Predictive Maintenance ist in aller Munde. Predictive Quality weniger – aber es ist das Konzept, das für die meisten Fertigungsunternehmen den größeren unmittelbaren Nutzen hat. Die Frage, welches Konzept das Richtige ist, stellt sich oft falsch: Sie konkurrieren nicht. Sie arbeiten auf derselben Datenbasis und ergänzen sich auf eine Weise, die gemeinsam mehr leistet als jedes Konzept allein.
Und trotzdem ist die Verwechslung häufig. Predictive Maintenance wird als Oberbegriff verwendet, unter dem auch Qualitätsvorhersagen zusammengefasst werden. Oder beide Konzepte werden in ein KI-Projekt gepackt, ohne zu klären, was das Ziel ist – und warum die Datenbasis, die für PM ausreicht, für PQ möglicherweise nicht ausreicht.
Dieser Artikel klärt: Was ist der Unterschied zwischen Predictive Maintenance und Predictive Quality? Wo überschneiden sie sich? Wann brauche ich welches Konzept – und wie kombiniere ich beides sinnvoll?
DAS WICHTIGSTE IN KÜRZE
|
KURZ ZUSAMMENGEFASST
|
Beide Konzepte gehören zur Familie der prädiktiven Analytik in der Fertigung – sie nutzen historische Daten und Echtzeit-Prozessdaten, um Vorhersagen zu treffen, die reaktives Handeln durch vorausschauendes Handeln ersetzen. Aber sie richten sich auf fundamental verschiedene Zielgrößen.
|
Predictive Maintenance |
Predictive Quality |
|
|
|
Gemeinsame Datenbasis: Maschinensensor-Zeitreihen, Prozessparameter, Fertigungsauftrags-Metadaten |
|
Predictive Maintenance ersetzt zwei ältere Wartungsstrategien: die reaktive Wartung (reparieren, wenn etwas kaputt ist) und die präventive Wartung (warten nach festem Zeitplan, unabhängig vom tatsächlichen Zustand). PM nutzt Sensordaten, um den Zustand einer Maschine oder Komponente kontinuierlich zu bewerten und den optimalen Wartungszeitpunkt vorherzusagen.
Der Kern von PM ist die Zustandsüberwachung (Condition Monitoring): Vibrationssensoren, Temperaturfühler, Stromsensoren und akustische Sensoren liefern kontinuierliche Signale über den Maschinenzustand. Anomalieerkennung und Degradationsmodelle berechnen daraus eine Prognose: Wie viel Restlebensdauer hat diese Komponente noch?
PM IN DER PRAXIS: TYPISCHE ANWENDUNGSFELDER
Lagerdiagnose: Vibrationssignatur-Analyse erkennt Lagerschäden 2–6 Wochen vor dem Ausfall
Werkzeugverschleiß: Stromaufnahme und Schwingungsmuster beim Fräsen zeigen Verschleißfortschritt
Hydrauliksysteme: Druckverlauf-Analyse erkennt Dichtungsverschleiß und Pumpenermüdung
Elektromotoren: Stromspektrum-Analyse (Motor Current Signature Analysis) erkennt Wicklungsschäden
Schraubsysteme: Drehmomentverlauf-Analyse erkennt Kalibrierungsverlust und Getriebeermüdung
Predictive Quality geht einen Schritt weiter als Statistical Process Control (SPC): Statt zu überwachen, ob ein Prozess außer Kontrolle gerät (SPC), sagt PQ vorher, ob ein konkretes Bauteil das Ende des Prozesses mit guten Qualitätswerten verlässt – noch während der Prozess läuft.
Das ermöglicht zwei Arten von Intervention: Proaktive Prozessanpassung (der laufende Prozessparameter wird korrigiert, bevor ein Fehler entsteht) und frühe Ausschleusung (das Bauteil wird nach einem frühen Prozessschritt ausgeschleust, bevor weitere Wertschöpfung an einem bereits schlechten Bauteil erfolgt).
