In der Halle · Instandhaltung
Predictive Maintenance mit KI für Produktionsbetriebe
Wartung nach Bedarf statt nach Kalender. Muster in den Sensordaten von Lagern, Spindeln und Getrieben weisen auf einen sich anbahnenden Fehler hin – Wartung genau dann, wenn sie nötig ist.
Woran es heute hakt
Wartung passiert meist zu früh oder zu spät. Wer wartet, bis die Maschine ausfällt, riskiert bei einer kritischen Anlage den Stillstand der gesamten Linie – teuer und riskant.
Feste Intervalle reduzieren ungeplante Ausfälle, tauschen aber oft Teile, die noch monatelang laufen könnten. Oder das Intervall ist zu lang, und die Maschine fällt trotzdem aus.
Die Maschinen haben SPS-Systeme, die Daten liefern könnten. Aber die Daten werden nicht gespeichert oder 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.
Erfahrene Instandhalter gehen in Pension, und ihr Wissen geht mit.
Reaktiv, präventiv, vorausschauend: die drei Arten der Instandhaltung
Um Predictive Maintenance einzuordnen, hilft der Vergleich mit den zwei gängigen Alternativen. Keine der drei ist immer richtig: Welche passt, hängt an der einzelnen Maschine.
Reaktiv: reparieren, wenn es kaputt ist
Man wartet, bis die Maschine ausfällt, und repariert dann. Bei unkritischen Anlagen ist das manchmal völlig in Ordnung. Steht beim Ausfall die ganze Linie, wird es teuer und riskant.
Präventiv: warten nach Intervall
Feste Intervalle, etwa ein Lagertausch nach einer bestimmten Zahl an Betriebsstunden. Das reduziert ungeplante Ausfälle, tauscht aber oft Teile, die noch lange laufen könnten – oder das Intervall ist zu lang.
Vorausschauend: warten nach Zustand
Sensordaten zeigen den tatsächlichen Zustand der Maschine. Gewartet wird nach Bedarf statt nach Kalender, also dann, wenn es nötig ist. Dafür braucht es Sensorik, Daten und etwas Geduld.
Wie Predictive Maintenance technisch funktioniert
Im Kern geht es darum, Muster in Sensordaten zu erkennen, die auf einen sich anbahnenden Fehler hinweisen. Ein KI-Modell lernt aus historischen Daten, wie sich normaler Betrieb anhört und anfühlt. Abweichungen von diesem Normalzustand werden erkannt und bewertet. Die Auswertung von Vibrations-, Akustik- und Temperaturdaten läuft mittels Edge AI.
Vibrationsdaten
Lager, Spindeln und rotierende Teile erzeugen Schwingungsmuster, die sich verändern, wenn Verschleiß einsetzt. Eine Frequenz-Analyse an CNC-Spindeln macht Lagerverschleiß sichtbar: Ein defektes Wälzlager hat ein anderes Schwingungsprofil als eine unwuchtige Welle.
Temperaturdaten
Übermäßige Erwärmung an Lagern, Motoren oder Getrieben ist oft ein Frühindikator. Schon ein langsamer Temperaturanstieg über Tage kann auf ein Problem hinweisen.
Stromaufnahme
Steigt die mechanische Last, etwa durch erhöhte Reibung in einem verschlissenen Lager, verändert sich der Energieverbrauch des Motors. Praktisch: Dafür braucht es keinen zusätzlichen Sensor, die Daten kommen aus dem Antriebsregler.
Akustische Daten
Ultraschallmikrofone erkennen Leckagen in Druckluftsystemen oder frühe Lagerschäden, bevor sie hörbar werden. In komplexen Getrieben hilft eine akustische Anomalie-Erkennung.
Anomalie-Erkennungs-Score
Das Modell bewertet laufend, wie weit der aktuelle Zustand vom Normalbetrieb abweicht. Überschreitet der Score eine Warnschwelle, gibt es eine Warnung, und die Instandhaltung kann die Wartung planen. Das kann ein einfaches Anomalie-Erkennungsmodell sein oder ein komplexeres, das spezifische Fehlermodi klassifiziert.
