Die kalenderbasierte vorbeugende Wartung ist eine Lösung für ein Informationsproblem: Ohne Daten über den tatsächlichen Zustand eines Geräts tauschen Sie Teile in sicheren Abständen aus, damit Sie nicht überrascht werden. Das Problem besteht darin, dass dieses Modell systematisch Teile mit verbleibender Nutzungsdauer verschwendet, unnötige Kosten für geplante Ausfallzeiten anhäuft und dennoch unerwartete Ausfälle nicht eliminiert – da der Kalender eine grobe Annäherung an das tatsächliche Verhalten jeder Maschine in jedem Nutzungszustand darstellt. Sensoren und Vorhersagemodelle lösen das Informationsproblem. Was Ihnen niemand oft genug sagt, ist, dass das größte Hindernis für die Einführung nicht technologischer Natur ist.
Wie Predictive Maintenance in der Praxis funktioniert
Die Logik ist einfach: Verschlechternde Geräte geben physische Signale ab, bevor sie ausfallen. Ungewöhnliche Vibrationen, anormale Temperaturen, Geräusche bei bestimmten Frequenzen, unregelmäßiger Stromverbrauch – diese Anzeichen gehen einem Ausfall Stunden, Tage oder Wochen voraus, abhängig von der Art der Ausrüstung und dem Ausfallmechanismus.
IoT-Sensoren erfassen diese Signale in Echtzeit. Die Abtastrate ist wichtig: Ein Vibrationssensor, der einmal pro Minute Daten sammelt, kann Anomalien übersehen, die in Sekundenzyklen auftreten und wieder verschwinden. Edge-Computing-Plattformen verarbeiten einen Teil dieser Daten lokal und senden nur relevante Warnungen und Zusammenfassungen an die Cloud – was Übertragungskosten und Latenz in Industrieumgebungen mit begrenzter Konnektivität reduziert.
Die Modelle für maschinelles Lernen, die diese Daten analysieren, können unterschiedlicher Art sein. Anomalieerkennungsmodelle erkennen, wenn das Geräteverhalten von historischen Mustern abweicht, ohne unbedingt gekennzeichnete Daten früherer Ausfälle zu benötigen. Modelle zur Vorhersage der Nutzungsdauer (Remaining Useful Life, RUL) versuchen zu quantifizieren, wie viel Zeit bis zu einem wahrscheinlichen Ausfall von Geräten verbleibt, sodass Eingriffe zum optimalen Zeitpunkt geplant werden können. Diagnosemodelle versuchen nicht nur zu erkennen, dass etwas ausfallen wird, sondern auch, was – die spezifische Art des Fehlers, die betroffene Komponente –, um die Arbeit des Wartungsteams zu leiten.
Wo es bereits funktioniert und was es beweist
Die Luftfahrt ist der Referenzsektor. Düsentriebwerke werden im Flug von Hunderten von Sensoren überwacht; Die Daten erreichen die Wartungsteams am Boden in Echtzeit, bevor das Flugzeug überhaupt landet. Rolls-Royce und GE Aviation verkaufen Triebwerke als Dienstleistung – der Kunde zahlt pro Flugstunde, nicht für die Turbine – ein Modell, das nur mit zuverlässiger vorausschauender Wartung funktioniert, da der Lieferant die Kosten für jeden ungeplanten Stopp trägt.
In der Fertigung zeigen von Herstellern wie SKF, Siemens und ABB veröffentlichte Ergebnisse, dass die ungeplanten Wartungskosten um 25 bis 40 % sinken und die Anlagenverfügbarkeit je nach Umgebung und Ausgangspunkt um 10 bis 20 % steigt. In der Stromerzeugung – Windturbinen, Wärmekraftwerke, Wasserkraftwerke – sind die Auswirkungen einer ungeplanten Abschaltung so hoch, dass der ROI von Sensoren und Modellen auch bei relativ niedrigen Ausfallraten gerechtfertigt ist.
In Brasilien sind die Fälle in der Bergbau-, Zellstoff- und Papierindustrie sowie in der Petrochemie am ausgereiftesten. Petrobras verfügt seit mehr als einem Jahrzehnt über strukturierte vorausschauende Wartungsprogramme auf Offshore-Plattformen. Das Segment der mittelständischen Industrieunternehmen setzt noch immer überwiegend auf kalendermäßige vorbeugende Instandhaltung, was sowohl eine erhebliche Lücke als auch eine erhebliche Chance für denjenigen darstellt, der sie zuerst umsetzt.