PQ IN DER PRAXIS: TYPISCHE ANWENDUNGSFELDER
Schraubmontage: Kurvenform-Analyse des Drehmomentverlaufs sagt voraus, ob die Verschraubung die Spezifikation erfüllt – noch bevor die Endprüfung erfolgt
Spritzguss: Druckverlauf und Einspritzprofil sagen Maßhaltigkeit und Oberflächenqualität voraus
Schweißprozesse: Strom-Spannungs-Verlauf sagt Schweißnahtqualität voraus – ohne zerstörende Prüfung
Zerspanung: Schnittkraftverlauf sagt Oberflächengüte und Maßhaltigkeit voraus
Wärmebehandlung: Temperaturprofil sagt Härteergebnis voraus – beschleunigt Freigabeentscheidung
Die Verwechslung von PM und PQ entsteht oft, weil beide dieselbe technische Infrastruktur nutzen – Sensordaten, Zeitreihenanalyse, Machine-Learning-Modelle. Aber die Unterschiede in Ziel, Modellarchitektur und Handlungskonsequenz sind wesentlich.
| Dimension | Predictive Maintenance | Predictive Quality |
| Beobachtungsobjekt | Maschine / Komponente (zeitbezogen) | Bauteil / Prozessdurchlauf (bauteilbezogen) |
| Zielgröße | Remaining Useful Life, Ausfallwahrscheinlichkeit |
Qualitätsmerkmal: Maß, Festigkeit, Oberfläche, Funktion |
| Vorhersagehorizont | Stunden bis Wochen | Sekunden bis Minuten (Echtzeit im Prozess) |
| Labeldaten für Training | Historische Ausfälle, Wartungsereignisse, Degradationskurven |
Historische Prüfergebnisse, bauteilbezogen mit Prozessparametern verknüpft |
| Modelltyp |
Regressionsmodelle, Survival-Analyse,LSTMfür Zeitreihen |
Klassifikationsmodelle, Random Forest, Gradient Boosting, neuronale Netze |
| Handlungskonsequenz |
Wartungsauftrag planen, Ersatzteile bestellen, Schicht anpassen |
Prozessparameter korrigieren, Bauteil ausschleusen, Prüffrequenz erhöhen |
| Latenz der Reaktion |
Reaktion in Stunden bis Tagen akzeptabel |
Reaktion in Sekunden bis Minuten erforderlich |
| Hauptprofiteur | Instandhaltung, Produktionsplanung | Qualitätssicherung, Fertigungssteuerung |
| Regulatorische Relevanz | Bedingt (OEE-Nachweis, Wartungsdokumentation) |
Hoch (IATF 16949, ISO 9001, Produkthaftung) |
Kernunterschied in einem Satz: PM sagt voraus, wann die Maschine Probleme bekommt. PQ sagt voraus, wann das Bauteil Probleme bekommt. Oft passiert beides gleichzeitig – ein verschleißendes Werkzeug produziert schlechtere Teile, bevor es ausfällt. Das ist die Grundlage für die stärksten Synergien.
Die gute Nachricht für Fertigungsunternehmen, die mit prädiktiver Analytik beginnen: Die Datenbasis, die für PM benötigt wird, ist zu großen Teilen dieselbe, die für PQ benötigt wird. Wer die Infrastruktur für eines aufbaut, schafft damit gleichzeitig die Voraussetzungen für das andere.
| Datenkaterogie | Relevanz für PM | Relevanz für PQ | Gemeinsame Anforderung |
| Maschinensensor- Zeitreihen |
Sehr hoch – Kern des PM-Modells |
Hoch – Maschinenzustan d beeinflusst Bauteilqualität |
Hohe Abtastrate, synchronisiert mit Fertigungsauftrag |
| Prozessparameter (Drehmoment, Druck, Temp.) |
Hoch – Degradations- Indikatoren |
Sehr hoch – direkte Eingangsgrößen für PQ-Modell |
Bauteilgenau zugeordnet, nicht nur Schichtdurchschnitt |
| Werkzeug-ID und Laufzeit | Hoch – Werkzeugsverschleiß ist PM-Thema |
Sehr hoch – Werkzeugzustand bestimmt Bauteilqualität |
Trainingsdaten-Merkmal |
| Fertigungsauftrags- Metadaten |
Mittel – für |
Sehr hoch – Labeling der Qualitätsdaten |
Eindeutige Verknüpfung Prozessdatum ↔ Bauteil-ID |
| Prüfergebnisse & Messwerte |
Niedrig – nur indirekt für PM |
Sehr hoch – Labeldaten für PQ-Modell |
Bauteilgenau, zeitnah nach Fertigungsprozess verfügbar |
| Wartungs- und Reparaturhistorie |
Sehr hoch – Labeldaten für PM-Modell |
Hoch – Kontextmerkmal für Qualitätsschwank ungen |
Zeitstempelgenau dokumentiert |
Der entscheidende gemeinsame Nenner ist die bauteilgenaue Verknüpfung von Prozessdaten. Für PM reicht es oft, Maschinendaten im Zeitverlauf zu betrachten. Für PQ ist die Verknüpfung jedes Prozessdatenpunkts mit der Bauteil-ID zwingend – denn das Modell muss lernen, welche Kombination von Prozessparametern zu gutem oder schlechtem Ergebnis geführt hat.
