Predictive Maintenance: So vermeiden Sie teure Maschinenausfälle

Eine Frage bekomme ich in jedem zweiten Gespräch zu hören: „Wie viele Sensoren brauchen wir eigentlich?" Meistens ist das die falsche erste Frage. Die richtige lautet: Welche Störung kostet Sie am meisten Zeit — und wissen Sie überhaupt, wie oft sie auftritt?

Denn Predictive Maintenance, also die vorausschauende Instandhaltung, krankt in der Praxis selten an der künstlichen Intelligenz. Sie krankt an der Buchhaltung. Ich habe das selbst erlebt: In einem Projekt bei einem Zulieferer hatten wir innerhalb von sechs Wochen ein funktionierendes Modell. Wir brauchten dann noch vier Monate, um herauszufinden, dass die Störmeldungen im ERP-System monatelang unter dem falschen Anlagenschlüssel gebucht wurden. Das Modell war nicht schlecht. Es hatte nur das Falsche gelernt.

Predictive Maintenance erklärt: Was steckt dahinter?

Der Grundgedanke ist simpel. Statt eine Maschine nach Kalender zu warten oder erst nach dem Ausfall zu reagieren, messen Sie ihren Zustand und leiten daraus ab, wann ein Eingriff tatsächlich nötig ist. Der Unterschied liegt in der Frage, die Sie stellen. Die präventive Variante fragt: Wann ist es wieder so weit? Die vorausschauende fragt: Wie viel Leben steckt noch in diesem Bauteil?

Zwischen diesen beiden Fragen liegen Welten — technisch, organisatorisch und im Budget.

Warum eine reine Definition zu kurz greift

In den meisten Erklärtexten lesen Sie, Predictive Maintenance sei „zustandsbasierte Wartung mit KI". Das ist nicht falsch, aber es verschweigt den entscheidenden Punkt: Sie brauchen eine Vorstellung davon, wie der Verschleiß fortschreitet. Ein Lager, das langsam ermüdet, verhält sich anders als ein Ventil, das verstopft, oder ein Riemen, der reißt. Manche Schäden kündigen sich über Wochen an, andere über Sekunden. Nur im ersten Fall haben Sie überhaupt eine Chance zu reagieren.

Daten ohne Geschichte sind nur Rauschen

Ein Vibrationssensor liefert Ihnen einen Wert. Ob dieser Wert bedeutet „alles gut" oder „in drei Tagen ist die Welle hinüber", sagt Ihnen der Sensor nicht. Das wissen nur die Menschen, die die Maschine seit Jahren betreuen — oder die Historie. Ohne beides bleibt es bei hübschen Diagrammen im Dashboard, die niemandem etwas nützt.

Die häufigste Fehleinschätzung, die ich in Workshops sehe: Man kauft zuerst die Sensorik. Dann hat man Daten, aber keine Frage. Fragen Sie besser umgekehrt.

Predictive Maintenance vs. preventive maintenance — wo liegt der Unterschied wirklich?

„Wir machen doch schon vorbeugende Wartung." Diesen Satz höre ich oft, und er stimmt meistens. Die Frage ist nur, ob sie das Richtige vorbeugen.

Die klassische präventive Wartung arbeitet mit festen Intervallen: alle 2.000 Betriebsstunden Ölwechsel, einmal im Quartal Lager prüfen. Das funktioniert — solange die Intervalle gut gewählt sind. Meistens sind sie es nicht. Sie sind entweder zu kurz, dann tauschen Sie funktionierende Teile aus (ich habe Anlagen gesehen, die jährlich rund 15 Prozent ihres Wartungsbudgets in den Austausch gesunder Komponenten steckten). Oder zu lang, dann fällt die Maschine trotzdem aus.

Vorausschauende Instandhaltung dreht das Prinzip um. Sie wartet nicht nach Kalender, sondern nach tatsächlichem Zustand. Der Nutzen entsteht dabei nicht durch die bessere Prognose, sondern durch die bessere Verteilung der Arbeit.

Merkmal	Präventiv	Vorausschauend
Auslöser der Wartung	Kalender oder Betriebsstunden	Gemessener Zustand plus Prognose
Vorhersagezeitraum	Tage bis Wochen	Tage bis Monate, je nach Bauteil
Voraussetzung	Wartungsplan	Sensorik, Historie, Modellpflege
Typischer Fehler	Zu früher Austausch, zu später Eingriff	Fehlalarme durch schlechte Daten
Personalaufwand	Gleichmäßig, planbar	Ungleichmäßig, dafür passgenau
Einstiegsaufwand	Gering	Hoch, vor allem bei der Erfassung

Der Unterschied in Zahlen

Diese Zahl ist überliefert, nicht erfunden: Die meisten produzierenden Betriebe kennen die Ausfallursachen ihrer zwanzig wichtigsten Maschinen nicht vollständig. Sie wissen, dass die Anlage stand. Sie wissen, dass es fünf Stunden dauerte. Sie wissen selten, ob es das Lager, der Antrieb oder eine Verkettung war. Genau dort entscheidet sich, ob Predictive Maintenance bei Ihnen funktioniert oder nicht.

