf den Zustand der Maschine.

Predictive Maintenance ist der nächste Schritt. Ich schaue mir die Daten an: Temperatur, Geräusche, Strom und so weiter. Diese Daten verraten oft schon ganz kleine Anomalien, die zeigen, dass etwas nicht korrekt läuft. Wenn man sie analysiert, kann man viel bessere Vorhersagen treffen, wie sich eine Maschine entwickelt.

Woran erkennt die Maschine denn, dass sie bald ausfällt?

So darf man das nicht formulieren. Predictive Maintenance heißt nicht: Ich setze das ein und weiß dann genau, dass die Maschine am Mittwoch um 14 Uhr ausfällt. Da hängt viel mehr dran.

Zum einen die Daten und ihre Qualität. Wenn ich in den letzten 20 Jahren keine einzige Wartung dokumentiert habe, wird es schwierig, so ein System einzuführen. Zum anderen die menschliche Expertise. Wenn mir eine KI sagt, die Maschine fällt aus, dann muss ich trotzdem verstehen, warum, und entscheiden, welche Maßnahmen ich daraus ableite.

Braucht man für so ein System riesige Datenmengen?

Daten sind auf jeden Fall wichtig, aber nicht nur Strom oder allgemeine Maschinendaten. Genauso wichtig sind die Wartungsdaten aus der Vergangenheit. Wenn ich merke, dass bei den letzten drei Wartungen immer derselbe Grund für den Ausfall verantwortlich war, dann ist das eine Information, mit der man arbeiten kann. Trainiert man das System damit, kann es umso genauer vorhersagen, was die Ursachen sind und wie ich reagieren sollte.

Genau da liegt meiner Erfahrung nach der Knackpunkt: Die meisten Unternehmen warten noch klassisch. Viele haben zwar einiges dokumentiert, aber nicht, warum eine Maschine ausgefallen ist und was der Grund war. Vor allem große Konzerne haben solche Systeme bereits eingeführt.

Kann es passieren, dass so ein System ständig Fehlalarme produziert?

Wenn ich ein System einführe und 100 Fehlermeldungen am Tag bekomme, von denen zehn relevant und 90 Fehlalarme sind, dann erreiche ich irgendwann, dass der Mitarbeiter abstumpft. Er sagt sich: Die kommen jeden Tag, ich vertraue dem System nicht.

Deshalb muss ich mir bei der Einführung genau überlegen, was das System ausgibt. Im Idealfall sagt es nicht einfach nur, dass Pumpe XY ausfällt, sondern: Ich habe diesen Störfaktor in dieser Situation erkannt, und mit einer gewissen Wahrscheinlichkeit führt das in den nächsten Tagen zu einem Problem. Dann kann ich entscheiden, ob ich eine Wartung vorziehe oder wie ich damit umgehe. Die Erfahrung des Menschen bleibt ein großer Teil der Entscheidung. Das System unterstützt dabei.

Für welche Maschinen lohnt sich Predictive Maintenance überhaupt?

Ich würde das gar nicht so sehr an der Unternehmensgröße festmachen, auch wenn größere und Industrieunternehmen im Prinzip mehr davon haben. Die eigentliche Frage ist die einzelne Maschine. Wenn ein Ersatzteil 200 Euro kostet und ich es in einer Stunde getauscht habe, ergibt Predictive Maintenance wenig Sinn. Sinnvoll ist sie dort, wo eine Maschine schwer wartbar ist, wo schon eine halbe Stunde Stillstand extrem viel Geld kostet und wo auch die geplante Wartung Geld kostet, obwohl sie vielleicht gar nicht nötig gewesen wäre.

Nehmen wir eine kritische Maschine, die den kompletten Prozess stilllegt, wenn ich sie einmal im Jahr zur Wartung herausnehme. Stelle ich fest, dass sie gut läuft, brauche ich diese Wartung gar nicht. Dann warte ich sie, wenn ich sie warten muss.

Dazu kommt das Ersatzteil: Wenn die Daten zeigen, dass in 80 bis 90 Prozent der Fälle das Getriebe die Ursache ist, kann ich in der Disposition dafür sorgen, dass das Teil früher verfügbar ist. Sagt mir das System aber, dass es in drei Monaten ausfällt, und die Lieferzeit beträgt sechs Monate, bringt mir die Vorhersage in dem Moment wenig.

Was sagst du erfahrenen Kollegen, die sich lieber auf ihr Bauchgefühl verlassen als auf das System?

Einen konkreten Fall habe ich so noch nicht erlebt, aber solche Fälle gibt es sicher, gerade jetzt, wo mit künstlicher Intelligenz ein neuer Faktor dazukommt. Ein Kollege, der seit 20 Jahren an einer Maschine arbeitet, erkennt ein kleines Knacken viel eher als jemand, der von außen kommt. Ich würde vielleicht denken, die Maschine läuft super. Der erfahrene Mitarbeiter weiß, da stimmt etwas nicht.

Diese Erfahrung wird weiterhin gebraucht. Kombiniert mit den Daten entsteht daraus Predictive Maintenance. Der Kollege muss dann nicht mehr jede Maschine abhören und anfassen, sondern kann sich auf die eine konzentrieren, die immer Probleme macht. Er kann sogar fragen, ob diese Maschine an dieser Stelle richtig ist oder ob eine andere den Prozess besser abdeckt. Predictive Maintenance zeigt also auch, wo ich ansetzen kann, damit überhaupt weniger ausfällt.

