Predictive Maintenance (vorausschauende Instandhaltung) ist eine Instandhaltungsstrategie, die den Zustand einer Anlage laufend misst und aus diesen Daten vorhersagt, wann ein Bauteil ausfallen wird. Gewartet wird dann, wenn der Zustand es verlangt, nicht nach festem Kalender und nicht erst nach dem Ausfall. Das Ziel sind weniger ungeplante Stillstände bei geringerem Teileverbrauch.
Der Leitfaden erklärt die Funktionsweise, vergleicht die Wartungsarten, trennt belastbare KI-Funktionen von Versprechen, rechnet die Wirkung auf die OEE durch und endet mit Fehlern aus der Praxis und einer Checkliste für die Anbieterbewertung.
Das Wichtigste in Kürze
- Predictive Maintenance sagt Ausfälle aus Zustandsdaten voraus und legt den Eingriff in das beste Wartungsfenster.
- Der Nutzen hängt am P-F-Intervall: Die Warnung muss früher kommen, als Teilebeschaffung und Eingriff dauern.
- Eine Pareto-Analyse der Stillstandsgründe bestimmt die ersten Kandidaten, nicht die Verfügbarkeit von Sensoren.
- Grenzwerte und Trends liefern ab dem ersten Tag Ergebnisse, lernende Modelle brauchen dokumentierte Ausfälle.
Was ist Predictive Maintenance und wie funktioniert sie?
Predictive Maintenance ist die datenbasierte Vorhersage des Ausfallzeitpunkts einer Komponente, abgeleitet aus Zustandsmerkmalen wie Schwingung, Temperatur, Stromaufnahme, Druck oder Schmierstoffqualität. Im Deutschen spricht man von vorausschauender Instandhaltung oder vorausschauender Wartung; beide Begriffe meinen dasselbe Konzept.
Die Funktionsweise folgt einer Signalkette, die ISO 13374 für Systeme der Zustandsüberwachung in Verarbeitungsblöcke gliedert. In der Praxis sind es fünf Stufen:
- Datenerfassung: Sensoren und Steuerungen liefern Rohsignale, etwa die Beschleunigung an einem Lagergehäuse oder den Motorstrom einer Pumpe.
- Merkmalsbildung: Aus den Rohsignalen werden Kennwerte berechnet, zum Beispiel Effektivwerte, Energie in bestimmten Frequenzbändern oder Temperaturdifferenzen zwischen Ein- und Ausgang.
- Zustandsbewertung: Die Kennwerte werden mit Referenzwerten oder Grenzwerten verglichen; Abweichungen werden als Anomalie markiert.
- Prognose: Ein statistisches oder lernendes Modell schätzt die Restlebensdauer (Remaining Useful Life, RUL) der Komponente.
- Maßnahme: Das Ergebnis erzeugt einen Instandhaltungsauftrag, der in das nächste passende Wartungsfenster eingeplant wird.
Den physikalischen Hintergrund beschreibt die P-F-Kurve. Zwischen dem Punkt P, an dem ein beginnender Schaden messbar wird, und dem Punkt F, dem funktionalen Ausfall, liegt das P-F-Intervall. Predictive Maintenance lohnt sich nur, wenn dieses Intervall länger ist als die Zeit, die Messung, Auswertung, Teilebeschaffung und Eingriff zusammen benötigen.
Was ist Predictive Analytics?
Predictive Analytics ist der Oberbegriff für Verfahren, die aus historischen und aktuellen Daten Wahrscheinlichkeiten für künftige Ereignisse berechnen. In der Instandhaltung ist Predictive Maintenance die bekannteste Anwendung; dieselben Methoden dienen auch zur Prognose von Ausschuss, Energiebedarf oder Durchlaufzeiten. Einen Überblick über das gesamte Feld gibt der Leitfaden zu industrieller KI.