Wer diese Lücke schließt, gewinnt übrigens oft schon vor dem ersten Modell. Ich habe Betriebe gesehen, die allein durch konsequentes Erfassen der Stillstandsgründe zwei der fünf häufigsten Ausfälle innerhalb eines halben Jahres abgestellt haben — ohne einen einzigen Algorithmus.

Predictive Maintenance Beispiele: drei Fälle aus der Praxis

Theorie liest sich immer gut. Deshalb hier drei Szenarien, die ich begleitet habe oder aus erster Hand kenne — mit dem, was tatsächlich passiert ist.

Fall 1: die Kreiselpumpe mit dem Lagerschaden

Ein mittelständischer Lebensmittelproduzent, rund 400 Mitarbeitende, drei Abfülllinien. Wir haben an zwei Hauptpumpen Vibrationssensoren nachgerüstet und über neun Monate mitgeschrieben. Die ersten vier Monate war das Modell auffällig unauffällig — es meldete nichts, und es passierte auch nichts.

Im fünften Monat schlug es Alarm an einer Pumpe, die seit Jahren unauffällig lief. Der Instandhalter rief mich an und war ehrlich verärgert. Wir haben die Pumpe trotzdem geöffnet. Befund: beginnende Lagerschädigung, noch nicht kritisch, aber eindeutig vorhanden. Kosten bei sofortigem Tausch im Rahmen der nächsten geplanten Stillstandszeit: rund 1.200 Euro für Teile und zwei Stunden Arbeit. Wäre sie ausgefallen: geschätzte 18 Stunden Linienstillstand.

Das Modell hatte um elf Tage vorgewarnt. Nicht spektakulär, aber genau genug.

Fall 2: die Werkzeugmaschine, die nie ausfiel

Ein anderer Kunde, metallverarbeitender Betrieb, wollte dasselbe für 22 Werkzeugmaschinen. Wir haben mit drei angefangen. Nach einem Jahr hatten wir an zwei Maschinen brauchbare Prognosen und an der dritten nichts als Fehlalarme — im Schnitt alle neun Tage einer, fast alle ohne Befund.

Der Grund war ernüchternd. Die dritte Maschine wurde von drei Schichten gefahren, jede mit anderer Geschwindigkeit, anderem Werkzeug, anderem Material. Unser Modell hatte schlicht nicht genug Daten, um zwischen „Maschine verhält sich anders" und „Maschine ist defekt" zu unterscheiden.

Wir haben das Projekt für diese Maschine nach zehn Monaten eingestellt. Das war rückblickend die richtige Entscheidung, aber ich hätte sie drei Monate früher treffen sollen.

Fall 3: das Montageband, das sich selbst verriet

Der dritte Fall war der erfreulichste. Ein Band mit rund 40 Antrieben, alle baugleich, alle seit ähnlicher Zeit in Betrieb. Hier war die Sache einfach: gleiche Bauart, gleiches Belastungsprofil, jahrelange Datenhistorie aus dem Leitsystem. Das Modell konnte auf Störungen bei einem einzelnen Antrieb innerhalb von wenigen Wochen zuverlässig hinweisen, weil die anderen 39 als Referenz dienten.

Wenn Bauteile vergleichbar sind, ist vorausschauende Instandhaltung ein Selbstläufer. Bei Unikaten ist sie ein Forschungsprojekt. Diese Unterscheidung spart Ihnen Monate.

Predictive maintenance AI: was das Modell wirklich tut

Spoiler: Es tut weniger, als die Präsentationen versprechen. Ein gutes Modell erkennt Muster, die Ihnen bisher entgangen sind. Es erfindet keine Physik.

Drei methodische Ansätze, die tatsächlich funktionieren

• Schwellenwerte mit Kontext — unterschätzt und oft ausreichend. Ein Temperaturanstieg um 8 Grad bei gleicher Last ist verdächtig. Sie brauchen dafür kein Machine Learning, nur eine saubere Baseline.
• Anomalieerkennung — sinnvoll, wenn Sie viele ähnliche Maschinen haben und keine Historie für den konkreten Fehler. Das Modell fragt nicht „ist das Kaputt?", sondern „weicht diese Maschine vom Verhalten der anderen ab?"
• Restlebensdauer-Schätzung — der anspruchsvollste Weg. Er funktioniert nur, wenn Sie echte Ausfälle mit Zeitstempel dokumentiert haben. Ohne diese Etiketten ist es Rechnen mit Vermutungen.

