PRÄDIKTIVE WARTUNG
Ausfälle erkennen, bevor sie passieren.
Erfahren Sie, wann sich prädiktive Wartung lohnt, welche Daten Sie dafür brauchen und wie Sie ungeplante Stillstände reduzieren.
auf
PRÄDIKTIVE WARTUNG
Wann sich der Sprung zur Prognose lohnt
01. September 2026Prädiktive Wartung gilt als höchste Stufe der Instandhaltung.
In der Praxis scheitern viele Projekte allerdings nicht an der Technik, sondern an einer schlichten Lücke: Es fehlen die Daten, aus denen ein Modell überhaupt lernen könnte.
Dieser Beitrag zeigt, was prädiktive Wartung von der reinen Zustandsüberwachung unterscheidet, welche Datenbasis Sie brauchen und an welchen Kriterien Sie erkennen, ob sich der Aufwand für Ihre Anlagen rechnet.
30 - 50%
weniger Maschinenstillstände (McKinsey, 2017)
20 - 40%
längere Lebensdauer der Anlagen (McKinsey, 2017)
Prognose statt Grenzwert:
Ausfälle vorhersagen und gezielt planen.
Entscheidend ist eine belastbare Datenhistorie
mit dokumentierten Ausfällen
PROGNOSE STATT GRENZWERT
Entscheidend ist, was die Wartung anstößt
Zustandabhängige Wartung
Eine zustandsabhängige Wartung greift, sobald eine Messgröße eine definierte Schwelle überschreitet.
Die Schädigung ist zu diesem Zeitpunkt bereits eingetreten, sie wird nur rechtzeitig bemerkt.
Prädiktive Wartung
Prädiktive Wartung setzt früher an. Sie extrapoliert den Verlauf mehrerer Messgrößen über die Zeit und schätzt daraus, wie lange die Anlage voraussichtlich noch fehlerfrei läuft. Der Fachbegriff dafür lautet Restnutzungsdauer, englisch Remaining Useful Life. Der Auslöser ist damit keine überschrittene Schwelle, sondern eine Prognose mit Zeitangabe.
Praktisch bedeutet das einen Planungsvorsprung. Eine Grenzwertmeldung erzwingt eine kurzfristige Reaktion. Eine Prognose, die einen Ausfall in vier bis sechs Wochen erwartet, lässt sich in die Schichtplanung, die Ersatzteilbeschaffung und den nächsten geplanten Stillstand einbauen.
Welche Daten ein Prognosemodell braucht
Ausfälle müssen dokumentiert sein
Ein Modell lernt aus der Vergangenheit. Es braucht Zeitreihen aus dem Normalbetrieb und dazu Zeitpunkte, an denen tatsächlich etwas ausgefallen ist. Genau diese Ausfalldokumentation fehlt in vielen Betrieben, weil Störungen zwar behoben, aber nicht strukturiert erfasst wurden.
Ein häufiges Missverständnis: Wer besonders zuverlässig wartet, hat wenige Ausfälle und damit wenige Trainingsdaten. Für den ersten Anlauf sind deshalb Anlagen mit einer nachvollziehbaren Störungshistorie besser geeignet als die Anlage, die seit Jahren problemlos läuft.
Datenqualität schlägt Datenmenge
Entscheidend ist nicht die Zahl der Sensoren, sondern die Verknüpfbarkeit der Daten. Ein Schwingungswert ist nur dann aussagekräftig, wenn bekannt ist, welches Produkt zu diesem Zeitpunkt gelaufen ist, in welcher Schicht, mit welchen Prozessparametern und ob kurz zuvor ein Werkzeugwechsel stattgefunden hat.
Diese Kontextdaten entstehen im Fertigungsprozess selbst, nicht am Sensor. Wenn Auftragsdaten, Prozessparameter und Störungsmeldungen bereits digital und zeitgenau erfasst werden, ist die halbe Vorarbeit erledigt. Einen Überblick über die dafür nötige Datenbasis gibt unsere Lösungsseite Daten und Auswertungen.
Wann sich der Aufwand rechnet
Prädiktive Wartung lohnt sich nicht flächendeckend. Sinnvoll ist eine Bewertung je Anlage anhand von vier Kriterien.
| Kriterium | Spricht für eine Prognose | Spricht dagegen |
|---|---|---|
| Ausfallkosten | Stillstand stoppt die Linie oder verdirbt Chargen | Nebenaggregat mit Redundanz |
| Ausfallverhalten | Verschleiß kündigt sich über Wochen an | Plötzlicher Bruch ohne Vorlauf |
| Datenhistorie | Mehrere dokumentierte Ausfälle vorhanden | Keine strukturierte Störungserfassung |
| Anlagenanzahl | Mehrere baugleiche Maschinen im Betrieb | Einzelstück ohne Vergleichsdaten |
Der vierte Punkt wird oft unterschätzt. Bei baugleichen Anlagen lässt sich ein Modell über den gesamten Maschinenpark trainieren. Aus fünf Maschinen mit je zwei dokumentierten Ausfällen werden zehn Lernfälle statt zwei.
Fällt die Bewertung in die andere Richtung aus, ist die passende Antwort nicht zwingend eine schwächere Prognose, sondern eine andere Strategie. Für unkritische Nebenaggregate kann die störungsbedingte Instandhaltung wirtschaftlich die richtige Wahl sein.
Die von McKinsey genannten 30 bis 50 Prozent weniger Stillstandszeit beziehen sich auf Anlagen, bei denen diese Voraussetzungen erfüllt sind. Als pauschale Erwartung für den gesamten Maschinenpark taugt die Zahl nicht.