Welche Daten es braucht – und was meistens fehlt
Hier wird es in der Praxis oft schwierig. Das heißt nicht, dass Predictive Maintenance unmöglich ist. Es heißt, dass der erste Schritt oft Datenerfassung ist, nicht Modelltraining.
Kontinuierliche Sensordaten
Über einen längeren Zeitraum und 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. Steht im ERP nur „Reparatur", 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.
Welche Maschinen am meisten profitieren
Nicht jede Maschine rechtfertigt den Aufwand. Ich priorisiere nach drei Kriterien.
Hohe Ausfallkosten
Steht bei einem Ausfall die gesamte Linie, 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: Hier verändern sich Vibrations- und Temperaturmuster zuverlässig vor einem Ausfall. Statische Bauteile oder rein elektrische Fehler wie Kurzschluss oder Kabelbruch sind mit Sensorik schwerer vorherzusagen.
Ausreichende Laufzeit
Am besten funktioniert es bei Maschinen im Mehrschichtbetrieb, wo genug Daten anfallen und sich Verschleißmuster innerhalb von Wochen statt Jahren zeigen. Eine Maschine, die nur wenige Stunden pro Woche läuft, liefert zu wenig Daten.
Ehrliche Grenzen
Ich sage das bewusst deutlich, weil es in der Branche oft verschwiegen wird.
Nicht jede Maschine braucht es
Ist ein günstiges Lager in 20 Minuten getauscht, 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 es Daten über mehrere Ausfallzyklen. Bei einem Lager, das im Schnitt zwei Jahre hält, heißt das: 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.
Die 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.
Warum das Thema den Mittelstand betrifft
Die österreichische Fertigungslandschaft hat einige Besonderheiten, die für Predictive Maintenance relevant sind.
Starker Mittelstand
Viele Betriebe haben 50 bis 500 Mitarbeiter: groß genug für relevante Maschinenparks, 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. Ausfälle sind deshalb seltener, aber wenn sie kommen, umso teurer und überraschender.
Wissen der Instandhaltung sichern
Predictive Maintenance kann einen Teil des impliziten Wissens erfahrener Instandhalter in Daten und Modelle überführen. Das ersetzt keinen guten Instandhalter, aber es unterstützt weniger erfahrene Mitarbeiter.
Zwei Einstiegsstufen: Messkampagne oder Dauerüberwachung
Beide Stufen beginnen gleich: mit einem Pilot an einer Maschine, 2 bis 6 Wochen, ab 9.000 € netto plus Sensorik. Der Unterschied liegt darin, was nach dem Pilot mit Sensoren und Alarmen passiert.
Messkampagne: messen, auswerten, entscheiden
Die Sensoren erfassen über mehrere Wochen Schwingung und Temperatur. Daraus entstehen der Normalzustand, Schwellwerte und Anomalie-Alarme. Am Ende steht ein Ergebnis-Review mit Empfehlung: skalieren, iterieren oder stoppen.
Dauerüberwachung: die Baseline bleibt im Betrieb
Überzeugt der Pilot, bleiben Sensorik und Anomalie-Alarme an der Maschine und laufen in Ihrer Infrastruktur weiter, mit Monitoring, Wartung und Doku. Wartungsereignisse werden ab jetzt sauber dokumentiert. Erst mit genügend Daten und Fehlerfällen kommt ein lernendes Modell dazu.
Welche Stufe passt?
Wollen Sie zuerst wissen, ob Ihre Daten taugen und die Maschine überhaupt auffällig ist, reicht die Messkampagne. Ist die Maschine kritisch und die Instandhaltung will dauerhaft gewarnt werden, ist die Dauerüberwachung das Ziel. Was der Dauerbetrieb kostet, hängt von Maschinenzahl und Anbindung ab und lässt sich erst nach dem Pilot seriös beziffern.
Was keine der beiden Stufen ist
Kein Modell, das Ausfälle Wochen im Voraus vorhersagt. Beide Stufen liefern eine Baseline mit Anomalie-Alarmen: Sie zeigen, wann eine Maschine vom Normalzustand abweicht, nicht wann sie ausfällt.
