Predictive Maintenance: So vermeiden Sie ungeplante Stillstände

Was kostet ein ungeplanter Stillstand?

Eine Produktionslinie, die steht, kostet Geld – und zwar schnell. In der Fertigungsindustrie liegen die durchschnittlichen Kosten eines ungeplanten Maschinenstillstands bei 5.000 bis 50.000 Euro pro Stunde, je nach Branche und Anlagengröße. Für einen mittelständischen Maschinenbauer mit 200 Mitarbeitern können zwei ungeplante Ausfälle pro Monat schnell 500.000 Euro Jahresverlust bedeuten.

Das Paradoxe: Die meisten dieser Ausfälle kündigen sich an. Maschinen zeigen Wochen oder sogar Monate vor dem Versagen subtile Veränderungen – in Vibration, Temperatur, Stromaufnahme oder Geräuschpegel. Nur merkt es niemand, weil kein Mensch rund um die Uhr alle Sensordaten auswerten kann.

Kernaussage: Predictive Maintenance erkennt Maschinenprobleme im Durchschnitt 2–6 Wochen vor dem Ausfall – genug Zeit für eine geplante, kostengünstige Wartung.

Reaktiv, Präventiv, Prädiktiv: Die drei Wartungsstrategien

Reaktive Wartung: Reparieren, wenn es kaputt ist

Die einfachste und teuerste Strategie. Maschinen laufen bis zum Ausfall. Dann wird repariert – unter Zeitdruck, mit Expresslieferungen für Ersatzteile und ungeplanten Produktionsunterbrechungen.

Kosten: Sehr hoch (ungeplant, Notfallzuschläge, Folgeschäden) Stillstandszeit: Maximal (keine Vorbereitungszeit) Geeignet für: Unkritische Anlagen, bei denen ein Ausfall tolerierbar ist

Präventive Wartung: Warten nach Zeitplan

Maschinen werden in festen Intervallen gewartet – unabhängig vom tatsächlichen Zustand. Das reduziert ungeplante Ausfälle, führt aber häufig zu unnötigen Wartungsarbeiten an Komponenten, die noch einwandfrei funktionieren.

Kosten: Mittel (planbar, aber oft Überwartung) Stillstandszeit: Geplant, aber häufiger als nötig Geeignet für: Standardmaschinen mit bekannten Verschleißmustern

Prädiktive Wartung: Warten, wenn es nötig ist

Sensoren überwachen den Maschinenzustand kontinuierlich. KI-Modelle analysieren die Daten und erkennen Muster, die auf einen bevorstehenden Ausfall hindeuten. Die Wartung erfolgt genau dann, wenn sie tatsächlich nötig ist.

Kosten: Am niedrigsten (minimaler Ausfall, optimaler Ersatzteilbestand) Stillstandszeit: Minimal (geplant, nur wenn nötig) Geeignet für: Kritische Anlagen, teure Maschinen, kontinuierliche Produktion

Der Kostenvergleich

Strategie	Wartungskosten	Ausfallkosten	Gesamtkosten (Index)
Reaktiv	Niedrig	Sehr hoch	100
Präventiv	Hoch	Mittel	70–80
Prädiktiv	Mittel	Niedrig	40–60

Ergebnis: Predictive Maintenance senkt die Gesamtwartungskosten um 25–40 % gegenüber rein präventiver Wartung.

Wie Predictive Maintenance funktioniert

Schicht 1: Sensordaten erfassen

Die Grundlage jeder prädiktiven Wartung sind Daten. Moderne IoT-Sensoren erfassen:

• Vibrationsdaten – Beschleunigungssensoren erkennen Unwuchten, Lagerschäden und Ausrichtungsfehler
• Temperaturdaten – Infrarotsensoren und Thermoelemente messen Überhitzung an Lagern, Motoren und Hydraulik
• Stromaufnahme – Leistungsmessungen zeigen Veränderungen im Motorverhalten
• Akustische Daten – Ultraschallsensoren erkennen Leckagen, Kavitation und Kontaktgeräusche
• Betriebsparameter – Drehzahl, Druck, Durchfluss, Ölqualität

Die Datenmenge kann erheblich sein: Ein einzelner Vibrationssensor erzeugt bis zu 100 MB Daten pro Tag. Bei 50 Sensoren an einer Produktionslinie kommen schnell mehrere Gigabyte zusammen.