Praktische Konsequenz: Wer mit PM beginnt und dabei von Anfang an bauteilgenaue Zeitstempel implementiert, hat den Aufwand für PQ bereits zu 70–80% abgedeckt. Die verbleibenden 20–30% sind das Verknüpfen von Prüfergebnissen als Labeldaten – das ist die kritische PQ-spezifische Anforderung.
Wir sehen in der Praxis oft, dass Unternehmen ein PM-Projekt starten und dann feststellen: Die Datenbasis, die wir aufgebaut haben, reicht auch für Qualitätsvorhersagen. Das ist kein Zufall – es ist Architektur. Wer von Anfang an bauteilgenau denkt, baut einmal und erntet zweifach.— Amadeus Chief Technology Evangelist, CSP Intelligence GmbH
Die größten Effizienzgewinne entstehen nicht, wenn PM und PQ als separate Projekte laufen, sondern wenn die Erkenntnisse des einen Konzepts automatisch in das andere einfließen. Vier Synergie-Muster sind in der Praxis besonders wirkungsvoll.
SZENARIO: Werkzeugverschleiß → Qualitätssicherung |
|||
|
PM-Signal PM-Modell: Werkzeugverschleiß nähert sich kritischem Schwellenwert (RUL < 20%) |
PQ-Signal PQ-Modell: Qualitätsstreuung steigt bereits messbar an – Teile bleiben noch im Toleranzband, aber Trend ist sichtbar |
Kombinierte Maßnahme Automatische Engstellung der PQ-Toleranzgrenzen + erhöhte Prüffrequenz bis Werkzeugwechsel. Gleichzeitig: Werkzeugwechsel wird vorgezogen. |
Ergebnis Ausschuss nahe null. Werkzeug wird kurz vor Qualitätsproblem gewechselt, nicht danach. |
|
SZENARIO: Hydraulikdruck-Abfall → Prozessqualität Spritzguss |
|||
|
PM-Signal PM-Modell: Hydrauliksystem zeigt Druckverlust-Trend – Dichtung verschleißt |
PQ-Signal PQ-Modell: Einspritzdruck-Profil weicht von Referenzkurve ab – Wanddicke-Varianz steigt |
Kombinierte Maßnahme PQ-Modell passt Referenzprofil an den aktuellen Hydraulikzustand an. PM löst Wartungsauftrag aus. Produktion läuft weiter – mit engerer PQ-Überwachung. |
Ergebnis Kein Produktionsstopp, kein Ausschuss-Peak. Wartung erfolgt im geplanten Fenster. |
|
SZENARIO: Lagertemperatur-Anstieg → Oberflächenqualität Zerspanung |
|||
|
PM-Signal PM-Modell: Lagertemperatur steigt kontinuierlich – Kühlung verschlechtert sich |
PQ-Signal PQ-Modell: Schnittkraft-Kurvenform verändert sich – Oberflächenrauheit liegt noch im Toleranzbereich, aber Korrelation bekannt |
Kombinierte Maßnahme PQ-Modell wechselt in Hochfrequenz-Prüfmodus. PM eskaliert an Instandhaltung. Lager wird im nächsten Wartungsfenster getauscht |
Ergebnis Oberflächenqualität gesichert. Kein ungeplanter Stillstand. Volle Transparenz über Qualitätsrisiko während der Übergangsphase. |
|
SZENARIO: Wartungsereignis → Modell-Rekalibrierung |
|||
|
PM-Signal PM-Modell: Wartung abgeschlossen – Werkzeug neu, Lager getauscht, Kalibrierung durchgeführt |
PQ-Signal PQ-Modell: Historische Qualitätsdaten vor der Wartung sind nicht mehr repräsentativ für aktuellen Maschinenzustand |
Kombinierte Maßnahme Automatische Segmentierung der Trainingsdaten: Post-Wartungs-Daten werden separat gewichtet. PQ-Modell rekalibriert sich auf neue Baseline. |
Ergebnis PQ-Modell bleibt akkurat nach Wartungseingriff. Kein manueller Eingriff in die Modellkonfiguration notwendig. |
Die Frage 'Fangen wir mit PM oder PQ an?' setzt oft voraus, dass ein Unternehmen die Datenbasis bereits hat, die für beides erforderlich ist. In der Praxis ist der Reifegrad der Dateninfrastruktur der entscheidende Faktor – nicht die strategische Präferenz für PM oder PQ.
