Predictive Maintenance Fertigung ist eines der Themen, die in fast jedem Gespraech ueber Industrie 4.0 auftauchen. Die Idee klingt bestechend: Eine KI erkennt fruehzeitig, wann eine Maschine ausfallen wird, und man wartet sie genau zum richtigen Zeitpunkt. In der Praxis ist es etwas komplizierter - aber bei der richtigen Anwendung funktioniert es.

Ich moechte in diesem Artikel ehrlich aufschluesseln, was vorausschauende Wartung KI heute kann, wo die Grenzen liegen und wie man als Fertigungsbetrieb sinnvoll einsteigt.

Drei Arten der Wartung: Reaktiv, praeventiv, praediktiv

Um Predictive Maintenance richtig einzuordnen, hilft ein Vergleich mit den zwei gaengigen Alternativen.

Reaktive Wartung bedeutet: Man wartet, bis die Maschine ausfaellt, und repariert dann. Das ist bei unkritischen Anlagen manchmal voellig in Ordnung. Bei einer Maschine, deren Ausfall die gesamte Produktionslinie stoppt, ist es teuer und riskant.

Praeventive Wartung folgt festen Intervallen - alle 500 Betriebsstunden wird das Lager getauscht, alle drei Monate wird der Keilriemen geprueft. Das reduziert ungeplante Ausfaelle, fuehrt aber oft dazu, dass Teile getauscht werden, die noch monatelang laufen koennten. Oder umgekehrt: Das Intervall ist zu lang, und die Maschine faellt trotzdem aus.

Predictive Maintenance - also vorausschauende Wartung - nutzt Sensordaten und Maschinenwartung kuenstliche Intelligenz, um den tatsaechlichen Zustand der Maschine zu ueberwachen. Statt nach Kalender zu warten, wartet man nach Bedarf. Das Ziel: Wartung genau dann, wenn sie noetig ist. Nicht zu frueh, nicht zu spaet.

Wie funktioniert das technisch?

Im Kern geht es darum, Muster in Sensordaten zu erkennen, die auf einen sich anbahnenden Fehler hinweisen. Die gaengigsten Datenquellen:

Vibrationssensoren: Lager, Spindeln und rotierende Teile erzeugen Schwingungsmuster, die sich veraendern, wenn Verschleiss einsetzt. Frequenzanalysen koennen spezifische Fehlermuster zuordnen - ein defektes Waelzlager hat ein anderes Schwingungsprofil als eine unwuchtige Welle.
Temperatursensoren: Uebermaessige Erwaermung an Lagern, Motoren oder Getrieben ist oft ein Fruehindikator. Schon ein langsamer Temperaturanstieg ueber Tage kann auf ein Problem hinweisen.
Stromaufnahme: Der Energieverbrauch eines Motors veraendert sich, wenn die mechanische Last steigt - etwa durch erhoehte Reibung in einem verschlissenen Lager. Stromanalyse ist besonders praktisch, weil man keinen zusaetzlichen Sensor braucht, sondern bestehende Daten aus dem Antriebsregler nutzen kann.
Akustische Sensoren: Ultraschallmikrofone koennen Leckagen in Druckluftsystemen oder fruehe Lagerschaeden erkennen, bevor sie in den hoerbaren Bereich kommen.

Ein KI-Modell lernt aus historischen Daten, wie sich "normaler Betrieb" anhoert und anfuehlt. Abweichungen von diesem Normalzustand werden erkannt und bewertet. Das kann ein einfaches Anomalie-Erkennungsmodell sein oder ein komplexeres Modell, das spezifische Fehlermodi klassifiziert.

Welche Daten braucht man - und was fehlt meistens

Hier wird es in der Praxis oft schwierig. Fuer ein funktionierendes Predictive-Maintenance-System braucht man:

Kontinuierliche Sensordaten ueber einen laengeren Zeitraum, idealerweise mit ausreichender Abtastrate. Vibrationsdaten, die nur einmal pro Minute erfasst werden, sind fuer Frequenzanalysen nutzlos.
Fehlerdokumentation: Das Modell muss wissen, wann tatsaechlich ein Schaden aufgetreten ist. Wenn Wartungsereignisse nur als "Reparatur" im ERP stehen, ohne Details zum Fehlerbild, fehlt dem Modell die Grundlage.
Betriebskontext: Laeuft die Maschine gerade unter Volllast oder im Leerlauf? Welches Material wird bearbeitet? Ohne diesen Kontext produziert das Modell Fehlalarme.

In vielen oesterreichischen Fertigungsbetrieben sehe ich folgendes Bild: Die Maschinen haben SPS-Systeme, die Daten liefern koennten. Aber entweder werden die Daten nicht gespeichert, oder sie werden in Formaten abgelegt, die schwer zugaenglich sind. Wartungsereignisse stehen im Kopf des Instandhalters oder auf einem Zettel am Schwarzen Brett, nicht in einer strukturierten Datenbank.

Das bedeutet nicht, dass Predictive Maintenance Oesterreich unmoeglich ist. Es bedeutet, dass der erste Schritt oft Datenerfassung ist, nicht Modelltraining.

Welche Maschinen profitieren am meisten?

Nicht jede Maschine rechtfertigt den Aufwand fuer vorausschauende Wartung. Ich empfehle, nach drei Kriterien zu priorisieren:

Hohe Ausfallkosten: Wenn eine Maschine ausfaellt und die gesamte Linie steht, lohnt sich Predictive Maintenance fast immer. Eine Hilfsmaschine, die innerhalb einer Stunde ersetzt werden kann, braucht es wahrscheinlich nicht.