Schicht 2: Daten übertragen und speichern

Die Sensordaten müssen zuverlässig und in Echtzeit an ein zentrales System übertragen werden:

• Edge Computing – Vorverarbeitung der Daten direkt an der Maschine reduziert Datenvolumen und Latenz
• IoT-Gateways – Sammeln Daten von mehreren Sensoren und übertragen sie per MQTT, OPC UA oder REST
• Cloud oder On-Premises – Speicherung in einer Zeitreihendatenbank (InfluxDB, TimescaleDB, Azure IoT Hub)

Schicht 3: KI-Modelle analysieren

Hier passiert die eigentliche Intelligenz. Verschiedene ML-Ansätze kommen zum Einsatz:

Anomalie-Erkennung:

• Erlernt das „normale” Verhalten einer Maschine
• Meldet Abweichungen vom Normalzustand
• Gut geeignet als erster Schritt, da keine Ausfalldaten benötigt werden

Klassifikationsmodelle:

• Ordnen erkannte Anomalien konkreten Fehlertypen zu
• Beispiel: „Lagerschaden links”, „Unwucht Antriebswelle”, „Dichtung verschlissen”
• Benötigen historische Daten mit bekannten Fehlerursachen

Überlebenszeit-Analyse (Survival Analysis):

• Prognostiziert die verbleibende Nutzungsdauer (Remaining Useful Life, RUL)
• Ermöglicht präzise Wartungsplanung: „Lager B3 hat noch ca. 21 Betriebstage”
• Der anspruchsvollste, aber wertvollste Ansatz

Häufig eingesetzte Algorithmen:

• Random Forest und Gradient Boosting für tabellarische Sensordaten
• LSTM-Netzwerke (Long Short-Term Memory) für Zeitreihenanalyse
• Autoencoder für Anomalie-Erkennung
• Convolutional Neural Networks (CNNs) für Vibrationsspektren

Schicht 4: Handlungsempfehlungen ausgeben

Das System informiert die Wartungsmannschaft:

1. Alarm-Stufe Grün: Normaler Zustand, keine Aktion erforderlich
2. Alarm-Stufe Gelb: Anomalie erkannt, Wartung innerhalb der nächsten 4 Wochen empfohlen
3. Alarm-Stufe Orange: Verschlechterung beschleunigt sich, Wartung innerhalb von 1 Woche planen
4. Alarm-Stufe Rot: Ausfall droht in wenigen Tagen, sofortige Inspektion erforderlich

Welche Sensordaten brauchen Sie?

Nicht jede Maschine braucht die volle Sensorausstattung. Die wichtigsten Sensoren nach Maschinentyp:

Rotierende Maschinen (Motoren, Pumpen, Kompressoren)

• Vibrationssensoren (zwingend)
• Temperatursensoren (empfohlen)
• Stromaufnahme-Messung (empfohlen)

Hydraulische Anlagen

• Drucksensoren (zwingend)
• Temperatursensoren (zwingend)
• Partikelzähler für Ölanalyse (empfohlen)

CNC-Maschinen

• Vibrationssensoren an Spindel und Achsen (zwingend)
• Stromaufnahme der Antriebe (empfohlen)
• Akustische Sensoren für Werkzeugverschleiß (optional)

Fördertechnik

• Vibrationssensoren an Lagern und Antrieben (zwingend)
• Temperatursensoren (empfohlen)
• Dehnungsmessstreifen für Bandspannung (optional)

Tipp: Beginnen Sie mit den kritischsten Maschinen – also denen, deren Ausfall die höchsten Kosten verursacht. Drei bis fünf Sensortypen pro Maschine reichen für den Start.

Implementierung: 5 Schritte zum Erfolg

Schritt 1: Kritische Anlagen identifizieren (Woche 1–2)

Nicht alle Maschinen verdienen Predictive Maintenance. Priorisieren Sie nach:

• Ausfallkosten – Welche Maschine verursacht bei Stillstand die höchsten Kosten?
• Ausfallhäufigkeit – Welche Maschine fällt am häufigsten ungeplant aus?
• Wartungskosten – Bei welcher Maschine sind die Wartungskosten am höchsten?
• Datenverfügbarkeit – Welche Maschine liefert bereits Daten (SPS, Steuerung)?

Erstellen Sie eine Rangliste und wählen Sie 1–3 Maschinen für den Piloten.

Schritt 2: Sensorik installieren und Daten sammeln (Woche 2–6)

• Nachrüstung von IoT-Sensoren an den ausgewählten Maschinen
• Einrichtung der Datenübertragung (Edge Gateway → Cloud/Server)
• Beginn der Datensammlung – mindestens 4–8 Wochen Normalbetrieb für die Baseline
• Parallele Dokumentation aller Wartungsereignisse und bekannten Störungen

Kosten für Sensorik: 500–5.000 € pro Maschine (abhängig von Sensoranzahl und -typ)

Schritt 3: ML-Modelle trainieren und validieren (Woche 6–12)

• Aufbereitung der gesammelten Daten
• Training von Anomalie-Erkennungsmodellen
• Validierung gegen bekannte Störfälle (sofern Historiedaten vorhanden)
• Festlegung von Schwellenwerten und Alarmstufen
• Iterative Verfeinerung mit Feedback der Instandhaltung

Schritt 4: Integration in den Wartungsprozess (Woche 12–16)

• Anbindung an das bestehende CMMS (Computerized Maintenance Management System)
• Schulung der Wartungsmannschaft
• Definition von Workflows: Wer wird wann informiert? Welche Aktion folgt?
• Aufbau eines Dashboards für Echtzeit-Monitoring

Schritt 5: Skalieren und optimieren (ab Woche 16)

• Erweiterung auf zusätzliche Maschinen und Standorte
• Verfeinerung der Modelle mit wachsendem Datenbestand
• Integration weiterer Datenquellen (ERP-Daten, Ersatzteilbestände, Produktionsplanung)
• Aufbau von RUL-Modellen für präzisere Vorhersagen

Kosten-Nutzen-Analyse: Lohnt sich das?