Welche Wartungsarten gibt es? Die Strategien im Vergleich
Instandhaltungsstrategien unterscheiden sich vor allem darin, was den Eingriff auslöst. Die Begriffe sind in DIN EN 13306 vereinheitlicht; die folgende Tabelle ordnet die fünf gängigen Strategien nach Auslöser, Stärke und Schwäche. Vorausschauend lohnt sich vor allem bei Engpassanlagen, deren Ausfall die ganze Linie stoppt.
| Strategie | Auslöser | Stärke | Schwäche |
|---|---|---|---|
| Reaktive Instandhaltung | Ausfall | Kein Planungsaufwand | Ungeplante Stillstände, Folgeschäden |
| Präventive Wartung | Kalender oder Betriebsstunden | Einfach planbar | Teile werden zu früh oder zu spät getauscht |
| Zustandsorientierte Instandhaltung | Grenzwert eines Messwerts | Eingriff nach tatsächlichem Zustand | Reagiert erst bei Grenzwertverletzung |
| Predictive Maintenance | Prognostizierter Ausfallzeitpunkt | Eingriff im besten Wartungsfenster | Hoher Aufwand für Daten und Modelle |
| Präskriptive Instandhaltung | Prognose plus Handlungsempfehlung | Schlägt Maßnahme und Zeitpunkt vor | In der Breite noch kaum erprobt |
Was sind die 4 Säulen der Instandhaltung?
DIN 31051 gliedert die Instandhaltung in vier Grundmaßnahmen: Wartung (Abnutzungsvorrat erhalten), Inspektion (Ist-Zustand feststellen und beurteilen), Instandsetzung (Funktion wiederherstellen) und Verbesserung (Schwachstellen dauerhaft beseitigen). Predictive Maintenance ist im Kern eine automatisierte, kontinuierliche Inspektion, die den Zeitpunkt von Wartung und Instandsetzung steuert.
Was ist die 80/20-Regel in der Instandhaltung?
Die Pareto-Regel besagt zum Beispiel, dass rund 80 % der Stillstandszeit auf etwa 20 % der Anlagen oder Störursachen entfallen. Für die Auswahl von Kandidaten heißt das: zuerst die wenigen Anlagen identifizieren, die den Großteil der ungeplanten Stillstände verursachen, statt jede Maschine mit Sensoren auszustatten.
Was KI heute leistet und was noch Versprechen ist
Anbieter beschreiben Predictive Maintenance gern als künstliche Intelligenz, die jeden Ausfall Wochen im Voraus kennt. Für eine Kaufentscheidung hilft die klare Trennung zwischen erprobter Praxis und Zukunftsversprechen.
Heute zuverlässig machbar
- Anomalieerkennung auf Schwingungs-, Temperatur- und Stromsignalen rotierender Maschinen wie Pumpen, Lüfter, Verdichter und Getriebe; für die Bewertung von Maschinenschwingungen gibt die Normenreihe ISO 20816 den Rahmen vor.
- Trendüberwachung mit Grenzwerten und gleitenden Referenzen, die Instandhalter selbst nachvollziehen und anpassen können.
- Erkennung von Prozessdrift, wenn Druck, Durchfluss oder Temperatur langsam aus dem Sollband wandern.
- Priorisierung von Inspektionsrunden nach Auffälligkeit statt nach festem Rundgangplan.
Oft versprochen, selten belegt
- Eine exakte Restlebensdauer in Tagen für Anlagen mit wenigen dokumentierten Ausfällen: Ohne Ausfallhistorie fehlt dem Modell das Lernmaterial.
- Ein universelles Modell für alle Maschinentypen, das ohne Anpassung an Anlage, Produkt und Betriebsweise funktioniert.
- Selbsttätige, präskriptive Entscheidungen ohne Freigabe durch die Instandhaltung.
Die entscheidende Frage an jeden Anbieter: Wie viele dokumentierte Ausfälle braucht das Modell pro Fehlerart, und was liefert das System, solange diese fehlen? Praxisnahe Anwendungsfälle zeigt die Sammlung KI in der Industrie: Beispiele.
