Predictive maintenance: was steckt wirklich dahinter – und warum die meisten Betriebe es falsch angehen
Ein Lagerfresser an einer Spritzgussmaschine kostet Sie nicht nur das Lager. Er kostet Sie die Schicht, den Liefertermin und den Anruf beim Kunden, der genau an diesem Tag seine Ware erwartet. Genau an diesem Punkt setzt predictive maintenance an — auf Deutsch: vorausschauende Instandhaltung. Sie versucht nicht, den Schaden zu reparieren. Sie versucht, ihn gar nicht erst entstehen zu lassen.
Ich habe in den letzten Jahren mehrere solcher Projekte begleitet, von der Werkhalle eines Mittelständlers bis zu einem Verpackungsbetrieb mit 40 Maschinen. Und ich sage es gleich vorweg: Die Technik war nie das Problem. Das Problem war immer, dass niemand vorher definiert hat, welche Panne eigentlich verhindert werden soll.
Wichtige Erkenntnisse
- Vorausschauende Instandhaltung nutzt Betriebsdaten und Echtzeit-Zustandsüberwachung, um vorherzusagen, wann eine Anlage ausfällt.
- Sie funktioniert nur, wenn Sie vorher genau wissen, welche Störung Sie vermeiden wollen — nicht umgekehrt.
- Der teuerste Teil ist in der Regel nicht die Sensorik, sondern die Datenqualität und das Projektteam.
- Für viele Betriebe ist der Einstieg über Condition Monitoring sinnvoller als der sofortige Sprung zum KI-Modell.
- Der Nutzen zeigt sich nicht in schönen Dashboards, sondern in Stunden, die Ihre Anlage nicht steht.
Was ist predictive maintenance – und wie unterscheidet es sich von dem, was Sie heute tun?
Predictive maintenance ist eine Instandhaltungsstrategie, die Betriebsdaten und Echtzeit-Zustandsüberwachung nutzt, um vorherzusagen, wann Anlagen wahrscheinlich ausfallen werden. Anstatt Maschinen nur in festen Intervallen zu warten oder erst nach dem Ausfall zu reparieren, setzt sie auf Technologien wie künstliche Intelligenz (KI) und das Internet der Dinge (IoT), um frühe Warnsignale zu erkennen. So können Instandhaltungsteams rechtzeitig eingreifen, bevor der Schaden passiert.
Der Unterschied zu dem, was in vielen Hallen läuft, ist größer, als er klingt. Bisher gibt es zwei verbreitete Vorgehensweisen. Die eine reparieren, wenn es knallt. Die andere tauscht Teile nach Kalender aus, egal ob sie verschlissen sind oder nicht.
Beide haben einen blinden Fleck. Die reaktive Variante zahlt jeden Ausfall mit Produktionszeit. Die kalenderbasierte Variante zahlt mit Material und Stillstand für Reparaturen, die vielleicht gar nicht nötig waren. Vorausschauende Wartung versucht, genau dazwischen zu landen: so früh wie nötig, so spät wie möglich.
Wie funktioniert das konkret im Maschinenraum?
An der Anlage hängen Sensoren — Schwingung, Temperatur, Stromaufnahme, Druck, manchmal Akustik. Diese Geräte sammeln laufend Daten. Diese Daten werden analysiert, üblicherweise mit Algorithmen aus dem Bereich Machine Learning, um Veränderungen der Betriebsbedingungen und der Leistung zu erkennen. Wenn Sie es richtig aufsetzen, findet das System Muster, die zu Ausfällen führen, bevor der Ausfall da ist.
Klingt sauber. Ist es in der Praxis selten.
Condition Monitoring oder predictive maintenance? Der Unterschied, den viele überspringen
Hier scheitern die meisten Projekte, die ich gesehen habe. Condition Monitoring heißt: Sie beobachten den Zustand — Schwingungswert steigt, Temperatur steigt, Strom zieht an. Sie bekommen eine Meldung, wenn ein Schwellenwert überschritten wird. Das ist die Grundlage.
Predictive maintenance geht einen Schritt weiter. Sie sagt nicht nur „etwas ist anders", sondern „in soundsovielen Betriebsstunden fällt das Lager aus, wenn Sie nichts tun". Das ist ein Modell, das aus historischen Verläufen lernt. Ohne Condition Monitoring als Datenbasis gibt es keine Vorhersage. Ohne Vorhersage bleibt Condition Monitoring ein teurer Wecker.
Ich habe einen Betrieb erlebt, der in Sensorik investiert hat, ohne diesen Unterschied zu kennen. Zwei Jahre lang sammelten die Geräte Daten. Niemand schaute hin. Am Ende ersetzte man die Anlage — ohne je eine einzige Warnung genutzt zu haben. Ein Kollege nannte es „das teuerste Logbuch der Region". Er hatte nicht ganz unrecht.
- Condition Monitoring: Was ist gerade los?
- Predictive maintenance: Was passiert als Nächstes, und wann?
- Prescriptive maintenance: Was genau soll ich jetzt tun — und in welcher Reihenfolge?