Investition für einen typischen Piloten

Position	Kosten
Sensorik (3 Maschinen)	5.000–15.000 €
IoT-Gateway und Infrastruktur	3.000–8.000 €
Software-Plattform (Jahr 1)	5.000–15.000 €
Beratung und Implementierung	15.000–30.000 €
Schulung	3.000–6.000 €
Gesamt	31.000–74.000 €

Erwarteter Nutzen (jährlich, pro Maschine)

Nutzenkategorie	Einsparung
Reduktion ungeplanter Ausfälle (–50 %)	20.000–100.000 €
Optimierte Ersatzteilhaltung (–20 %)	5.000–15.000 €
Verlängerte Komponentenlebensdauer (+15 %)	3.000–10.000 €
Reduzierte Überstunden Wartung (–30 %)	5.000–12.000 €
Gesamt pro Maschine	33.000–137.000 €

Typischer ROI

• Amortisationsdauer: 6–14 Monate (bei kritischen Anlagen oft unter 6 Monaten)
• 3-Jahres-ROI: 200–500 %
• Break-even: Bereits bei Vermeidung von 1–2 ungeplanten Ausfällen pro Jahr

Fazit: Für Unternehmen mit teuren oder kritischen Maschinen gehört Predictive Maintenance zu den KI-Anwendungen mit dem höchsten und schnellsten ROI.

Praxisbeispiel: Mittelständischer Maschinenbauer

Ausgangslage

Ein Maschinenbauunternehmen mit 150 Mitarbeitern betreibt 12 CNC-Bearbeitungszentren. Jedes Zentrum erwirtschaftet ca. 800 €/Stunde. Pro Jahr treten durchschnittlich 8 ungeplante Ausfälle auf, mit einer mittleren Reparaturdauer von 6 Stunden.

Jährliche Kosten ungeplanter Ausfälle: 8 × 6 h × 800 € = 38.400 € (Produktionsverlust) + 24.000 € (Reparaturkosten) = 62.400 €

Implementierung

• Installation von Vibrations- und Temperatursensoren an allen 12 Zentren
• Anbindung an bestehende Siemens-Steuerung über OPC UA
• Cloud-basierte Analyseplattform mit Anomalie-Erkennung
• Gesamtinvestition: 68.000 € (einmalig) + 12.000 €/Jahr (Plattform)

Ergebnis nach 12 Monaten

• Ungeplante Ausfälle: von 8 auf 2 pro Jahr (–75 %)
• Durchschnittliche Reparaturdauer: von 6 auf 2 Stunden (geplante Wartung, Teile vorab bestellt)
• Wartungskosten: –28 % durch bedarfsgerechte statt zeitbasierte Wartung
• Spindellebensdauer: +22 % durch rechtzeitige Schmierung und Ausrichtung

Jährliche Einsparung: 51.200 € (Produktionsverlust) + 14.000 € (Wartungskosten) = 65.200 € Amortisation: 12,5 Monate

Häufige Fragen

Brauche ich neue Maschinen für Predictive Maintenance? Nein. Nachrüstbare IoT-Sensoren können an praktisch jede Bestandsmaschine montiert werden – unabhängig von Alter und Hersteller. Viele moderne Maschinen liefern bereits über ihre SPS verwertbare Daten.

Wie viele Daten brauche ich zum Start? Für die Anomalie-Erkennung reichen 4–8 Wochen Normalbetriebsdaten. Für präzise RUL-Vorhersagen benötigen Sie idealerweise historische Daten mit dokumentierten Ausfällen – je mehr, desto besser. Aber auch ohne Historiedaten können Sie starten.

Kann ich klein anfangen? Unbedingt. Starten Sie mit einer einzigen kritischen Maschine. Die Erfahrungen und das aufgebaute Wissen lassen sich auf weitere Maschinen übertragen.

Was ist mit Datensicherheit? Ihre Maschinendaten bleiben bei Ihnen. On-Premises-Lösungen sind möglich, und auch Cloud-Lösungen bieten verschlüsselte Übertragung und Speicherung nach DSGVO-Standards.

Fazit: Predictive Maintenance ist reif für den Mittelstand

Predictive Maintenance ist keine Zukunftstechnologie mehr – sie ist eine erprobte, wirtschaftliche Lösung für die produzierende Industrie. Die Sensorkosten sind dramatisch gesunken, Cloud-Plattformen machen den Einstieg einfach, und die ROI-Zahlen sprechen für sich.

Der Schlüssel zum Erfolg liegt nicht in der perfekten Technologie, sondern im pragmatischen Start: Eine kritische Maschine, bewährte Sensoren, ein klarer Business Case.

---

Sie möchten wissen, ob Predictive Maintenance für Ihre Produktion sinnvoll ist? Vereinbaren Sie ein kostenloses Erstgespräch – wir analysieren Ihre Anlagen und berechnen den konkreten ROI für Ihren Maschinenpark.