KI-Thema
Predictive Maintenance: vorausschauende Instandhaltung in der Praxis
Predictive Maintenance ersetzt feste Wartungsintervalle durch zustandsbasierte Entscheidungen: Sensor- und Betriebsdaten zeigen, wie es einer Maschine wirklich geht, und Modelle melden beginnende Schäden Tage oder Wochen vor dem Ausfall. Für produzierende Unternehmen ist der Hebel der Stillstand der Engpassanlage – jede vermiedene Stunde zahlt direkt auf die Rechnung ein.
Die vier Reifestufen der Instandhaltung
Nicht jedes Unternehmen muss sofort Restlebensdauern prognostizieren. Die Stufen bauen aufeinander auf, und schon Stufe zwei liefert regelmäßig messbaren Nutzen.
- Reaktiv: Reparatur nach Ausfall – teuer und unplanbar
- Präventiv: feste Intervalle – sicher, aber tauscht funktionierende Teile
- Zustandsorientiert: Grenzwerte und Anomalieerkennung auf Live-Daten
- Prädiktiv: Modelle prognostizieren Ausfallzeitpunkt und Restlebensdauer
Welche Verfahren eingesetzt werden
Bei wenigen dokumentierten Schadensfällen beginnt man mit Anomalieerkennung: Das Modell lernt das Normalverhalten und meldet Abweichungen. Liegen genügend Ausfälle mit Zeitstempel vor, lassen sich überwachte Verfahren und Restlebensdauer-Modelle trainieren.
In der Praxis bewährt sich die Kombination aus physikalischem Verständnis und Daten: Schwingungsanalyse für Lager und Getriebe, Stromsignaturen für Antriebe, Temperatur- und Druckverläufe für Hydraulik und Kühlung.
Typische Stolpersteine
Die häufigste Ursache gescheiterter Projekte sind nicht die Algorithmen, sondern Datenlücken und fehlende Prozessanbindung. Ein Alarm ohne klaren Adressaten und Handlungsanweisung wird nach wenigen Wochen ignoriert.
- Störungen werden nicht strukturiert dokumentiert – dem Modell fehlt die Zielgröße
- Abtastraten zu niedrig für Schwingungsanalyse
- Alarme ohne definierten Arbeitsauftrag im Instandhaltungssystem
- Zu viele Fehlalarme: Schwellen und Vertrauensmaße nicht abgestimmt
Anwendungsfälle aus dem Mittelstand
Antriebe und Lager bei einem Zulieferer
Ein Presswerk überwacht 14 Antriebe mit Schwingungssensoren. Das System erkannte einen beginnenden Lagerschaden 3 Wochen vor dem Ausfall: Ersatzteil kam per Normalbestellung, Tausch fand am Wochenende statt. Vermieden: 11 Stunden Stillstand der Engpasslinie zu je 8.500 Euro.
Hydraulik und Pneumatik
Druck- und Temperaturverläufe verraten Leckagen und Filterzustand, bevor Taktzeiten und Qualität leiden. Eine Kunststoffverarbeitung reduzierte so ihre ungeplanten Stopps an Spritzgießmaschinen innerhalb eines Jahres um ein Drittel.
Werkzeugstandzeiten in der Zerspanung
Spindelleistung und Prozesssignale zeigen den Verschleißfortschritt. Statt nach fester Stückzahl wird das Werkzeug gewechselt, wenn es tatsächlich nötig ist – Standzeit steigt im Mittel um 15 bis 25 Prozent, Ausschussserien durch stumpfe Werkzeuge entfallen.
Serviceorganisation für Maschinenbauer
Ein Sondermaschinenbauer bietet seine Anlagen mit Verfügbarkeitszusage an: Die Maschine meldet ihren Zustand an den Hersteller, Service wird zustandsbasiert geplant. Aus dem Ersatzteilgeschäft wird ein planbarer Servicevertrag mit wiederkehrendem Umsatz.