Vorausschauend, präventiv, reaktiv: ein ehrlicher Vergleich
Die folgende Gegenüberstellung ist bewusst grob. Sie soll keine Prozentzahlen aus dem Hut zaubern, sondern die Logik klarmachen.
| Ansatz | Wann wird gehandelt? | Typischer Nachteil |
|---|---|---|
| Reaktiv | Nach dem Ausfall | Jede Panne trifft die Produktion unvorbereitet |
| Präventiv (kalenderbasiert) | Nach festem Intervall | Teile werden getauscht, obwohl sie noch laufen |
| Vorausschauend | Wenn das Modell einen Ausfall prognostiziert | Braucht Daten, Sensoren und jemanden, der das Modell pflegt |
| Prescriptiv | Automatisch, mit Handlungsempfehlung | Hoher Aufwand, lohnt nur bei sehr kritischen Anlagen |
Predictive maintenance Beispiele: wo es tatsächlich funktioniert
Vorausschauende Instandhaltung wird branchenübergreifend eingesetzt — in Energie, Verkehr, Fertigung und Bergbau — um Abläufe zu optimieren, Ausfälle zu reduzieren und die Lebensdauer von Anlagen zu verlängern. Das ist die Theorie. Die Praxis sieht so aus:
Ein Lebensmittelhersteller, den ich begleitet habe, hatte ein wiederkehrendes Problem mit einem Getriebe an der Abfülllinie. Alle vier bis sechs Monate dasselbe. Statt ein Modell zu bauen, haben wir zunächst zwei Sensoren montiert und die Schwingung über mehrere Wochen aufgezeichnet. Nach dem ersten echten Schaden hatten wir einen Verlauf, den wir mit dem Ausfall verknüpfen konnten. Ab da war die Vorhersage erstaunlich simpel — kein Deep Learning, sondern ein gleitender Mittelwert mit einer Warnschwelle. Die Stillstandzeit an dieser Linie ging im folgenden Jahr spürbar zurück, weil die Wartung in ein ohnehin freies Fenster am Wochenende gelegt werden konnte.
Das ist der Punkt, den ich an diesen Projekten mag: Die erste Version muss nicht elegant sein. Sie muss nur ehrlich sein.
Wo es nicht funktioniert — und das ist der häufigere Fall
Ich habe auch Projekte gesehen, die nach einem Jahr eingestellt wurden. Nicht weil die Technik versagte, sondern weil die Anlage zu selten lief, um genug Daten zu produzieren. Ein Modell, das zweimal im Monat eine Charge sieht, lernt nichts Brauchbares. Bei solchen Anlagen ist die einfache zeitbasierte Wartung oft die vernünftigere Wahl. Das schmerzt, wenn man gerade Budget für Sensorik freigegeben hat. Aber es schmerzt weniger als drei Jahre Flickwerk.
Wie Sie anfangen, ohne sich zu verheben
Die Reihenfolge, die sich in meiner Erfahrung bewährt hat:
- Wählen Sie eine Anlage mit hohem Ausfallrisiko und klarem Schadensbild — nicht die neueste Maschine, sondern die, die am meisten weh tut.
- Schreiben Sie auf, welche konkrete Störung Sie verhindern wollen. Wenn Sie das nicht in einem Satz können, ist das Projekt noch nicht reif.
- Kleben Sie Daten dran. Zwei Sensoren reichen für den Anfang.
- Warten Sie den ersten echten Ausfall ab. Ja, wirklich. Ohne einen gelabelten Ausfall haben Sie kein Modell, sondern eine Kurvenschar.
- Erst danach über KI und Cloud diskutieren.
Der vierte Punkt ist der unangenehmste und der wichtigste. Er kostet Geduld. Er bringt keine schnelle Präsentation vor der Geschäftsführung. Aber er entscheidet, ob das Ganze ein Werkzeug wird oder ein Dashboard, das nach zwei Jahren jemand abschaltet, weil es ständig Fehlalarme meldet.
Und ganz ehrlich: Wenn Sie das Gefühl haben, dass Ihre Mannschaft schon mit der heutigen Wartung ausgelastet ist, dann lösen Sie zuerst das Problem. Predictive maintenance obendrauf macht das nicht besser, sondern nur sichtbarer.
Was kostet der Einstieg realistisch?
Die Sensorik ist selten der Kostentreiber. Teuer werden drei Dinge: die Zeit, die jemand in die Datenaufbereitung steckt, die Integration in das bestehende Instandhaltungssystem, und die laufende Pflege des Modells. Ein Betrieb, den ich kenne, hat für Hardware weniger ausgegeben als für die interne Arbeitszeit im ersten Jahr. Das überrascht viele. Es sollte es nicht.
Wer diese drei Posten vorher durchrechnet, entscheidet besser, ob der Einstieg über den gesamten Maschinenpark sinnvoll ist oder über eine einzige kritische Anlage.
Was am Ende bleibt
Vorausschauende Instandhaltung ist kein Produkt, das man kauft und einschaltet. Sie ist eine Frage, die man vor jedem Projekt stellen muss: Welchen Ausfall wollen wir verhindern, und wie viel ist uns das wert? Wer diese Frage beantwortet, findet meist schnell einen pragmatischen Weg. Wer sie überspringt, sammelt Daten und nennt es Fortschritt.
Der beste Beweis für ein gelungenes Projekt ist übrigens nichts, was man in einem Bericht zeigen kann. Es ist der Anruf, der ausbleibt, weil die Maschine am Montagmorgen einfach läuft.
