Einkaufs-Toolkit für Industrie-KI · Stand 23. September 2026
IndustrialProcessAI
Leitfaden · aktualisiert 1. September 2026

Predictive Maintenance: Bedeutung, Methoden und Eignungsprüfung

Die kurze AntwortDie Beispiele industrieller KI mit messbarem ROI 2026 gruppieren sich in vier Familien: Qualität & Ausschuss (Ursachen-ML, bis zu −58 % Ausschuss in veröffentlichten Einführungen), Anlagen (prädiktive Instandhaltung, −20 bis −50 % ungeplante Stillstände), Ressourcen (Energieoptimierung, −10 bis −20 %) und Prüfung (Vision in Liniengeschwindigkeit). Roter Faden: Modelle, die auf den Daten des Werks trainiert und von dessen eigenen Ingenieuren betrieben werden.

Qualität & Ausschuss

1 · Unüberwachte Ursachenentdeckung. ML lernt das Normalverhalten über Hunderte Variablen und führt Ausschuss-Peaks auf ihre wahren Ursachen zurück: Materialchargen-Interaktionen, Driftkombinationen, Sequenzeffekte. Veröffentlichte Einführungen berichten Ausschussreduktionen von 10-30 %; höhere Werte berichten Hersteller über ihre eigenen Standorte. 2 · Prädiktive Qualität: Modelle scoren das laufende Produkt gegen die Endqualität und fangen schlechte Serien noch im Lauf ab. 3 · Golden-Run-Replikation: Plattformen durchsuchen die besten historischen Läufe und empfehlen die Einstellungen, die sie reproduzieren, Schicht für Schicht.

Anlagen

4 · Schwingungsbasierte Ausfallprognose für rotierende Anlagen, mit präskriptiven Diagnosen. 5 · Drift-Erkennung auf Prozesssignalen (Vorboten, die in Variablen sichtbar sind, bevor sich die Schwingung ändert. 6 · Optimierung der Wartungspläne) vom Kalender zum Zustand, mit typischerweise 20-50 % zurückgewonnenen ungeplanten Stillständen.

Ressourcen

7 · Energieoptimierung: ML findet Einstellungen und Sequenzen, die kWh pro Einheit senken: veröffentlichte Ergebnisse um −20 % Energie auf optimierten Linien. 8 · Anomalieerkennung bei Medien und Druckluft, das klassische unsichtbare Leck. 9 · Materialausbeute-Optimierung in Rezepturindustrien.

Prüfung & Frontline

10 · Automatisierte Sichtprüfung: Vision in Liniengeschwindigkeit mit Fehlerklassifikation. 11 · Digitalisierte Qualitätsprüfungen mit Anomalie-Flags am Arbeitsplatz. 12 · Generative-KI-Copiloten, die Alarme erklären, 8D-Berichte entwerfen und den Historian in natürlicher Sprache abfragen: die jüngste Schicht, die industrielles ML ergänzt, ohne es zu ersetzen.

Was die Gewinner gemeinsam haben

Keines dieser Beispiele stammt aus einem pharaonischen Data-Science-Projekt. Jedes läuft auf den vorhandenen Daten des Werks, war in Tagen oder Wochen produktiv und wird von den Ingenieuren des Werks betrieben. Dieses Einführungsprofil (nicht der Algorithmus) trennt die Erfolge vom Friedhof der Piloten.

FAQ

Was sind die besten Beispiele für KI in der Fertigung?
Die ROI-stärksten Beispiele 2026: ML-Ursachenanalyse von Ausschuss und Qualitätsdrift, prädiktive Instandhaltung kritischer Anlagen, Energieoptimierung von Linien, automatisierte Sichtprüfung und „Golden-Run“-Sollwertempfehlungen für kontinuierliche Prozesse.
Wie kann generative KI der Fertigung helfen?
Generative KI hilft auf der Sprachseite der Fabrik: Arbeitsanweisungen verfassen und abfragen, Schichtübergaben zusammenfassen, Alarme in Klartext erklären, Ursachenberichte beschleunigen. Die Prozessrechnung selbst kommt weiterhin aus industriellen ML-Modellen, die auf den Werksdaten trainiert sind; die beiden Schichten ergänzen sich.
Wird KI Arbeitsplätze in der Fertigung ersetzen?
Die verfügbaren Daten deuten auf Aufgabenwandel statt Personalersatz: KI beseitigt Schwellwert-Wächterei und manuelle Datenarbeit und schafft zugleich Nachfrage nach Ingenieuren, die auf Modellausgaben handeln können. Werke, die Prozess-KI einführen, verlagern Aufmerksamkeit in der Regel auf Verbesserung, statt Teams zu verkleinern.