|
Stufe 1: Reaktiv |
Stufe 2: Präventiv |
Stufe 3: Prädiktiv |
Stufe 4: Integriert |
|
PM Wartung nach Ausfall. Keine Zustandsüberwachung. |
PM Zeitplanbasierte Wartung. Erste Sensordaten (Temperatur, Vibration) vorhanden. |
PM PM-Modelle aktiv. Wartungsauslösung auf Basis von Zustandsdaten |
PM PM und PQ teilen Datenbasis. PM-Erkenntnisse fließen automatisch in PQ-Modelle |
|
PQ Qualitätsprüfung am Ende des Prozesses. Ausschuss wird entdeckt, nicht verhindert. |
PQ SPC aktiv. Prozessparameter werden aufgezeichnet, aber nicht bauteilgenau verknüpft. |
PQ PQ-Modelle aktiv. Früherkennung von Qualitätsabweichungen im Prozess. |
PQ PQ-Modelle rekalibrieren sich nach Wartungsereignissen. Vollständige Closed Loop. |
|
Datenbasis Keine strukturierten Maschinendaten. Wartungs-Tickets in Excel. |
Datenbasis Zeitreihen vorhanden, aber nicht bauteilbezogen. Prüfergebnisse in separatem System. |
Datenbasis Bauteilgenaue Verknüpfung von Prozessdaten und Prüfergebnissen. Echtzeit-Datenfluss. |
Datenbasis Einheitliche Datenplattform. Automatische Modell-Rekalibrierung. Echtzeit-Feedback. |
Empfehlung: Stufe 2 → 3 ist der kritische Übergang. Wer auf Stufe 2 noch keine bauteilgenaue Datenverknüpfung hat, sollte das als erstes nachrüsten – bevor das erste PM- oder PQ-Modell trainiert wird. Ein Modell auf schlechter Datenbasis ist schlechter als kein Modell.
Es gibt keine universelle Antwort – aber es gibt klare Indikatoren, die den sinnvollen Einstiegspunkt bestimmen. Die Entscheidung hängt von drei Faktoren ab: Wo liegt der größte aktuelle Schmerz? Welche Datenbasis ist bereits vorhanden? Und wer ist intern der Haupttreiber?
| Situation | Einstieg empfohlen | Begründung |
| Hohe ungeplante Stillstandzeiten, Instandhaltung unter Druck, Maschinendaten bereits vorhanden | → PM zuerst |
Schnellster ROI. Datenbasis für Erweiterung auf PQ wird parallel aufgebaut. |
| Hohe Ausschussraten, Qualitätskosten steigen, Prüfaufwand zu hoch | → PQ zuerst | Direkter Business Case. Prozessdaten werden erhoben – PM kann nachziehen. |
| Beides: Stillstand und Ausschuss gleichermaßen problematisch, Datenbasis vorhanden | → Integriertes Projekt | Einheitliche Datenbasis aufbauen. PM-Modell und PQ-Modell parallel trainieren. |
| Keine strukturierte Datenbasis vorhanden | → Datenbasis-Projekt zuerst | Kein Modell ohne Daten. Bauteilgenaue Sensordaten-Infrastruktur ist Voraussetzung für beides. |
|
IATF-Audit erfordert Qualitätsnachweise, aber keine unmittelbare Ausschussproblematik |
→ PQ als Compliance-Treiber | PQ liefert Qualitätsnachweise und Frühwarn-Dokumentation – regulatorisch verwertbar. |
| OEM fordert vorausschauende Qualitätsmaßnahmen als Lieferbedingung | → PQ mit PM-Unterbau | → PQ mit PM-Unterbau |
Diese Fehler begegnen uns in der Praxis regelmäßig – bei Unternehmen, die mit PM oder PQ beginnen und die häufige Fallstricke beim Start von datengetriebenen Projekten unterschätzen.
