Eine unerwartet stillstehende Maschine kostet im Mittelstand nicht nur Reparatur, sondern vor allem Produktionsausfall, Terminverzug und Nachtschichten zum Aufholen. Predictive Maintenance, auf Deutsch vorausschauende oder zustandsbasierte Wartung, verspricht, solche Ausfälle zu erkennen, bevor sie eintreten. Dieser Beitrag ordnet ein, was dahintersteckt, wann sich der Aufwand lohnt und wo die realistischen Grenzen liegen.
Drei Wartungsstrategien im Vergleich
Predictive Maintenance versteht man am besten in Abgrenzung zu den beiden klassischen Ansätzen:
- Reaktiv (Ausfallwartung): Repariert wird erst, wenn etwas kaputt ist. Günstig in der Vorbereitung, teuer im Ernstfall, der Stillstand kommt ungeplant.
- Präventiv (intervallbasiert): Wartung nach festem Plan, etwa alle 3.000 Betriebsstunden. Sicher, aber oft zu früh (funktionierende Teile werden getauscht) oder zu spät (Ausfall vor dem Intervall).
- Prädiktiv (zustandsbasiert): Der tatsächliche Zustand wird laufend gemessen, ein Modell prognostiziert die verbleibende Nutzungsdauer. Gewartet wird genau dann, wenn es nötig ist.
Predictive Maintenance ist damit kein Ersatz für jede Wartung, sondern eine Verfeinerung: weg vom starren Kalender, hin zum realen Verschleiß.
Wie Predictive Maintenance technisch funktioniert
Der Ablauf besteht aus zwei Bausteinen, die aufeinander aufbauen:
1. Condition Monitoring, Zustand messen
Sensoren erfassen fortlaufend Messgrößen, die auf beginnenden Verschleiß hindeuten. Typisch sind:
- Vibration/Schwingung, der wichtigste Indikator bei Lagern, Motoren, Pumpen und Getrieben
- Temperatur, auffällige Erwärmung an Lagern, Antrieben oder Elektronik
- Strom- und Leistungsaufnahme, veränderte Aufnahme deutet auf mechanische Probleme hin
- Öl- und Schmierstoffanalyse, Partikel oder Verunreinigungen zeigen Abrieb
- Akustik/Ultraschall, Geräuschmuster, die für das menschliche Ohr zu leise sind
Schon dieser erste Schritt bringt Nutzen: Wer den Zustand kontinuierlich sieht, erkennt Abweichungen früher als beim manuellen Rundgang.
2. Prognose, Ausfall vorhersagen
Aus den Rohdaten wird erst dann eine Vorhersage, wenn ein Modell gelernt hat, welche Muster einem Ausfall vorausgehen. Ein KI- oder Machine-Learning-Modell erkennt Anomalien („dieses Schwingungsbild ist untypisch“) und schätzt idealerweise die Restlebensdauer eines Bauteils. So entsteht Vorlauf, um ein Wartungsfenster einzuplanen und Ersatzteile rechtzeitig zu bestellen.
Voraussetzungen: ohne Daten keine Prognose
Der ehrlichste Punkt zuerst: Predictive Maintenance ist kein Produkt, das man einschaltet. Es braucht eine Datengrundlage. Wichtige Voraussetzungen im Mittelstand:
- Sensorik, moderne Anlagen liefern Daten oft schon, ältere lassen sich per Retrofit mit Sensoren nachrüsten.
- Datenerfassung und -weiterleitung, über Maschinensteuerung (SPS), IoT-Gateways oder Edge-Geräte müssen die Werte zusammenlaufen; das berührt die Verbindung von Produktions- (OT) und IT-Welt.
- Historische Daten und dokumentierte Ausfälle, ein Modell lernt aus vergangenen Störungen. Wo keine Historie existiert, gibt es einen „Kaltstart“: zuerst über Monate Zustandsdaten sammeln, dann prognostizieren.
Deshalb ist der pragmatische Einstieg fast immer, mit reinem Condition Monitoring zu beginnen und die Prognose erst aufzusetzen, wenn genug Daten vorliegen.
Welcher Nutzen realistisch ist
Seriös lässt sich der Nutzen nur qualitativ und größenordnungsmäßig beschreiben, konkrete Prozentwerte hängen stark von Anlage, Kritikalität und Ausgangslage ab. Typische Effekte:
- Weniger ungeplante Stillstände, weil sich anbahnende Defekte früher sichtbar werden
- Planbare Wartungsfenster statt Notfalleinsätzen mit teuren Express-Ersatzteilen
- Bessere Ersatzteil-Disposition, Teile werden bedarfsgerecht bevorratet
- Potenziell längere Lebensdauer der Anlage, weil Schäden nicht eskalieren
- Kein unnötiger Tausch funktionierender Komponenten wie bei starren Intervallen
Ob sich das rechnet, entscheidet vor allem eine Frage: Was kostet eine Stunde Stillstand dieser Maschine? Bei einer unkritischen Nebenmaschine wenig, bei einer Engpassanlage in der Fertigung schnell sehr viel.
Grenzen und typische Irrtümer
Predictive Maintenance ist kein Selbstläufer. Wichtige Einschränkungen:
- Nicht jede Maschine lohnt sich. Der Aufwand rechnet sich zuerst bei kritischen, teuren oder engpassbildenden Anlagen mit hohen Stillstandskosten.
- Fehlalarme kosten Vertrauen. Ein Modell, das zu oft warnt, wird ignoriert; eines, das zu selten warnt, ist wertlos. Das Feintuning braucht Zeit.
- Modelle brauchen Pflege. Ändern sich Produkt, Material oder Betriebspunkt, muss das Modell nachgeführt werden.
- Nicht jeder Ausfall ist vorhersehbar. Plötzliche Defekte durch Fremdeinwirkung oder Bedienfehler kündigen sich nicht in Sensordaten an.
Pragmatischer Einstieg für KMU
Statt gleich den ganzen Maschinenpark zu vernetzen, empfiehlt sich ein fokussierter Pilot:
- Die eine Engpass- oder kritische Maschine wählen, deren Ausfall am meisten weh tut.
- Mit Condition Monitoring starten: Sensoren nachrüsten, Werte sichtbar machen, Schwellwerte für Alarme definieren.
- Ausfälle und Wartungen sauber dokumentieren, das ist der Rohstoff für spätere Prognosen.
- Erst nach belastbarer Datenbasis das Prognosemodell ergänzen und den Nutzen am realen Fall bewerten.
So bleibt das Risiko überschaubar, und der Wert lässt sich an einem konkreten Beispiel messen, bevor breiter investiert wird.
Fazit
Predictive Maintenance kann im Mittelstand ungeplante Stillstände deutlich reduzieren und Wartung planbar machen, vorausgesetzt, es gibt Sensordaten, eine Historie und eine Anlage, deren Ausfall teuer genug ist. Der Weg führt über Condition Monitoring zur Prognose, nicht umgekehrt. Wer klein und an der richtigen Maschine startet, findet schnell heraus, ob sich der Aufwand für den eigenen Betrieb lohnt.
Sie überlegen, ob und wie sich vorausschauende Wartung oder eine passende Datenauswertung in Ihrem Betrieb umsetzen lässt? In einem unverbindlichen Erstgespräch prüfen wir Ihren konkreten Anwendungsfall und einen realistischen ersten Schritt.
Auch nützlich: Absatzprognose mit KI: Bedarf im Mittelstand besser planen