Predictive Maintenance Fertigung ist eines der Themen, die in fast jedem Gespräch über Industrie 4.0 auftauchen. Die Idee klingt bestechend: Eine KI erkennt frühzeitig, 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 möchte in diesem Artikel ehrlich aufschlüsseln, was vorausschauende Wartung KI heute kann, wo die Grenzen liegen und wie man als Fertigungsbetrieb sinnvoll einsteigt.

Drei Arten der Wartung: Reaktiv, präventiv, prädiktiv

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

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

Präventive Wartung folgt festen Intervallen - alle 500 Betriebsstunden wird das Lager getauscht, alle drei Monate wird der Keilriemen geprüft. Das reduziert ungeplante Ausfälle, führt aber oft dazu, dass Teile getauscht werden, die noch monatelang laufen könnten. Oder umgekehrt: Das Intervall ist zu lang, und die Maschine fällt trotzdem aus.

Predictive Maintenance - also vorausschauende Wartung - nutzt Sensordaten und Maschinenwartung künstliche Intelligenz, um den tatsächlichen Zustand der Maschine zu überwachen. Statt nach Kalender zu warten, wartet man nach Bedarf. Das Ziel: Wartung genau dann, wenn sie nötig ist. Nicht zu früh, nicht zu spät.

Wie funktioniert das technisch?

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

Vibrationssensoren: Lager, Spindeln und rotierende Teile erzeugen Schwingungsmuster, die sich verändern, wenn Verschleiß einsetzt. Frequenzanalysen können spezifische Fehlermuster zuordnen - ein defektes Wälzlager hat ein anderes Schwingungsprofil als eine unwuchtige Welle.
Temperatursensoren: Übermäßige Erwärmung an Lagern, Motoren oder Getrieben ist oft ein Frühindikator. Schon ein langsamer Temperaturanstieg über Tage kann auf ein Problem hinweisen.
Stromaufnahme: Der Energieverbrauch eines Motors verändert sich, wenn die mechanische Last steigt - etwa durch erhöhte Reibung in einem verschlissenen Lager. Stromanalyse ist besonders praktisch, weil man keinen zusätzlichen Sensor braucht, sondern bestehende Daten aus dem Antriebsregler nutzen kann.
Akustische Sensoren: Ultraschallmikrofone können Leckagen in Druckluftsystemen oder frühe Lagerschäden erkennen, bevor sie in den hörbaren Bereich kommen.

Ein KI-Modell lernt aus historischen Daten, wie sich "normaler Betrieb" anhört und anfühlt. 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. Für ein funktionierendes Predictive-Maintenance-System braucht man:

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

In vielen österreichischen Fertigungsbetrieben sehe ich folgendes Bild: Die Maschinen haben SPS-Systeme, die Daten liefern könnten. Aber entweder werden die Daten nicht gespeichert, oder sie werden in Formaten abgelegt, die schwer zugänglich 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 Österreich unmöglich ist. Es bedeutet, dass der erste Schritt oft Datenerfassung ist, nicht Modelltraining.

Welche Maschinen profitieren am meisten?

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

Hohe Ausfallkosten: Wenn eine Maschine ausfällt 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 Anwendungsfälle. Bei diesen Bauteilen verändern sich Vibrations- und Temperaturmuster zuverlässig 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 läuft, 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 dafür nicht. Präventive Wartung nach Intervall ist für viele Bauteile völlig ausreichend.

Die Datensammelphase dauert. Bevor ein Modell zuverlässig funktioniert, braucht man Daten über mehrere Ausfallzyklen. Bei einem Lager, das im Schnitt zwei Jahre hält, bedeutet das: Man braucht Geduld. Es gibt keine Abkürzung.

Fehlalarme sind ein echtes Problem. Ein System, das ständig warnt, verliert schnell das Vertrauen der Instandhalter. Lieber ein konservativeres Modell, das seltener warnt, dafür zuverlässiger.

Kosten-Nutzen-Rechnung muss stimmen. Sensorik, Dateninfrastruktur, Modellentwicklung und laufende Pflege kosten Geld. Das muss sich durch vermiedene Ausfälle und längere 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 auswählen. Die Maschine mit den höchsten Ausfallkosten oder den häufigsten ungeplanten Stillständen. Nicht fünf 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 verändern sie sich unter verschiedenen Lasten? Dieses Grundverständnis ist die Basis für 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 übersteigt, gibt es eine Warnung. Das ist noch kein KI, aber es liefert sofort Mehrwert und hilft, die Datenqualität zu verstehen.

Schritt 5: Modell entwickeln. Erst wenn genügend Daten vorliegen - idealerweise mit dokumentierten Fehlerfällen - 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 österreichische Fertigungslandschaft hat einige Besonderheiten, die für Predictive Maintenance relevant sind:

Starker Mittelstand: Viele Betriebe haben 50 bis 500 Mitarbeiter. Groß genug, um relevante Maschinenparks zu haben, aber zu klein für eigene Data-Science-Abteilungen. Genau hier sehe ich den größten Hebel für externe Unterstützung.
Hohe Maschinenqualität: Österreichische und deutsche Werkzeugmaschinen sind oft gut gewartet und langlebig. Das bedeutet: Ausfälle sind seltener, aber wenn sie kommen, umso teurer und überraschender.
Fachkräftethema: Erfahrene Instandhalter gehen in Pension, und ihr Wissen geht mit. Predictive Maintenance kann einen Teil dieses impliziten Wissens in Daten und Modelle überführen. Das ersetzt keinen guten Instandhalter, aber es unterstützt weniger erfahrene Mitarbeiter.

Fazit

Vorausschauende Wartung mit KI ist kein Allheilmittel und kein Selbstläufer. Aber für 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