Häufige Fragen
Was ist Predictive Maintenance?
Predictive Maintenance ist vorausschauende Instandhaltung: KI-Modelle werten Sensor-, Steuerungs- und Wartungsdaten aus, erkennen beginnende Schäden und melden Handlungsbedarf, bevor eine Maschine ausfällt. Gewartet wird nach Zustand statt nach starrem Intervall.
Welche Daten werden für Predictive Maintenance benötigt?
Typisch sind Schwingung, Temperatur, Strom- und Druckwerte, Drehzahl sowie Steuerungs- und Betriebsdaten aus SPS oder MES – ergänzt um dokumentierte Wartungs- und Störungshistorie. Ohne verlässlich erfasste Ausfallereignisse fehlt dem Modell die Zielgröße.
Wie lange dauert es, bis Predictive Maintenance funktioniert?
Ein Pilot an einer kritischen Anlage ist in 3 bis 6 Monaten belastbar, weil zunächst genügend Betriebs- und Störungsdaten gesammelt werden müssen. Anomalieerkennung liefert erste Hinweise deutlich früher, präzise Restlebensdauer-Prognosen brauchen mehrere Schadensfälle.
Was bringt Predictive Maintenance wirtschaftlich?
Der Nutzen entsteht aus vermiedenen Stillständen, längeren Bauteillaufzeiten, geringeren Eilbestellungen und planbarer Einsatzsteuerung der Instandhaltung. Rechnen Sie mit den Kosten einer Stillstandsstunde Ihrer Engpassanlage – sie entscheidet über die Wirtschaftlichkeit, nicht die Modellgüte.
Wie starte ich ein Predictive-Maintenance-Projekt?
Mit einer Engpassanlage, deren Ausfälle teuer und wiederkehrend sind. Beim KI-Kongress Stuttgart bringen Unternehmen genau solche Fälle ein und entwickeln sie mit KI-Expertinnen, Entwicklern und Forschung weiter. Termine 2026: 27. September, 18. Oktober, 31. Oktober und 29. November, 10:00–18:00 Uhr in Stuttgart.
Was kostet eine Predictive-Maintenance-Lösung?
Ein Pilot an einer Anlage mit Sensorik, Datenerfassung und Anomalieerkennung liegt typischerweise zwischen 15.000 und 50.000 Euro. Ob sich das rechnet, hängt von einem Wert ab: den Kosten einer Stillstandsstunde Ihrer Engpassanlage. Liegen die bei mehreren tausend Euro, amortisieren sich schon zwei vermiedene Ausfälle pro Jahr.
Brauche ich dafür neue Sensoren an alten Maschinen?
Nicht immer. Viele Maschinen liefern über ihre Steuerung bereits Temperatur, Strom, Druck und Drehzahl. Für Schwingungsanalyse werden meist externe Sensoren nachgerüstet – kostengünstige IEPE- oder MEMS-Sensoren genügen für den Einstieg. Retrofit-Lösungen machen auch 30 Jahre alte Anlagen datenfähig, ohne in die Steuerung einzugreifen.
Wie unterscheidet sich Predictive Maintenance von Condition Monitoring?
Condition Monitoring überwacht Grenzwerte und meldet, wenn ein Wert überschritten wird – es zeigt den aktuellen Zustand. Predictive Maintenance geht einen Schritt weiter: Modelle erkennen Muster, die einem Schaden vorausgehen, und prognostizieren, wann ein Ausfall wahrscheinlich wird. In der Praxis beginnt man mit Condition Monitoring und wächst in Richtung Prognose.
Ihr Anwendungsfall auf dem KI-Kongress Stuttgart
Bringen Sie Ihr teuerstes Problem mit. Beim KI-Kongress Stuttgart entwickeln Unternehmen, KI-Expertinnen und Forschung gemeinsam Lösungen – ein fertiges KI-Projekt ist keine Voraussetzung.