Die Maschine wird mit Vibrationssensoren ausgestattet. Die Daten laufen in eine Zeitreihen-Datenbank. Das PM-Modell trainiert. Dann kommt die Frage: Können wir auch PQ machen? – Nein. Die Sensordaten sind nicht bauteilgenau. Sie wissen nicht, welcher Messwert zu welchem Teil gehört. Die Datenbasis muss neu aufgebaut werden.
Lösung: Von Anfang an jeden Prozessdatenpunkt mit einer Bauteil-ID oder Fertigungsauftrags-ID verknüpfen. Der Mehraufwand ist minimal. Der spätere Mehrwert für PQ ist erheblich.
Ein PQ-Modell braucht historische Qualitätsergebnisse als Labeldaten – bauteilgenau verknüpft mit den Prozessdaten des Fertigungsvorgangs. Wer diesen Datensatz nicht hat, hat kein Trainingsset. Das Modell kann nicht lernen, was 'gut' und 'schlecht' bedeutet.
Häufig fehlt die Verknüpfung: Prüfergebnisse sind im QMS, Prozessdaten im MES – und niemand hat den Schlüssel, der beide verbindet. Die Lösung ist keine KI-Frage, sondern eine Datenbankarchitektur-Frage.
Lösung: Bauteil-ID als gemeinsamer Schlüssel in QMS und MES einrichten, bevor das erste Modell trainiert wird. Mindestens 6–12 Monate historische Daten aufbauen, bevor das Training startet.
PM geht an die Instandhaltung, PQ geht an die Qualitätssicherung. Zwei Projekte, zwei Budgets, zwei Datensilos. Das Ergebnis: Zwei getrennte Plattformen mit überlappender Datenbasis, die sich nie gegenseitig bereichern. Die stärksten Synergien (Fehler 4 oben: PM-Signal triggert PQ-Anpassung) sind damit unmöglich.
Lösung: PM und PQ teilen eine gemeinsame Datenplattform – auch wenn die Modelle und die Nutzergruppen verschieden sind. Die Dateninfrastruktur ist ein gemeinsames Investment, keine Abteilungssache.
'Wir rüsten alle 47 Maschinen mit Sensoren aus und trainieren für alle ein PM- und PQ-Modell.' Sechs Monate später: Die Datenmenge ist überwältigend, kein Modell ist produktiv, die Datenqualität ist uneinheitlich, und das Projektteam ist erschöpft.
Lösung: Pilotmaschine identifizieren: die Maschine mit dem höchsten Ausschuss- oder Stillstandrisiko. Dort die Datenbasis aufbauen, das erste Modell trainieren, den ROI nachweisen. Dann skalieren.
Predictive Maintenance (PM) sagt voraus, wann eine Maschine oder Komponente gewartet werden muss, um einen Ausfall zu verhindern. Das Beobachtungsobjekt ist die Maschine. Predictive Quality (PQ) sagt voraus, ob ein konkretes Bauteil die Qualitätsanforderungen erfüllen wird – noch während es gefertigt wird. Das Beobachtungsobjekt ist das Produkt. Beide nutzen Maschinendaten und Prozessparameter als Eingangsgröße, aber mit unterschiedlichen Zielgrößen: PM zielt auf Maschinenverfügbarkeit, PQ zielt auf Ausschussreduktion.