„Früher hat er vielleicht fünf Stunden nach seinem Bauchgefühl nach dem Fehler gesucht. Jetzt sucht er eine Stunde, weil das System ihn unterstützt und sagt: Schau mal dahin.“

Christian Hendel, CSP Intelligence GmbH

Gibt es ein Beispiel, das zeigt, was auf dem Spiel steht?

Ein Beispiel, das mich beschäftigt hat, kommt aus dem Schienenverkehr. Dort gibt es Fälle, in denen ein feiner Haarriss am Fahrwerk weder bei den regulären Prüfungen noch von der automatischen Streckenüberwachung erkannt wurde, weil das Fahrwerk im Betrieb unauffällig lief. Später führte der Riss zu einem schweren Schaden. In der Analyse zeigte sich dann, dass auch andere Fahrwerke desselben Typs bereits Haarrisse hatten.

Wären diese Befunde aus vergangenen Wartungen zentral zusammengeführt worden, hätte man gezielter hinschauen können. Das ist ein extremes Beispiel, weil es dort nicht nur um Kosten geht, sondern um Sicherheit. Es zeigt aber gut, was Wartungsdaten in Kombination mit automatischer Erkennung und menschlicher Analyse leisten können.

Viele Maschinen sind alt und haben keine Sensoren. Lassen die sich nachrüsten?

Ja, und das rentiert sich heute eher als früher, weil Sensorik und Technik ausgereift und deutlich günstiger geworden sind. Man muss aber prüfen, ob es sich bei der jeweiligen Maschine lohnt. Das System kostet Geld, es kostet Zeit, es zu trainieren, und Zeit, es zu betreiben. Wenn es günstiger ist, die Maschine alle drei Monate zu warten, als in Datensätze und Aufrüstung zu investieren, dann lasse ich es.

Habe ich dagegen eine alte, produktionskritische Maschine, die noch gut läuft, dann ergibt das Nachrüsten Sinn. Erkenne ich eine kleine Veränderung in der Vibration, kann das System mit dem Wissen aus vergangenen Wartungen sagen: Das Getriebe könnte der Grund sein.

Wenn eine kleine Firma mit kleinem Budget zu dir kommt: Wo sollte sie ansetzen?

Zuerst bei der Frage, welche Maschinen sie hat und wie sie ihre Wartung bisher dokumentiert. Gibt es überhaupt kritische Fälle, die einen teuren Stillstand auslösen? Wenn ja, pickt man sich eine kritische Maschine heraus, die über die Jahre hohe Wartungskosten verursacht hat. Dafür lässt sich relativ kostengünstig etwas aufsetzen, auch ohne Budget für große Systeme. Wenn der Einstieg gelingt, baut man das Schritt für Schritt aus.

Letzte Frage: Wird so ein System in zehn Jahren so selbstverständlich zu jedem Werk gehören wie ein Feuerlöscher?

Ja, so ein System wird zum Standard werden, aber nicht flächendeckend. Auch in zehn Jahren wird es Maschinen geben, bei denen die klassische Wartung reicht, weil das Ersatzteil auf Lager liegt, zwei Euro kostet und sofort getauscht ist. Kritische Prozesse und kritische Maschinen werden in zehn Jahren aber diese Daten liefern und damit den kompletten Wartungsprozess optimieren.

Chris, vielen Dank für deine Zeit und die offenen Einblicke.

Die vollständige Folge mit allen Details zu Wartungsdaten, Fehlalarmen und dem Einstieg in Predictive Maintenance hören Sie in unserem Podcast Systemblick. Wie sich Prozessdaten in der Produktion systematisch nutzbar machen lassen, zeigen unsere Lösungen für Prozessdatenmanagement und Anomalieerkennung.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Predictive Maintenance und präventiver Wartung?

Präventive Wartung folgt einem festen Intervall, zum Beispiel alle 1.000 Betriebsstunden, unabhängig vom tatsächlichen Zustand der Maschine. Predictive Maintenance wertet dagegen Sensor und Wartungsdaten aus und erkennt kleine Anomalien früh. So lässt sich warten, wenn es tatsächlich nötig ist.

Welche Daten braucht man für Predictive Maintenance?

Man braucht Maschinendaten wie Temperatur, Vibration, Geräusch und Stromaufnahme und dazu dokumentierte Wartungen aus der Vergangenheit. Am meisten hilft die Information, warum eine Maschine ausgefallen ist und was die Ursache war. Ohne diese Wartungshistorie lassen sich Systeme kaum sinnvoll trainieren.

Für welche Maschinen lohnt sich Predictive Maintenance?

Predictive Maintenance lohnt sich an kritischen Maschinen, die schwer wartbar sind, deren Stillstand den ganzen Prozess stoppt oder deren Ersatzteile lange Lieferzeiten haben. Bei günstigen Teilen, die sich schnell tauschen lassen, bleibt die klassische Wartung meist die wirtschaftlichere Lösung.

Kann man alte Maschinen für Predictive Maintenance nachrüsten?

Ja. Sensorik ist heute ausgereift und deutlich günstiger als früher. Ob sich das Nachrüsten lohnt, hängt davon ab, wie kritisch die Maschine für die Produktion ist und ob die Kosten für Sensoren, Training und Betrieb unter den Kosten eines Ausfalls liegen.

Ersetzt Predictive Maintenance das Instandhaltungspersonal?

Nein. Das System liefert Hinweise und Wahrscheinlichkeiten, die Fachkräfte bewerten und in Maßnahmen übersetzen. Die Erfahrung langjähriger Mitarbeitender wird weiter gebraucht. Das System verkürzt vor allem die Fehlersuche und zeigt, welche Maschinen wirklich Probleme machen.