Predictive Maintenance

Predictive Maintenance – zu Deutsch vorausschauende Instandhaltung – ist ein proaktiver Ansatz, bei dem vorhergesagt wird, wann Anlagen oder Maschinen wahrscheinlich ausfallen, damit die Wartung rechtzeitig geplant werden kann. Der Werkstattleiter entscheidet dann nicht mehr nach Kalender, sondern nach dem tatsächlichen Verschleißzustand, wann eine Maschine drankommt.

Technisch werden dafür laufend Zustandsdaten erfasst – etwa Schwingungen, Temperatur oder Leistungsaufnahme – und mit Methoden des maschinellen Lernens wie Support Vector Machines oder neuronalen Netzen auf Anomalien untersucht, um Fehler frühzeitig zu erkennen. Das unterscheidet Predictive Maintenance von reiner präventiver Wartung, die unabhängig vom tatsächlichen Zustand nach festen Intervallen erfolgt.

Für kleine und mittlere Unternehmen bestehen laut Fraunhofer FKIE vor allem zwei Hürden: hohe Investitionskosten sowie der Mangel an qualifiziertem Personal, das Modelle aufbaut und pflegt. Das erklärt, warum viele Betriebe trotz bekannter Vorteile noch zögern.

Eine vielzitierte McKinsey-Analyse beziffert die Reduktion von Maschinenstillständen durch Predictive Maintenance auf 30 bis 50 Prozent, bei gleichzeitig 20 bis 40 Prozent längerer Lebensdauer der Anlagen (zitiert in Grant Thornton, 2025). Zum Vergleich, aus derselben Analyse: Betriebe, die überwiegend reaktiv warten, verzeichnen 3,3-mal mehr Ausfallzeit und bis zu 16-mal mehr Fehler als Betriebe mit etablierter Wartungsstrategie. Solche Zahlen stammen aus Industrieprojekten und sind als Orientierungsgröße zu verstehen, nicht als Garantie für jeden Betrieb.

Für Betriebe bedeutet Predictive Maintenance vor allem: Wartungstermine richten sich nach dem tatsächlichen Maschinenzustand statt nach starrem Kalender. Ein drohender Lagerschaden oder eine Überhitzung wird früh genug erkannt, damit ein Techniker geplant statt im nächtlichen Notfall ausrückt. Ersatzteile lassen sich bedarfsgerecht bestellen, statt teuer auf Vorrat zu liegen.

Das Risiko kostspieliger Folgeschäden sinkt, weil ein Problem erkannt wird, bevor es weitere Bauteile beschädigt – etwa wenn ein defektes Lager eine ganze Welle zerstört. Wichtig für die Erwartungshaltung: Predictive Maintenance ersetzt keine Wartung, sondern verschiebt sie vom Kalender auf den tatsächlichen Bedarf. Bis die Prognosen verlässlich sind, braucht es saubere Daten, passende Sensorik und etwas Geduld.

Die Kosten hängen stark davon ab, wie viele Maschinen angebunden werden, ob bereits Sensoren verbaut sind und wie sauber die Bestandsdaten (frühere Ausfälle, Wartungsprotokolle) sind. Ein Pilot an wenigen kritischen Anlagen ist deutlich günstiger als die Ausstattung eines ganzen Maschinenparks. Als Einstieg bietet AI READY das erste KI-System zum Festpreis ab 3.500 € – Sensorik, Dateninfrastruktur und laufender Betrieb kommen je nach Umfang dazu.

Größere Einflussfaktoren sind Anzahl und Alter der Maschinen, Verfügbarkeit historischer Ausfalldaten sowie die Frage, ob eine Cloud- oder On-Premise-Lösung infrage kommt. Nach unserer Erfahrung lohnt sich ein kleiner Pilot an ein bis zwei kritischen Maschinen, bevor größere Summen in die Fläche investiert werden – so zeigt sich, ob die Prognosequalität für den jeweiligen Maschinentyp ausreicht.

Ein Betrieb für Metallbearbeitung mit 60 Mitarbeitenden betreibt zwölf CNC-Fräsmaschinen im Drei-Schicht-Betrieb. Bislang fiel regelmäßig nachts eine Maschine aus, weil ein Lagerschaden erst beim Totalausfall auffiel – mit Produktionsstopp bis zum nächsten Morgen. Nach Einbau von Vibrations- und Temperatursensoren an den vier kritischsten Maschinen und einem einfachen Prognosemodell bekommt die Instandhaltung heute eine Warnung, sobald sich ein Lagerschaden ankündigt – nach unserer Erfahrung oft schon Tage vorher. Wartung wandert in die reguläre Tagschicht, Ersatzteile sind rechtzeitig da, Nachtausfälle sind seltener geworden.