WORAN PROJEKTE IN DER PRAXIS SCHEITERN
Drei Muster lassen sich vorab vermeiden
01
Fehlalarme werden ignoriert
Meldet ein Modell zu häufig einen Ausfall, der nicht eintritt, verliert die Instandhaltung das Vertrauen. Ein Modell mit weniger, aber verlässlichen Meldungen ist im Betrieb wertvoller als ein empfindliches.
02
Es fehlt der Prozess hinter der Prognose
Eine Vorhersage ohne definierte Folgeschritte verpufft. Wer wird informiert, wer entscheidet über den Eingriff, welches Ersatzteil wird disponiert, in welchem Zeitfenster wird gearbeitet?
03
Das Modell wird nicht nachgepflegt
Ändern sich Produkte, Werkstoffe oder Taktzeiten, verschiebt sich das Verschleißverhalten. Ein Modell, das niemand nachtrainiert, verliert über die Monate an Treffsicherheit.
Der Punkt mit dem fehlenden Folgeprozess ist der teuerste. Ein Bahnbetreiber sagte laut McKinsey Batterieausfälle in seinen Lokomotiven zuverlässig voraus, ohne dass sich etwas verbesserte. Erst als Wartungsabläufe, Technikereinsatz und Ersatzteillogistik angepasst wurden, wirkte die Prognose.
DER PRAGMATISCHE WEG DAHIN
In 4 Schritten zur prädiktiven Wartung
Geplante Wartung
Prädiktive Wartung ist kein Einstiegsprojekt. Am Anfang steht eine geplante Wartung nach festen Intervallen, wie sie unser Beitrag zur vorbeugenden Instandhaltung beschreibt. Dazu kommt eine strukturierte Erfassung von Störungen und Wartungsarbeiten.
Maschinendaten anbinden
Der zweite Schritt ist die Anbindung der Maschinendaten. Über offene Schnittstellen wie OPC UA oder MQTT fließen Zustandswerte in dieselbe Datenbasis wie die Auftrags- und Prozessdaten. Wie sich das in die laufende Fertigung einfügt, beschreibt unsere Lösungsseite zur digitalen Steuerung von Produktionsprozessen.
Mehr zur digitalen Steuerung von Produktionsprozessen erfahren
Datenhistorie aufbauen
Erst danach ist ein Prognosemodell sinnvoll. i|NORIS®-DMI erfasst Wartungsarbeiten, Störungen und Prüfergebnisse zeitgenau am Arbeitsplatz und stellt sie strukturiert bereit. Damit entsteht genau die Datenhistorie, die ein Modell später benötigt. .
Prognosemodell nutzen
Auf Basis der Datenhistorie kann ein Prognosemodell die Restnutzungsdauer berechnen und Wartungseinsätze gezielt planen.
Fazit
Prädiktive Wartung unterscheidet sich von der Zustandsüberwachung durch den Auslöser: eine berechnete Restnutzungsdauer statt eines überschrittenen Grenzwerts. Der Nutzen ist belegt, er hängt aber an Voraussetzungen, die vor dem ersten Modell geschaffen werden müssen.
Klären Sie deshalb als Erstes zwei Fragen: An welchen Anlagen rechtfertigen die Ausfallkosten den Aufwand, und liegt für diese Anlagen eine belastbare Störungshistorie vor? Wer diese Basis hat, kommt schnell voran. Wer sie nicht hat, investiert in ein Modell ohne Datengrundlage.
Unser Tipp:
Wählen Sie für Ihr erstes Predictive-Maintenance-Projekt eine kritische Anlage mit dokumentierter Störungshistorie. Die besten Ergebnisse entstehen dort, wo hohe Ausfallkosten auf eine belastbare Datenbasis treffen. Dadurch lassen sich Nutzen und Wirtschaftlichkeit früh belegen.
Häufige Fragen zur prädiktiven Wartung
Wie viele Daten brauchen wir, bevor ein Modell sinnvoll ist?
Eine feste Untergrenze gibt es nicht, weil sie vom Ausfallverhalten der Anlage abhängt. Entscheidend ist, dass mehrere dokumentierte Ausfälle desselben Fehlerbilds vorliegen. Bei baugleichen Maschinen lassen sich die Daten zusammenführen, das verkürzt die Anlaufzeit deutlich.
Brauchen wir dafür neue Sensorik?
Nicht zwingend. Viele Maschinen liefern bereits Betriebsstunden, Antriebsströme, Temperaturen oder Zykluszeiten über die Steuerung. Erst wenn diese Größen das Fehlerbild nicht abbilden, ist zusätzliche Messtechnik nötig. Prüfen Sie deshalb zuerst, welche Daten die vorhandene Steuerung schon bereitstellt.
Wie wird aus einer Prognose ein Wartungsauftrag?
Über eine Anbindung in beide Richtungen. Das ERP- oder Instandhaltungssystem liefert Stammdaten und Wartungshistorie an das Modell, die Prognose erzeugt umgekehrt einen terminierten Auftrag samt Ersatzteilbedarf. Ohne diese Rückkopplung bleibt die Vorhersage eine Information ohne Konsequenz.
Ab welcher Betriebsgröße lohnt sich das?
Die Betriebsgröße ist weniger ausschlaggebend als die Kritikalität der Anlage. Auch ein mittelständischer Betrieb profitiert, wenn eine einzelne Engpassmaschine die gesamte Fertigung taktet. Umgekehrt lohnt sich der Aufwand in einem großen Werk nicht für jede Nebenanlage.
IHR NÄCHSTER SCHRITT
Daten in Prognosen umwandeln.
Stillstände in Planungsvorsprung.
Wir analysieren mit Ihnen gemeinsam, ob prädiktive Wartung für Ihre Anlagen Sinn macht und wie der Einstieg gut gelingt.