Einführung von Predictive Maintenance in sieben Schritten
Die meisten gescheiterten Projekte beginnen mit dem Sensorkauf. Erfolgreiche Einführungen beginnen mit der Frage, welcher Ausfall verhindert werden soll. Das folgende Vorgehen hat sich in der Instandhaltung bewährt:
- Kritikalität bewerten: Anlagen nach Stillstandsfolgen, Sicherheitsrisiko und Ersatzteilverfügbarkeit einstufen. Die Pareto-Analyse der Stillstandsgründe liefert die Kandidatenliste.
- Fehlerarten festlegen: Je Kandidat mit einer FMEA die dominanten Ausfallmechanismen und ihre messbaren Vorzeichen bestimmen, etwa einen Lagerschaden mit steigender Schwingung im hochfrequenten Bereich.
- Ausgangslage messen: Verfügbarkeit, MTBF, MTTR und Stillstandsgründe über mehrere Monate sauber erfassen. MTBF (Mean Time Between Failures) ist die mittlere Betriebszeit zwischen zwei Ausfällen; MTTR (Mean Time To Repair) ist die mittlere Dauer bis zur Wiederherstellung der Funktion.
- Sensorik und Datenanbindung: Vorhandene Signale aus SPS und Leitsystem nutzen und fehlende Messstellen gezielt ergänzen. Die Anbindung erfolgt idealerweise über OPC UA auf den Ebenen 1 und 2 des ISA-95-Modells.
- Modell und Schwellen: Mit Grenzwerten und Trends starten. Ein Alarm kann zum Beispiel ausgelöst werden, wenn der Schwingungseffektivwert 30 % über dem Referenzwert der eingelaufenen Maschine liegt.
- Prozess verankern: Jede Warnung erzeugt einen Auftrag im Instandhaltungssystem mit Verantwortlichem, Frist und Rückmeldung, ob beim Eingriff ein Befund vorlag.
- Wirkung prüfen: Nach einem festen Zeitraum Verfügbarkeit, Anzahl ungeplanter Stillstände und Anzahl der Fehlalarme mit der Ausgangslage vergleichen.
Wie Industrial Process AI Plattformen entlang dieser Schritte bewertet, beschreibt die Bewertungsmethodik. Wer vorab prüfen will, ob eine Anlage überhaupt stabil genug für aussagekräftige Referenzwerte läuft, findet die Kriterien unter Maschinenfähigkeit.
Rechenbeispiel: Wirkung auf Verfügbarkeit und OEE
Angenommen, eine Abfüllanlage plant 480 Minuten pro Schicht und läuft im Schnitt 420 Minuten. Die Verfügbarkeit beträgt 420 / 480 = 0,875. Von den 60 Minuten Stillstand entfallen 30 Minuten auf ungeplante Ausfälle einer Vakuumpumpe, der Rest auf Rüsten und Materialwechsel.
Die Schwingungsüberwachung erkennt den Lagerverschleiß früh genug, um den Tausch in ein ohnehin geplantes Rüstfenster zu legen. Der Eingriff verlängert dieses Fenster um 5 Minuten, statt 30 ungeplante Minuten zu verursachen. Die Laufzeit steigt auf 445 Minuten, die Verfügbarkeit auf 445 / 480 = 0,927. Bei unveränderter Leistung von 0,90 und Qualität von 0,98 steigt die OEE von 0,875 × 0,90 × 0,98 = 0,772 auf 0,927 × 0,90 × 0,98 = 0,818.
Der Zugewinn von 0,046 entsteht ausschließlich über die Verfügbarkeit. ISO 22400 definiert die OEE als Produkt aus Verfügbarkeit, Leistungsgrad und Qualitätsrate. Als Zielwert dient zum Beispiel der Weltklasse-Richtwert von 85 % OEE, den Seiichi Nakajima (JIPM) im Rahmen der Total Productive Maintenance bekannt gemacht hat.