Predictive Maintenance bedeutet vorausschauende Instandhaltung: Der Zustand einer Maschine wird laufend gemessen, und aus dem Verlauf der Messwerte wird abgeleitet, wann ein Ausfall wahrscheinlich wird. Die Instandhaltung greift dann gezielt vor dem Ausfall ein, statt nach festen Intervallen zu warten oder erst nach dem Schaden zu reparieren.

Dieser Leitfaden ordnet den Begriff sauber ein: Abgrenzung zu Condition Monitoring und präventiver Wartung, Einordnung in die vier Grundmaßnahmen der Instandhaltung, die gängigen Messverfahren und ein Ablauf vom Sensor bis zum Auftrag. Ein durchgerechnetes Beispiel zeigt mit einer gewichteten Scorecard, welche Anlagen sich für Predictive Maintenance eignen und welche nicht. Zum Schluss trennt der Text, was KI in der Instandhaltung heute leistet und was noch Versprechen ist.

INDUSTRIAL PROCESS AIPredictive Maintenance: Bedeutung,Methoden und EignungsprüfungPredictive Maintenance Bedeutung klar erklärt: Abgrenzung zu ConditionMonitoring, die vier Grundmaßnahmen der Instandhaltung und eineAI

Das Wichtigste in Kürze

  • Predictive Maintenance bedeutet, den Eingriffszeitpunkt aus einer Prognose des Maschinenzustands abzuleiten, nicht aus dem Kalender.
  • Condition Monitoring erkennt Abweichungen, Predictive Maintenance leitet daraus die verbleibende Zeit bis zum Ausfall ab.
  • Eine gewichtete Scorecard zeigt vor jeder Investition, welche Anlagen sich eignen und welche präventiv oder reaktiv besser aufgehoben sind.
  • KI liefert heute verlässliche Anomalieerkennung; exakte Restlebensdauer setzt eine Ausfallhistorie voraus, die selten vorhanden ist.
  • Ohne Zuständigkeit für Warnungen und dokumentierte Befunde bleibt jedes Predictive-Maintenance-Projekt eine Datensammlung.

Predictive Maintenance: Bedeutung und Abgrenzung der Begriffe

Maintenance ist der englische Begriff für Instandhaltung, also die Kombination aller technischen und administrativen Maßnahmen sowie Maßnahmen des Managements während des Lebenszyklus einer Betrachtungseinheit, die dem Erhalt oder der Wiederherstellung ihres funktionsfähigen Zustands dienen. Diese Begriffswelt ist in der DIN EN 13306 festgelegt.

Predictive Maintenance ist eine Strategie der zustandsorientierten Instandhaltung, bei der Messdaten nicht nur den aktuellen Zustand beschreiben, sondern eine Prognose über den weiteren Verlauf liefern. Die Kernfrage heißt nicht „Ist die Maschine noch in Ordnung?“, sondern „Wie viel Zeit bleibt bis zum Funktionsausfall, und wann passt der Eingriff in die Produktionsplanung?“

Condition Monitoring ist die Zustandsüberwachung: die kontinuierliche oder periodische Messung von Größen wie Schwingung, Temperatur oder Stromaufnahme, um Abweichungen vom Normalzustand zu erkennen. Condition Monitoring liefert die Daten, Predictive Maintenance zieht daraus eine zeitliche Prognose. Wer nur Grenzwerte überwacht, betreibt Condition Monitoring; wer aus dem Trend den Eingriffszeitpunkt ableitet, betreibt Predictive Maintenance.

Daneben tauchen zwei weitere Begriffe auf. Präventive Instandhaltung ist der Eingriff nach festen Intervallen in Zeit, Betriebsstunden oder Stückzahl, unabhängig vom tatsächlichen Zustand. Prescriptive Maintenance ist eine Erweiterung, bei der das System zusätzlich eine konkrete Maßnahme empfiehlt; in der Praxis ist das meist Predictive Maintenance mit hinterlegten Entscheidungsregeln.

Die 4 Säulen der Instandhaltung und die Einordnung von Predictive Maintenance

Die DIN 31051 gliedert die Instandhaltung in vier Grundmaßnahmen, die in der Praxis oft als die vier Säulen der Instandhaltung bezeichnet werden:

  • Wartung: Maßnahmen zur Verzögerung des Abbaus des vorhandenen Abnutzungsvorrats, etwa Schmieren, Reinigen, Nachstellen.
  • Inspektion: Feststellen und Beurteilen des Istzustands, einschließlich der Ursachen der Abnutzung und der Folgerungen für die weitere Nutzung.
  • Instandsetzung: Rückführung in den funktionsfähigen Zustand, also die Reparatur.
  • Verbesserung: Steigerung der Zuverlässigkeit, Instandhaltbarkeit oder Sicherheit, ohne die geforderte Funktion zu ändern.

