Predictive Maintenance: Wann sich vorausschauende Wartung lohnt

Eine Maschine meldet eine Auffälligkeit. Das Ersatzteil braucht fünf Tage, der nächste geplante Stillstand ist morgen. Jetzt zählt, ob die Meldung eine belastbare Entscheidung ermöglicht. Ein Alarm ohne Vorlauf, Ursache oder Zuständigkeit hilft der Instandhaltung wenig.

Predictive Maintenance, auf Deutsch vorausschauende Wartung, nutzt Zustands- und Betriebsdaten, um Wartungsbedarf frühzeitig einzuschätzen. Für einen mittelständischen Betrieb lohnt sich der Einstieg dort, wo Ausfälle teuer sind, Verschleiß messbar ist und das Team auf eine Warnung reagieren kann. Nicht jede Anlage erfüllt diese Voraussetzungen.

Welche Wartungsstrategie passt zur Anlage?

Bei reaktiver Wartung wird nach dem Ausfall repariert. Präventive Wartung folgt festen Zeit- oder Nutzungsintervallen. Zustandsorientierte Wartung reagiert auf einen beobachteten Zustand. Predictive Maintenance ergänzt eine Prognose über die weitere Entwicklung. Diese Abgrenzung ist wichtig: Ein Temperaturgrenzwert ist noch keine Vorhersage der Restlebensdauer.

Fraunhofer IESE beschreibt Predictive Maintenance als proaktiven Ansatz und erläutert die Herausforderungen seiner Umsetzung. Unsere Empfehlung für die Auswahl: zuerst die Wartungsentscheidung festlegen, anschließend die dafür nötige Prognose bestimmen.

Diese Strategien können innerhalb eines Werks nebeneinander bestehen. Eine kritische Spindel braucht möglicherweise einen anderen Ansatz als ein gut zugänglicher Hilfsantrieb.

Beginnen Sie mit einer Fehlerart

Wählen Sie beispielsweise Lagerverschleiß an einer Pumpenfamilie. Beschreiben Sie, was die Meldung auslösen soll: eine zusätzliche Messung, eine Sichtprüfung oder einen geplanten Tausch. Die endgültige Maßnahme bleibt an technische Befunde und betriebliche Freigaben gebunden.

Für eine Pumpe können Schwingung, Temperatur und Last relevant sein. Bei anderen Anlagen kommen Stromaufnahme, Ölzustand oder thermische Aufnahmen infrage. Die Auswahl muss zum Fehlermechanismus passen. Mehr Sensoren liefern keine bessere Prognose, wenn ihr Signal den gesuchten Schaden nicht abbildet.

Erfassen Sie auch normale Betriebswechsel: Anfahren, Teillast, Produktwechsel, Reinigung. Sonst kann das Modell einen zulässigen Lastwechsel als Defekt melden. Ein Wartungsprotokoll sollte erkennen lassen, welches Teil tatsächlich beschädigt war. Ein pauschaler Eintrag „Maschine repariert“ ist als Lernsignal kaum brauchbar.

Wie entsteht aus Messdaten eine Wartungsempfehlung?

Der Ablauf beginnt mit Sensorwerten und dem zugehörigen Betriebszustand. Die Datenaufbereitung prüft Messlücken und bildet geeignete Merkmale, etwa Schwingungsänderungen unter vergleichbarer Last. Eine Regel oder ein Modell bewertet anschließend, ob sich der Zustand auffällig verändert. Die Meldung enthält Anlage, Befund, Unsicherheit und den nächsten Prüfschritt.

Die Instandhaltung prüft den Hinweis und dokumentiert den tatsächlichen Befund. Diese Rückmeldung verbessert die Grundlage späterer Bewertungen. Eine automatische Übernahme jedes Alarms als bestätigter Schaden würde dagegen Fehler in die Daten zurückschreiben.

Mögliche Anwendungen reichen von Pumpen in Energieanlagen über Werkzeugspindeln in der Fertigung bis zu Förderantrieben in der Logistik. Das sind Anwendungsmöglichkeiten, keine Welf-Projektreferenzen. Jeder Einsatz braucht einen eigenen Fehlermechanismus, passende Messwerte und eine erreichbare Wartungsmaßnahme. Eine Auswertung lässt sich deshalb nicht allein durch Kopieren des Modells auf eine andere Anlage übertragen.

Welche Daten braucht Predictive Maintenance?

