Wartungsplanung mit KI vorausschauend.
Predictive Maintenance gehört zu den Themen, über die seit zehn Jahren auf jeder Industriemesse gesprochen wird — und die in vielen mittelständischen Unternehmen trotzdem nicht angekommen sind. Der Grund ist nicht mangelnde Einsicht, sondern Pragmatismus. Die meisten frühen Predictive-Maintenance-Geschichten waren Großprojekte mit Sensorinvestitionen im siebenstelligen Bereich, die in einem 200-Mitarbeiter-Unternehmen schlicht keinen Geschäftssinn ergeben. Was unterging: Es geht auch anders. Vorausschauende Wartung lässt sich heute mit Daten betreiben, die in den meisten Unternehmen ohnehin existieren — Wartungshistorien, Betriebsstundenzähler, einfache Maschinensteuerungs-Daten, manchmal nur Kalender und Logbücher. Dieser Artikel zeigt, was ein Mittelständler ohne Großinvestition tatsächlich erreichen kann, wo die ehrlichen Grenzen liegen und wo der Einstieg sinnvoll beginnt.
Was Wartung im Mittelstand wirklich kostet.
Wartungskosten werden in vielen mittelständischen Unternehmen unterschätzt, weil sie sich auf zwei Stellen verteilen: die geplanten Wartungen (Personalkosten, Material, Vertragsleistungen) und die ungeplanten Ausfälle (Produktionsausfall, Stundenlohn der Bedienung, Eilreparatur). Während die geplanten Kosten gut sichtbar sind, bleiben die ungeplanten oft im Bauchgefühl.
Eine typische mittelständische Produktion mit dreißig bis fünfzig Maschinen hat jährliche Wartungskosten von 800.000 bis 2.500.000 Euro — und ungeplante Stillstandskosten in derselben Größenordnung, oft sogar darüber. Letztere werden selten konsolidiert ausgewiesen. Wer einmal sauber rechnet, kommt regelmäßig auf Beträge, die einem Fertigungsleiter den Schlaf rauben.
Genau hier liegt der Hebel vorausschauender Wartung. Es geht nicht primär darum, weniger zu warten, sondern darum, ungeplante Ausfälle zu reduzieren. Das sind die teuren Stillstände — diejenigen, in denen eine Anlage steht, weil ein Lager defekt ist und der Ersatz erst am Folgetag eintrifft. Wer hier auch nur zwanzig bis dreißig Prozent reduziert, spart oft mehr als bei jeder anderen Optimierungsmaßnahme im Werk.
Was Sie schon haben — und nicht wissen.
Die häufigste Annahme: „Für Predictive Maintenance brauchen wir Sensoren.” Diese Annahme ist in vielen Fällen falsch — oder zumindest verfrüht. Bevor Sie Geld in Sensorik investieren, lohnt eine ehrliche Inventur dessen, was Sie schon haben.
Die meisten Mittelständler verfügen über mehr Maschinendaten, als ihnen bewusst ist. Vier Quellen sind besonders wertvoll:
- Wartungshistorien: Welche Maschine wurde wann gewartet, was wurde getauscht, welche Ersatzteile wurden verbaut? Steckt oft in der Werkstattsoftware oder in Excel.
- Maschinensteuerung: Moderne SPS und CNC liefern Betriebsstunden, Zykluszahlen, Fehlercodes und manchmal Verschleißkennzahlen. Diese Daten liegen in den Maschinen — sie müssen nur ausgelesen werden.
- Stillstandsprotokolle: Welche Maschine stand wann wie lange aus welchem Grund? In den meisten Werken existieren Stillstandserfassungen, oft in der MDE oder im Schichtbuch.
- Produktionsdaten: Wie viele Teile wurden produziert, wie war der Ausschuss, wann häuften sich Qualitätsprobleme?
Diese vier Quellen reichen für die meisten Predictive-Maintenance-Anwendungen aus. Wer sie zusammenführt, hat eine Datenbasis, mit der KI-Modelle ernsthaft arbeiten können. Sensorik kommt dann erst dort hinzu, wo die existierenden Daten nicht ausreichen.
Drei Stufen der vorausschauenden Wartung.
Predictive Maintenance ist kein Schalter, den man umlegt. Es ist eine Reise mit drei realistischen Stufen, an denen man ehrlich sein eigenes Niveau verorten kann:
| Stufe | Was sie leistet | Typische Datengrundlage |
|---|---|---|
| Stufe 1: Reaktiv-strukturiert | Bessere Wartungspläne, klare Verantwortlichkeiten, dokumentierte Historie | Wartungshistorie, Stillstandsprotokolle |
| Stufe 2: Statistisch-vorausschauend | Wartung anhand realer Verschleißmuster, nicht nur Kalender | Betriebsstunden, Zyklen, Wartungshistorie, Produktionsdaten |
| Stufe 3: Datengetrieben-prädiktiv | Ausfallwahrscheinlichkeiten in Echtzeit, gezielte Sensorerweiterungen | Maschinensteuerung, gezielte Sensorik, kontinuierliche Modellpflege |
Die meisten Mittelständler stehen heute zwischen Stufe 1 und 2 — oft glauben sie, sie seien auf Stufe 3, wenn sie eine moderne Wartungssoftware besitzen. Das ist ein gefährlicher Irrtum, der teure Investitionen in Sensorik nach sich zieht, deren Wert sich nie einstellt.