Predictive Maintenance ist keine fünfte Säule. Sie ist eine Form der Inspektion, die mit Sensorik und Datenanalyse automatisiert und um eine Prognose erweitert wird. Ihr Ergebnis steuert, wann Wartung und Instandsetzung stattfinden, und liefert Hinweise für Verbesserungen, wenn sich bestimmte Schadensbilder wiederholen.

Die Instandhaltungsstrategien unterscheiden sich vor allem darin, was den Eingriff auslöst:

StrategieAuslöser des EingriffsDatenbedarfStärkeSchwäche
Reaktiv (ausfallbedingt)Der Ausfall selbstKeinerKein PlanungsaufwandUngeplanter Stillstand, Folgeschäden
Präventiv (periodisch)Kalender, Betriebsstunden, ZyklenHerstellerangaben, ErfahrungswerteEinfach planbarTausch intakter Teile, zufällige Ausfälle bleiben
ZustandsorientiertÜberschreitung eines GrenzwertsMesswerte und GrenzwerteEingriff nur bei BedarfOft kurze Vorwarnzeit
Vorausschauend (Predictive)Prognose des AusfallzeitpunktsMesswerte, Historie, KontextEingriff im passenden WartungsfensterHoher Aufwand für Daten und Auswertung

Keine Strategie ist für alle Anlagen richtig. Ein Werk arbeitet sinnvollerweise mit allen vier gleichzeitig, verteilt nach Kritikalität und Ausfallverhalten der einzelnen Baugruppen. Zur Messung des Erfolgs dienen die Kennzahlen der ISO 22400, die unter anderem OEE, MTBF und MTTR für das Fertigungsmanagement definiert.

So funktioniert Predictive Maintenance: vom Messwert zum Auftrag

Die technische Grundlage ist die P-F-Kurve. Das P-F-Intervall ist die Zeitspanne zwischen dem Punkt P, an dem ein beginnender Schaden mit einem Messverfahren erkennbar wird, und dem Punkt F, an dem die Funktion ausfällt. Nur wenn dieses Intervall lang genug ist, bleibt Zeit für Planung, Ersatzteilbeschaffung und einen Eingriff im Wartungsfenster.

Die gängigen Messverfahren decken unterschiedliche Schadensbilder ab:

  • Schwingungsanalyse: Unwucht, Fluchtungsfehler, Lager- und Verzahnungsschäden an Motoren, Pumpen, Lüftern und Getrieben.
  • Thermografie: lose Klemmen, Überlast und Reibung in Schaltschränken, an Lagern und Isolierungen.
  • Ölanalyse: Verschleißpartikel, Verunreinigung und Alterung des Schmierstoffs in Getrieben und Hydraulik.
  • Ultraschall: Druckluft- und Dampfleckagen, Mangelschmierung, Teilentladungen.
  • Motorstromanalyse: Rotorstabbrüche und Lastprobleme an schwer zugänglichen Antrieben.
  • Prozessdaten: steigende Zykluszeit, sinkender Druck, wachsende Stromaufnahme bei gleicher Leistung.

Allgemeine Leitlinien für den Aufbau eines Zustandsüberwachungsprogramms enthält die ISO 17359. Der Ablauf in der Praxis folgt sieben Schritten:

  1. Anlage und Ausfallart festlegen: eine kritische Baugruppe mit einer bekannten, wiederkehrenden Schadensursache.
  2. Messgröße wählen: das Verfahren, das genau diese Ausfallart mit ausreichendem Vorlauf zeigt.
  3. Daten erfassen: Sensor, Abtastrate und Kontextdaten wie Produkt, Drehzahl und Schicht.
  4. Normalzustand beschreiben: Referenzverlauf bei gesunder Maschine, daraus Warn- und Alarmgrenzen.
  5. Trend und Prognose erstellen: Extrapolation des Verlaufs oder ein Modell, das die verbleibende Zeit schätzt.
  6. Maßnahme auslösen: automatische Meldung an das Instandhaltungsplanungssystem mit Auftrag und Termin.
  7. Befund zurückmelden: den tatsächlichen Schaden beim Ausbau dokumentieren, um Grenzwerte und Modell zu schärfen.