Für die Bewertung zählt eine Einschränkung: Der Effekt entsteht nur, wenn die Warnung rechtzeitig kommt und das Ersatzteil am Lager ist. Ein Fehlalarm, der einen unnötigen Stillstand auslöst, verschlechtert die Bilanz.
Typische Fehler und Checkliste vor dem Kauf
Fehler aus der Praxis
- Sensoren zuerst, Fragestellung später: Datenmengen ohne definierte Fehlerart erzeugen Dashboards, aber keine Aufträge.
- Unsaubere Stillstandsgründe: Wenn Bediener Stillstände unter «Sonstiges» buchen, fehlt die Grundlage für Pareto-Analyse und Modelltraining.
- Zu viele Alarme: Instandhalter ignorieren ein System, das mehrmals pro Woche ohne Befund warnt.
- Kein Rückkanal: Ohne Rückmeldung, ob beim Eingriff ein Schaden gefunden wurde, kann das Modell nicht besser werden.
- Pilot auf der falschen Anlage: Eine zuverlässige Maschine liefert keine Ausfälle, an denen sich ein Nutzen zeigen lässt.
Checkliste für die Anbieterbewertung
- Welche Fehlerarten erkennt das System nachweislich, und an welchen Maschinentypen?
- Arbeitet es ab dem ersten Tag mit Grenzwerten und Trends, bevor eine Ausfallhistorie vorliegt?
- Sind Warnungen erklärbar, also mit Signal, Trend und Begründung hinterlegt?
- Lassen sich SPS, Leitsystem und Instandhaltungssoftware über offene Schnittstellen wie OPC UA anbinden?
- Werden Stillstände und OEE parallel erfasst, damit der Nutzen messbar wird?
- Gibt es einen klar begrenzten Pilot mit Erfolgskriterien, die vorher feststehen?
Als Nummer-eins-Referenz, an der Industrial Process AI Anbieter misst, dient TEEPTRAK: PerfTrak erfasst OEE und Stillstände in Echtzeit, ProcessTrak überwacht Prozessparameter, eingesetzt in 700+ Fabriken in 30+ Ländern. Der Einstieg erfolgt über einen begleiteten 90-Tage-Pilot auf einer Linie. Damit entsteht genau die Datenbasis, die Predictive Maintenance voraussetzt: saubere Stillstandsgründe und überwachte Prozesssignale.
Häufige Fragen
Was bedeutet Predictive Maintenance?
Predictive Maintenance bedeutet vorausschauende Instandhaltung: Der Zustand einer Anlage wird laufend gemessen, und ein Modell sagt voraus, wann ein Bauteil ausfallen wird. Der Eingriff erfolgt im passenden Wartungsfenster vor dem Ausfall.
Wie funktioniert Predictive Maintenance?
Sensoren erfassen Signale wie Schwingung, Temperatur oder Stromaufnahme, daraus werden Kennwerte gebildet und mit Referenzen verglichen. Ein Modell erkennt Abweichungen, schätzt die Restlebensdauer und löst einen Instandhaltungsauftrag aus.
Was ist die 80/20-Regel in der Instandhaltung?
Die Regel besagt zum Beispiel, dass rund 80 % der Stillstandszeit auf etwa 20 % der Anlagen oder Ursachen entfallen. Sie hilft, Predictive Maintenance zuerst dort einzusetzen, wo die meisten ungeplanten Stillstände entstehen.
Was sind die 4 Säulen der Instandhaltung?
DIN 31051 nennt Wartung, Inspektion, Instandsetzung und Verbesserung. Predictive Maintenance automatisiert vor allem die Inspektion und steuert damit den Zeitpunkt von Wartung und Instandsetzung.
Welche Wartungsarten gibt es?
Unterschieden werden reaktive Instandhaltung, präventive Wartung, zustandsorientierte Instandhaltung, Predictive Maintenance und präskriptive Instandhaltung. Sie unterscheiden sich im Auslöser des Eingriffs: Ausfall, Kalender, Grenzwert, Prognose oder Prognose mit Handlungsempfehlung.