Rotierende oder mechanisch belastete Komponenten: Lager, Spindeln, Pumpen, Kompressoren, Getriebe - das sind die klassischen Anwendungsfaelle. Bei diesen Bauteilen veraendern sich Vibrations- und Temperaturmuster zuverlaessig vor einem Ausfall. Statische Bauteile oder rein elektrische Fehler (Kurzschluss, Kabelbruch) sind mit Sensorik schwerer vorherzusagen.

Ausreichende Laufzeit: Eine Maschine, die nur wenige Stunden pro Woche laeuft, liefert zu wenig Daten. Predictive Maintenance funktioniert am besten bei Maschinen im Mehrschichtbetrieb, wo genug Daten anfallen und sich Verschleissmuster innerhalb von Wochen statt Jahren zeigen.

Ehrliche Grenzen

Ich sage das bewusst deutlich, weil es in der Branche oft verschwiegen wird:

Nicht jede Maschine braucht Predictive Maintenance. Wenn ein Lager 15 Euro kostet und in 20 Minuten getauscht ist, lohnt sich ein Sensorsystem dafuer nicht. Praeventive Wartung nach Intervall ist fuer viele Bauteile voellig ausreichend.

Die Datensammelphase dauert. Bevor ein Modell zuverlaessig funktioniert, braucht man Daten ueber mehrere Ausfallzyklen. Bei einem Lager, das im Schnitt zwei Jahre haelt, bedeutet das: Man braucht Geduld. Es gibt keine Abkuerzung.

Fehlalarme sind ein echtes Problem. Ein System, das staendig warnt, verliert schnell das Vertrauen der Instandhalter. Lieber ein konservativeres Modell, das seltener warnt, dafuer zuverlaessiger.

Kosten-Nutzen-Rechnung muss stimmen. Sensorik, Dateninfrastruktur, Modellentwicklung und laufende Pflege kosten Geld. Das muss sich durch vermiedene Ausfaelle und laengere Komponentenlebensdauer rechnen. Bei kleinen Anlagen mit geringen Ausfallkosten geht die Rechnung oft nicht auf.

Wie man als Fertigungsbetrieb sinnvoll einsteigt

Mein Rat basiert auf dem, was ich in der Praxis sehe, nicht auf Theorie:

Schritt 1: Eine Maschine auswaehlen. Die Maschine mit den hoechsten Ausfallkosten oder den haeufigsten ungeplanten Stillstaenden. Nicht fuenf Maschinen, nicht die ganze Halle. Eine.

Schritt 2: Daten erfassen. Vibrationssensoren oder Temperatursensoren an den kritischen Stellen anbringen. Daten kontinuierlich speichern. Gleichzeitig anfangen, Wartungsereignisse sauber zu dokumentieren: Was wurde wann warum getauscht?

Schritt 3: Normalzustand verstehen. Bevor man Fehler vorhersagt, muss man den normalen Betrieb kennen. Wie sehen die Vibrationsdaten bei einer gesunden Maschine aus? Wie veraendern sie sich unter verschiedenen Lasten? Dieses Grundverstaendnis ist die Basis fuer jedes Modell.

Schritt 4: Einfach anfangen. Oft reicht ein einfaches Schwellwert-Monitoring als erster Schritt, bevor man Machine-Learning-Modelle einsetzt. Wenn die Vibrationsenergie einen bestimmten Wert uebersteigt, gibt es eine Warnung. Das ist noch kein KI, aber es liefert sofort Mehrwert und hilft, die Datenqualitaet zu verstehen.

Schritt 5: Modell entwickeln. Erst wenn genuegend Daten vorliegen - idealerweise mit dokumentierten Fehlerfaellen - trainiert man ein ML-Modell. Das muss kein Deep-Learning-Monster sein. Oft funktionieren klassische Verfahren wie Isolation Forests oder einfache Regressionsmodelle sehr gut.

Der DACH-Kontext

Die oesterreichische Fertigungslandschaft hat einige Besonderheiten, die fuer Predictive Maintenance relevant sind:

Starker Mittelstand: Viele Betriebe haben 50 bis 500 Mitarbeiter. Gross genug, um relevante Maschinenparks zu haben, aber zu klein fuer eigene Data-Science-Abteilungen. Genau hier sehe ich den groessten Hebel fuer externe Unterstuetzung.
Hohe Maschinenqualitaet: Oesterreichische und deutsche Werkzeugmaschinen sind oft gut gewartet und langlebig. Das bedeutet: Ausfaelle sind seltener, aber wenn sie kommen, umso teurer und ueberraschender.
Fachkraeftethema: Erfahrene Instandhalter gehen in Pension, und ihr Wissen geht mit. Predictive Maintenance kann einen Teil dieses impliziten Wissens in Daten und Modelle ueberfuehren. Das ersetzt keinen guten Instandhalter, aber es unterstuetzt weniger erfahrene Mitarbeiter.

Fazit

Vorausschauende Wartung mit KI ist kein Allheilmittel und kein Selbstlaeufer. Aber fuer die richtigen Maschinen, mit den richtigen Daten und realistischen Erwartungen, ist es ein Werkzeug, das echten Wert schafft.

Der wichtigste Schritt ist nicht das KI-Modell. Es ist die Entscheidung, bei einer Maschine anzufangen, Daten sauber zu erfassen und Wartungsereignisse zu dokumentieren. Alles andere baut darauf auf.

Predictive Maintenance in der Fertigung: Was KI wirklich leisten kann