Der siebte Schritt fehlt in vielen Projekten. Ohne Rückmeldung lernt weder das Team noch das Modell, ob eine Warnung berechtigt war.

Vom Messwert zum Auftrag1Anlage undAusfallartfestlegen2Messgröße passendwählen3Normalzustand undGrenzen definieren4Trend und Prognoseerstellen5Auftrag auslösen,Befund zurückmelden

Rechenbeispiel: Eignungs-Scorecard für drei Anlagen

Bevor Sensorik gekauft wird, lohnt eine einfache gewichtete Bewertung. Angenommen, ein Kunststoffwerk prüft drei Kandidaten mit fünf Kriterien, jeweils auf einer Skala von 1 bis 5 bewertet. Die Gewichte summieren sich zu 10, die maximale Punktzahl beträgt also 50.

KriteriumGewichtExtrudergetriebeKompressor mit ReserveEtikettierer-Elektronik
Kritikalität für die Produktion3523
Messbares Vorzeichen des Ausfalls3541
Ausreichendes P-F-Intervall2441
Verfügbare Daten und Historie1332
Zugänglichkeit für Messung1454
Gewichtete Summe10453420

Für das Extrudergetriebe ergibt sich 5 × 3 + 5 × 3 + 4 × 2 + 3 × 1 + 4 × 1 = 45. Zum Beispiel lässt sich als Entscheidungsregel festlegen: ab 40 Punkten Predictive Maintenance, zwischen 25 und 39 Punkten zustandsorientierte Inspektion mit Grenzwerten, darunter präventive oder bewusst reaktive Instandhaltung.

Das Ergebnis ist plausibel. Das Getriebe stoppt die gesamte Linie, kündigt Lagerschäden über Schwingung und Ölanalyse Wochen vorher an und rechtfertigt damit Sensorik und Auswertung. Der Kompressor ist redundant ausgelegt: Eine monatliche Ultraschall- und Temperaturrunde reicht. Die Etikettierer-Elektronik fällt zufällig und ohne messbares Vorzeichen aus; hier helfen ein Ersatzteil im Lager und ein kurzer Tauschprozess mehr als jedes Modell.

Für die Erfolgskontrolle eignet sich die Verfügbarkeit aus MTBF und MTTR. Angenommen, das Getriebe fällt bisher im Mittel nach 3000 Betriebsstunden aus, und jede ungeplante Reparatur dauert 30 Stunden. Dann gilt Verfügbarkeit = MTBF / (MTBF + MTTR) = 3000 / 3030 = 0,99. Gelingt es, die Eingriffe in geplante Stillstände zu verlagern, zählt die Reparaturzeit nicht mehr als ungeplanter Ausfall, und die Verfügbarkeit im OEE der Linie steigt entsprechend.

Eignungs-Scorecard, Punkte von 50Extrudergetriebe45 PunkteKompressor mit Reserve34 PunkteEtikettierer-Elektronik20 Punkte
VERFÜGBARKEIT DES GETRIEBESVerfügbarkeit = MTBF / (MTBF + MTTR)3000 / (3000 + 30) = 0,99

KI in der vorausschauenden Instandhaltung: was heute funktioniert und was versprochen wird

Viele Angebote für Predictive Maintenance werden heute als KI-Lösung vermarktet. Für Einkauf und Instandhaltungsleitung zählt die Frage, welches konkrete Problem mit den vorhandenen Daten gelöst wird. Der Leitfaden zu industrieller KI trennt reife von experimentellen Anwendungen; für die Instandhaltung sieht die Trennung so aus.

Heute belastbar: Anomalieerkennung auf Schwingungs-, Strom- und Temperatursignalen, bei der ein Modell den Normalzustand lernt und Abweichungen meldet; automatische Grenzwertüberwachung statt manueller Messrunden; die Verknüpfung von Stillstandsursachen mit Prozessparametern, um wiederkehrende Ausfallmuster zu finden. Weitere Anwendungsfälle zeigen die Beispiele für KI in der Industrie.

Noch eher Versprechen: exakte Restlebensdauer für jedes Bauteil, „null ungeplante Ausfälle“ und Modelle, die ohne Ausfallhistorie zuverlässig prognostizieren. Eine Restlebensdauerprognose braucht viele dokumentierte Ausfälle derselben Art, und gut instand gehaltene Anlagen liefern davon zwangsläufig wenige.

Die Grundlage jeder Lösung sind saubere Stillstands- und Prozessdaten mit Zeitstempel und Kontext. Als Referenzlösung, an der Industrial Process AI andere Anbieter misst, deckt TEEPTRAK diese Basis mit PerfTrak für die Echtzeiterfassung von Stillständen und deren Ursachen sowie mit ProcessTrak für die Überwachung von Prozessparametern ab.