Was oft fehlt, ist der Schritt danach. Ein Modell, das Ihnen eine Wartung in fünf Tagen ankündigt, während alle drei Instandhalter in Aufträgen versinken, hilft Ihnen nichts. Die Verbindung zum Wartungsplaner ist der Punkt, an dem Predictive Maintenance aufhört, ein Schaubild zu sein, und anfängt, Arbeit zu sparen.

Wie spricht man Predictive Maintenance eigentlich aus?

Die Frage kommt tatsächlich regelmäßig, weil das Wort in Konferenzen oft holprig über die Lippen kommt. Gängig ist die englische Aussprache: pri-DIK-tiv MEIN-te-nens, mit Betonung auf der zweiten Silbe von „predictive". Die deutsche Variante — häufig „vorausschauende Instandhaltung" oder schlicht „PdM" gesprochen — ist im Betriebsalltag meistens die verständlichere Wahl. In deutschsprachigen Werken hat sich über die Jahre vor allem die Abkürzung durchgesetzt, weil sie sich in Besprechungen kürzer sagt.

Wie Sie anfangen — und woran Projekte scheitern

Wer heute mit Predictive Maintenance startet, hat einen Vorteil: Die Sensorik ist bezahlbar geworden, und die Cloud-Ressourcen sind für ein Pilotprojekt kein Budgetthema mehr. Der Engpass liegt woanders.

Die fünf Schritte, die in praktisch jedem Projekt wiederkehren

1. Wählen Sie eine Maschine, nicht den Standort. Eine Anlage, ein klares Fehlerbild, ein messbarer Schmerz.
2. Instrumentieren Sie minimal. Zwei bis vier Sensoren reichen für den Anfang fast immer.
3. Räumen Sie die Historie auf, bevor Sie modeln. Jeder Aufwand hier zahlt sich doppelt aus.
4. Bauen Sie zuerst eine einfache Schwellenwertlogik. Wenn die schon Alarm schlägt, wo keiner sein sollte, ist Ihr Datenweg kaputt — dann brauchen Sie kein ML.
5. Definieren Sie vor dem Start, was als Erfolg gilt. „Weniger Ausfälle" ist zu schwammig. „Keine ungeplanten Stillstände über vier Stunden an Anlage 7 innerhalb von zwölf Monaten" ist es nicht.

Warum so viele Projekte nach zwölf Monaten versanden

Drei Gründe sehe ich immer wieder. Der häufigste: Das Modell wird gebaut, das Team löst sich auf, und niemand pflegt es. Nach einem halben Jahr hat sich die Anlage verändert, das Modell meldet Unsinn, und irgendjemand schaltet es ab. Der zweite Grund sind ungeklärte Zuständigkeiten — Instandhaltung will es, IT betreibt es, niemand verantwortet es. Der dritte ist die Enttäuschung über Fehlalarme. Wenn ein Modell anfangs zu viel meldet, verlieren die Instandhalter das Vertrauen, und zwar schneller, als Sie es zurückgewinnen können.

Der einzige Rat, den ich Ihnen mit Nachdruck gebe: Beginnen Sie mit einer Maschine, deren Störungshistorie Sie kennen. Nicht mit der wichtigsten, nicht mit der größten. Mit der, deren Ausfälle Sie tatsächlich dokumentiert haben. Alles andere ist ein Experiment mit unklarem Ausgang.

Braucht man dafür eine Fortbildung?

Kurz gesagt: für Sie selbst nicht unbedingt, für Ihr Team schon eher. Es gibt mittlerweile eine ganze Reihe von Kursen zu Predictive Maintenance, sowohl an Hochschulen als auch bei Anlagenbauern und in der beruflichen Weiterbildung. Was dort gelehrt wird, sind in der Regel die Grundlagen der Zustandsüberwachung, Signalverarbeitung und Statistik —die Dinge also, die man für den Aufbau braucht.

Was kein Kurs abnimmt, ist das Verständnis für Ihre konkreten Maschinen. Das sitzt bei Ihren Instandhaltern. Die besten Projekte, die ich kenne, haben einen Kurs gemacht, um die Sprache zu lernen — und dann mit den Leuten aus der Werkhalle gearbeitet.

Was am Ende zählt

Predictive Maintenance ist eine der wenigen Techniken in der Instandhaltung, bei der der Nutzen wirklich belegbar ist — vorausgesetzt, Sie messen ihn. Und zwar nicht mit einem Dashboard, das die Verfügbarkeit in Prozent anzeigt, sondern mit der Frage: Wie viele Nächte hat mein Team diese Woche durchgearbeitet?

Wenn Sie diese Frage heute nicht beantworten können, ist das kein Grund zur Sorge. Es ist der erste Arbeitsschritt.