Vor einem Modellvergleich braucht Ihr Team eine kleine Dateninventur. Maschinenkennungen, Zeitstempel, Betriebszustände und Wartungsereignisse müssen zusammenpassen. Prüfen Sie Messlücken und Zeitsynchronisation, bevor jemand eine große Historie als Trainingsdatensatz bezeichnet.

• Welche Fehlerarten sind durch Befunde bestätigt, welche nur vermutet?
• Gibt es Messwerte vor dem Ausfall, nicht erst während der Störung?
• Sind Sensorwechsel, Reparaturen und Umbauten dokumentiert?
• Lassen sich Daten aus verschiedenen Schichten und Lastbereichen vergleichen?
• Wer darf Messdaten exportieren und später neu auswerten?

Wenn kaum bestätigte Ausfälle vorliegen, kann ein Anomaliedetektor zunächst Abweichungen vom bekannten Betrieb markieren. Seine Ausgabe ist dann ein Prüfhinweis. Eine belastbare Restlebensdauer lässt sich daraus nicht automatisch ableiten. Auch eine einfache Regel sollte im Vergleich bleiben: Sie kann für eine eng begrenzte Aufgabe ausreichen.

So testen Sie den Nutzen im Betrieb

Teilen Sie historische Daten zeitlich auf. Ein späterer Zeitraum dient als unabhängiger Test. Werden Abschnitte desselben Ausfalls zufällig auf Training und Test verteilt, kann das Ergebnis zu gut aussehen. Soll die Lösung auf weitere Maschinen übertragen werden, testen Sie zusätzlich an zurückgehaltenen Anlagen.

Lassen Sie das System anschließend zunächst mitlaufen, ohne Wartungsaufträge selbst auszulösen. Die Instandhaltung beurteilt Meldungen und dokumentiert ihre Entscheidung. Dieser begleitende Betrieb zeigt, ob die Hinweise unter realen Bedingungen nutzbar sind.

Eine hohe Trefferquote allein beantwortet die Investitionsfrage nicht. Vereinbaren Sie die akzeptable Alarmbelastung mit dem Wartungsteam vor der Auswertung. Sonst wird ein statistisch gutes Modell im Alltag ignoriert.

Kosten rechnen, ohne vermiedene Ausfälle zu erfinden

Die Rechnung umfasst Sensorik, Anbindung, Datenaufbereitung, Modellpflege und die Bearbeitung von Meldungen. Auf der Nutzenseite stehen nachweisbar bessere Wartungsentscheidungen. Nicht jeder Alarm darf als verhinderter Ausfall gezählt werden.

Ein rein illustratives Beispiel: 20 Meldungen im Monat mit jeweils 30 Minuten Prüfzeit binden zehn Arbeitsstunden. Wenn nur zwei Meldungen zu einer sinnvollen Maßnahme führen, muss deren Wert auch diesen Aufwand tragen. Ob dadurch ein Ausfall vermieden wurde, verlangt eine eigene technische Bewertung. Das Beispiel ist keine Welf-Projektmessung.

Ein sinnvoller Abbruchgrund ist fehlender Handlungsspielraum: Wenn weder Ersatzteile beschafft noch Wartungsfenster verändert werden können, schafft eine frühere Warnung möglicherweise kaum Nutzen. Verbessern Sie dann zuerst den Ablauf.

Vom Pilot zur eigenen Betriebsfähigkeit

Nach der Erprobung gehören Zuständigkeiten in den regulären Betrieb: Wer prüft Sensorfehler? Wer bewertet steigende Alarmzahlen? Wer gibt eine neue Modellversion frei? Ein Umbau oder veränderter Produktmix kann eine erneute Prüfung erforderlich machen.

Halten Sie Datenformate, Auswertungslogik, Testfälle und Alarmhistorie zugänglich. Damit kann Ihr Team die Lösung weiterentwickeln und einen Anbieterwechsel beurteilen. Die Anbindung an Arbeitsaufträge folgt den Regeln der ERP- und MES-Integration. Für die Verarbeitung direkt an der Anlage hilft der Leitfaden zu Edge AI.

Welf entwickelt und integriert industrielle KI entlang solcher betrieblichen Entscheidungen. Für ein erstes Gespräch genügen eine Anlagenfamilie, eine relevante Fehlerart und die vorhandene Datenlage. Wartungsanwendung mit Welf besprechen.