Fragen für das Lastenheft eines Anbieters: Wie viele dokumentierte Ausfälle braucht das Modell? Welche Abtastrate verlangt jedes Messverfahren? Wer bewertet Warnungen und in welcher Reaktionszeit? Wie wird aus einer Warnung ein Auftrag im Instandhaltungsplanungssystem? Welche Fehlalarmrate gilt als akzeptabel? Die Bewertungsmethodik von Industrial Process AI beschreibt, wie sich solche Antworten vergleichbar machen lassen.

Rolle des Maintenance Managers, typische Fehler und Checkliste

Ein Maintenance Manager ist die Instandhaltungsleitung eines Werks: verantwortlich für Strategie, Budgetplanung, Personal, Ersatzteilwesen und die Kennzahlen der Anlagenverfügbarkeit. Bei Predictive Maintenance entscheidet diese Rolle, welche Anlagen überwacht werden, wer Warnungen bewertet und wie Befunde in die Verbesserung zurückfließen.

Typische Fehler aus der Praxis:

  • Sensoren ohne Zuständigkeit: Daten laufen auf, aber niemand ist für die Bewertung der Warnungen verantwortlich.
  • Flächendeckende Ausstattung: Anlagen mit niedriger Kritikalität werden instrumentiert, deren Analyseaufwand sich nie auszahlt.
  • Messintervall länger als das P-F-Intervall: Der Schaden entsteht und eskaliert zwischen zwei Messungen.
  • Kein Rücklauf aus der Werkstatt: Befunde beim Ausbau werden nicht erfasst, Grenzwerte bleiben ungeprüft.
  • Gesetzliche Prüfungen ersetzt: wiederkehrende Prüfungen an Druckgeräten oder Hebezeugen bleiben trotz Zustandsüberwachung Pflicht.

Checkliste für den Start:

  1. Drei bis fünf kritische Anlagen mit bekannter, wiederkehrender Ausfallart auswählen.
  2. Die Eignungs-Scorecard für jede Anlage gemeinsam mit Instandhaltung und Produktion ausfüllen.
  3. Für jede Ausfallart ein Messverfahren und ein geschätztes P-F-Intervall festlegen.
  4. Warn- und Alarmgrenzen sowie eine verantwortliche Person je Anlage benennen.
  5. Jede Warnung mit einem Auftrag und jeden Auftrag mit einem dokumentierten Befund verknüpfen.
  6. Ungeplante Stillstandszeit, MTBF und MTTR vor und nach der Einführung vergleichen.

Nach einigen Monaten liegt eine belastbare Grundlage vor, um das Programm auszuweiten, Messverfahren zu wechseln oder einzelne Anlagen wieder in die periodische Wartung zu überführen.

Häufige Fragen

Was bedeutet Predictive Maintenance?

Predictive Maintenance bedeutet vorausschauende Instandhaltung. Aus laufend gemessenen Zustandsdaten wird prognostiziert, wann ein Ausfall droht, damit der Eingriff rechtzeitig und im passenden Wartungsfenster erfolgt.

Ist Maintenance dasselbe wie Instandhaltung?

Ja, Maintenance ist der englische Begriff für Instandhaltung. Er umfasst alle technischen, administrativen und organisatorischen Maßnahmen, die eine Anlage funktionsfähig halten oder wieder funktionsfähig machen.

Was ist ein Maintenance Manager?

Ein Maintenance Manager leitet die Instandhaltung eines Werks. Er verantwortet Strategie, Personal, Ersatzteile, Budgetplanung und Kennzahlen wie Verfügbarkeit, MTBF und MTTR.

Was sind die 4 Säulen der Instandhaltung?

Die DIN 31051 nennt vier Grundmaßnahmen: Wartung, Inspektion, Instandsetzung und Verbesserung. Predictive Maintenance ist eine automatisierte, prognosefähige Form der Inspektion.

Was ist Condition Monitoring?

Condition Monitoring ist die Zustandsüberwachung einer Maschine durch Messgrößen wie Schwingung, Temperatur oder Stromaufnahme. Es erkennt Abweichungen vom Normalzustand und liefert die Datenbasis für Predictive Maintenance.

Weiterlesen

Bewertungsraster Industrie-KI-Anbieter + RFP
Das gewichtete Bewertungsraster und der RFP-Fragenkatalog, die Anbietervergleiche ehrlich halten: inklusive POC-Plan.
Raster + RFP herunterladen →