Vor Ort in Tirol und Westösterreich
TyrolAI sitzt in Schwaz. Für Predictive Maintenance in Tirol und Westösterreich komme ich zu Ihnen an die Maschine. Außerhalb dieser Region läuft die Zusammenarbeit remote oder nach Vereinbarung.
Tirol
Von Schwaz und Innsbruck über das Unterland bis ins Oberland: Maschine auswählen, Messpunkte festlegen und den Pilot besprechen wir dort, wo die Maschine läuft.
Vorarlberg und Salzburg
Westösterreich gehört dazu. Auch dort arbeite ich vor Ort, Termine stimmen wir nach Absprache ab.
Restliches Österreich und DACH
Datenauswertung, Schwellwerte und Ergebnis-Review lassen sich remote erledigen. Wer die Sensorik an der Maschine montiert, klären wir im Erstgespräch.
So läuft es ab
Erstgespräch
Kostenlos · 30–45 Min
Wir klären Anlass, Ziel und Datenlage – und ob es überhaupt ein KI-Thema ist. Sie bekommen eine ehrliche Einschätzung und eine Empfehlung für den nächsten Schritt.
Potenzial-Workshop
1 Tag · Festpreis
Use-Cases priorisieren, Datenlage prüfen, Fahrplan festlegen. Für Predictive Maintenance heißt das: eine Maschine auswählen, die mit den höchsten Ausfallkosten oder den häufigsten ungeplanten Stillständen. Nicht fünf Maschinen, nicht die ganze Halle.
Pilot an einer Maschine
2–6 Wochen · ab 9.000 €
Sensoren an den kritischen Stellen anbringen, Daten kontinuierlich speichern, Wartungsereignisse sauber dokumentieren und den Normalzustand verstehen. Oft reicht als erster Schritt ein einfaches Schwellwert-Monitoring: Es liefert sofort Mehrwert und zeigt, wie gut die Daten sind. Der Pilot testet Ihren Use-Case im Betrieb, mit messbaren KPIs.
Modell & Betrieb
nach Pilot
Erst wenn genügend Daten vorliegen, idealerweise mit dokumentierten Fehlerfällen, kommt ein ML-Modell dazu. Danach Produktivbetrieb in Ihrer Infrastruktur, mit Monitoring, Wartung und Doku.
Preis
Typischer Rahmen je nach Umfang: 9.000 bis 25.000 €
Einstieg bei klar abgegrenztem Umfang: eine Maschine, 2 bis 6 Wochen. Im Pilot entsteht eine Baseline mit Anomalie-Alarmen, kein Modell, das Ausfälle Wochen vorher vorhersagt.
Alle Preise netto, zzgl. USt.
- Zuzüglich Sensorik, Richtwert 1.700 bis 2.500 €: Schwingungs- und Temperatursensoren plus Gateway für eine Maschine.
Was im Preis enthalten ist
- Auswahl von Maschine und Sensorik
- Datenerfassung über mehrere Wochen
- Normalzustand und Schwellwerte festlegen
- Anomalie-Alarme einrichten
- Ergebnis-Review mit Empfehlung
Was den Preis nach oben treibt
- Mehrere Maschinen
- Anbindung von SPS- oder Steuerungsdaten
- Fehlende Historie oder Ausfalldokumentation
- Ein lernendes Modell nach dem Piloten
Häufige Fragen
Weiterlesen
- Predictive Maintenance in der Fertigung: Was KI wirklich leisten kann
- OPC-UA und KI: So sprechen Maschinen mit Algorithmen
- KI-Potenzial-Workshop: Welcher Anwendungsfall lohnt sich zuerst?
- KI-Qualitätskontrolle mit Computer Vision
- KI-Wissensdatenbank: Wartungshandbücher per Frage finden
- Erstgespräch anfragen
Starten wir mit einem Erstgespräch
Das Erstgespräch ist kostenlos. Wir klären Anlass, Ziel und Datenlage – und ob es überhaupt ein KI-Thema ist.
Erstgespräch buchen