Die Entscheidung hängt davon ab, wo der größte Schmerz liegt. Wenn ungeplante Maschinenstillstände das größte Problem sind, beginnen Sie mit PM. Wenn hohe Ausschussraten oder Qualitätskosten dominieren, beginnen Sie mit PQ. In beiden Fällen gilt: Die Datenbasis ist die Voraussetzung. Wenn keine strukturierten, bauteilgenauen Prozessdaten vorhanden sind, ist das Datenbasis-Projekt der erste Schritt – unabhängig davon, ob PM oder PQ das langfristige Ziel ist.
Die Entscheidung hängt davon ab, wo der größte Schmerz liegt. Wenn ungeplante Maschinenstillstände das größte Problem sind, beginnen Sie mit PM. Wenn hohe Ausschussraten oder Qualitätskosten dominieren, beginnen Sie mit PQ. In beiden Fällen gilt: Die Datenbasis ist die Voraussetzung. Wenn keine strukturierten, bauteilgenauen Prozessdaten vorhanden sind, ist das Datenbasis-Projekt der erste Schritt – unabhängig davon, ob PM oder PQ das langfristige Ziel ist.
Predictive Quality in der Fertigung ist die Fähigkeit, auf Basis von Prozessdaten vorherzusagen, ob ein Bauteil die Qualitätsanforderungen erfüllen wird – noch bevor die Endprüfung stattfindet. Das Modell lernt aus historischen Daten, welche Kombination von Prozessparametern zu guten oder schlechten Qualitätsergebnissen geführt hat. In der Praxis ermöglicht das zwei Arten von Intervention: frühzeitige Prozesskorrektur (der laufende Prozess wird angepasst) und frühe Ausschleusung (das Bauteil verlässt den Prozess, bevor weitere Wertschöpfung an einem bereits schlechten Teil erfolgt).
Für ein funktionsfähiges PQ-Modell brauchen Sie drei Datenkategorien: Prozessparameter je Fertigungsdurchlauf (bauteilgenau, nicht als Schichtdurchschnitt), Prüfergebnisse je Bauteil als Labeldaten (verknüpft mit den Prozessdaten durch eine gemeinsame Bauteil-ID), und ausreichend historische Datenpunkte für das Modell-Training (typischerweise mindestens 500–1.000 Fertigungsdurchläufe mit Gut/Schlecht-Label). Fehlt die bauteilgenaue Verknüpfung zwischen Prozessdaten und Prüfergebnissen, ist kein PQ-Modell trainierbar.
SPC und PQ verfolgen ein ähnliches Ziel – Qualitätsabweichungen früh erkennen – aber mit unterschiedlichen Methoden. SPC überwacht statistische Prozesskenngrößen (Mittelwert, Streuung) und schlägt Alarm, wenn der Prozess außer Kontrolle gerät. PQ geht weiter: Es sagt für jeden einzelnen Fertigungsdurchlauf auf Basis der aktuellen Parameterausprägung vorher, ob das konkrete Bauteil gut wird. SPC ist regelbasiert und interpretierbar. PQ ist modellbasiert und erfordert Trainingsdaten. Viele Unternehmen nutzen SPC als erste Stufe und PQ als Erweiterung.
Die technische Trainingszeit für ein erstes PQ-Modell beträgt typischerweise Stunden bis Tage. Der eigentliche Zeitaufwand liegt in der Datenvorbereitung: Prozessdaten und Prüfergebnisse bauteilgenau verknüpfen, Datenqualität prüfen, Trainingsdatensatz aufbauen. In gut strukturierten Umgebungen dauert das 2–6 Wochen. In Umgebungen ohne bauteilgenaue Datenverknüpfung müssen zunächst Infrastrukturprojekte abgeschlossen werden – das kann 3–9 Monate dauern.
Ja – Predictive Quality ist eine der zentralen Anwendungen im Kontext von Industrie 4.0 und Smart Manufacturing. Es verbindet die drei Kernelemente von I4.0: Datenerfassung aus der Fertigung (Sensoren, MES), Datenintegration (bauteilgenaue Verknüpfung über Systemgrenzen) und Datenverwertung (KI-Modell als Entscheidungsunterstützung in Echtzeit). Predictive Quality ist damit kein theoretisches Konzept, sondern eine messbare, ROI-positive Anwendung – vorausgesetzt, die Datenbasis ist vorhanden.