Das eigentliche Problem: Altsysteme und Vertrauen in Teams
Die Sensortechnologie ist relativ ausgereift – und die Kosten pro Überwachungspunkt sind in den letzten fünf Jahren um 60 bis 80 % gesunken. ML-Modelle für die vorausschauende Wartung verfügen über umfangreiche Literatur und konsolidierte Open-Source-Tools. Warum ist die Akzeptanz außerhalb großer Unternehmen dann immer noch langsam?
Das erste Hindernis ist die Integration mit Altsystemen. Alte Industrie-SPS, SCADA-Systeme der letzten Generation und ERPs, die nie für die Datenerfassung in Echtzeit ausgelegt waren, erzeugen einen Flickenteppich an Konnektivität, der die Aggregation von Sensordaten durchweg teuer und mühsam macht. Viele Predictive-Maintenance-Projekte scheitern in der Integrationsphase, nicht in der Modellierungsphase.
Die zweite Hürde ist subtiler und schwieriger: die Betriebsteams dazu zu bringen, dem Modell und nicht dem Kalender zu vertrauen. Ein Techniker mit fünfzehn Jahren Erfahrung in einer Produktionslinie hat ein Gespür dafür entwickelt, wann sich eine Maschine „komisch anfühlt“. Ihm ein Dashboard mit der Aufschrift „Fehlerwahrscheinlichkeit: 73 % in den nächsten 5 Tagen“ vorzulegen, ohne Kontext dazu, wie das Modell zu dieser Zahl gekommen ist – und ihn zu bitten, geplante Wartungsarbeiten auf der Grundlage des Kalenders abzusagen, weil das Modell sagt, dass alles in Ordnung ist – ist ein Rezept für Widerstand. Das Vertrauen in das Modell wird schrittweise aufgebaut, mit Transparenz über die Variablen, die es speisen, und mit einer Erfolgsgeschichte, die es rechtfertigt, seinen Vorhersagen Gewicht zu verleihen.
Wie eine Führungskraft das sehen sollte
Der ROI der vorausschauenden Wartung ist in Hochverfügbarkeits- und kritischen Anlagenkontexten gut etabliert. Die strategische Frage für einen Entscheidungsträger lautet nicht: „Funktioniert es?“ – es funktioniert. Es geht um „Was ist der richtige Einstiegspunkt für unseren Betrieb?“
Die Antwort besteht fast immer darin, mit kritischen Geräten zu beginnen, die hohe Ausfallkosten verursachen, bei denen historische Ausfalldaten vorliegen und bei denen das Wartungsteam bereits mit dem aktuellen Kalendermodell unzufrieden ist. Ausgewählte Pilotprojekte führen zu einer Erfolgsbilanz, die internes Vertrauen aufbaut und den Business Case für eine Expansion schafft.
Die Falle ist das Pilotprojekt für unkritische Geräte: Das Ergebnis wird irrelevant sein, der ROI wird schwer nachzuweisen sein und die interne Schlussfolgerung wird sein, dass „Vorhersage in unserer Realität nicht funktioniert“. Die andere Falle ist das zu weit gefasste Projekt, das versucht, die gesamte Anlage auf einmal zu implementieren – die Integrationskosten explodieren, die Frist verlängert sich und die Organisation verliert an Schwung, bevor sie irgendwelche Ergebnisse sieht.
Aus technologischer Sicht sind die Einstiegskosten drastisch gesunken. Hochwertige Industriesensoren kosten nur noch einen Bruchteil dessen, was sie vor fünf Jahren kosteten. Analyseplattformen wie AWS IoT, Azure IoT Hub und Open-Source-Optionen wie InfluxDB mit Scikit-Learn-Modellen sind für mittelgroße technische Teams zugänglich. Die Hauptinvestition besteht in der Integration und dem Änderungsmanagement mit den Betriebsteams – und bei dieser Investition gewinnt oder verliert das Projekt.
Lesen Sie auch
- Digitaler Zwilling: Simulation, die von realen Geräten lernt
- Cybersicherheit im Jahr 2025: Eine strategische Vision für die Zukunft
- Wie man ein Geschäftsszenario für KI in Industriebetrieben erstellt
- Inferenzchips und ASIC: Wenn spezialisiert besser ist als generisch
- Spezialisierte Chips und das Ende der generischen CPU-Ära
- Neuromorphes und bioinspiriertes Computing: Wenn der Chip beginnt, vom Gehirn zu lernen