Realistisch sinnvoll für ein 200-Mitarbeiter-Unternehmen ist meist Stufe 2. Sie bringt achtzig Prozent des Effekts bei zwanzig Prozent der Komplexität. Stufe 3 lohnt sich nur für sehr teure oder produktionskritische Maschinen — und dann nur für diese, nicht für die ganze Fertigung.
Wie ein einfaches Modell aussieht — ohne Hochtechnologie.
Ein realistisches Predictive-Maintenance-Modell für den Mittelstand ist meist überraschend einfach. Es startet mit der Frage: Welche Maschinen sind kritisch genug, um sich genauer anzusehen? Üblicherweise sind das die fünf bis fünfzehn Maschinen, deren Ausfall die Produktion ernsthaft trifft — der Rest läuft mit klassischer Wartung weiter.
Für diese kritischen Maschinen werden vorhandene Daten zusammengeführt: Betriebsstunden, Zyklen, Wartungshistorie, Fehlerprotokoll, gegebenenfalls ergänzt um wenige gezielte Messgrößen wie Temperatur, Vibration oder Stromaufnahme. Auf dieser Datenbasis lassen sich Verschleißmuster ableiten — typische Ausfallhäufigkeiten, kritische Schwellenwerte, Frühindikatoren.
Aus diesen Mustern entstehen Wartungsempfehlungen, die wesentlich präziser sind als jeder Kalender. Das Werkzeug ist meist kein hochkomplexes Deep-Learning-Modell, sondern ein gut gepflegtes statistisches Modell oder ein einfaches überwachtes Lernverfahren. Die Erfahrung aus Beratungsprojekten: Mit einem solchen pragmatischen Ansatz lassen sich ungeplante Ausfälle der kritischen Maschinen um dreißig bis fünfzig Prozent reduzieren. Das ist nicht spektakulär — aber wirtschaftlich enorm relevant.
Wann sich Sensorik tatsächlich lohnt.
Sensorik ist nicht das Problem, aber auch nicht der Einstieg. Die wirtschaftlich richtigen Sensoren werden meist erst dann installiert, wenn die ersten Modelle aus existierenden Daten bestimmte Wissenslücken sichtbar gemacht haben. Dann weiß man, wo eine Vibrationsmessung wirklich hilft — und wo sie nur Daten produziert, die niemand auswertet.
Typische sinnvolle Sensorerweiterungen im mittelständischen Kontext: Vibrationssensoren an kritischen Lagern, Stromaufnahme-Messung an Motoren mit auffälligen Verschleißmustern, Temperatursensoren an wärmekritischen Komponenten, Druckmessung an Pneumatik-Systemen. Die Kosten liegen pro Maschine typischerweise zwischen 800 und 5.000 Euro für Hardware und Integration.
Was nicht funktioniert: das pauschale Ausrüsten aller Maschinen mit Sensorpaketen, in der Hoffnung, dass die Daten dann schon irgendwie nützlich sein werden. Solche Projekte produzieren Datenmüll, der niemals ausgewertet wird, kosten viel Geld und schwächen die Glaubwürdigkeit des Themas im Unternehmen für Jahre. Sensorik gehört dorthin, wo eine konkrete Frage gestellt wurde — nicht dorthin, wo der Anbieter es vorschlägt.
Die Werkstatt mitnehmen.
Der wahrscheinlich am häufigsten unterschätzte Faktor in Predictive-Maintenance-Projekten ist die Werkstatt. Wer dort sitzt, ist meist seit zwanzig Jahren in dem Betrieb, kennt jede Maschine, weiß, welche Empfehlungen aus der Software ernst zu nehmen sind und welche nicht. Diese Erfahrung lässt sich nicht digitalisieren — aber man kann sie ignorieren, und dann scheitert das Projekt.
Gute Implementierungen binden die Werkstatt von Anfang an ein. Nicht als Empfänger von Wartungsempfehlungen, sondern als Mitgestalter. Welche Maschinen sind aus Ihrer Sicht kritisch? Welche Fehler treten häufiger auf, als die Statistik vermuten lässt? Welche Anzeichen sehen Sie typischerweise, bevor eine Maschine ausfällt? Dieses Erfahrungswissen ist die wertvollste Ergänzung zu jedem datengetriebenen Modell.
Was nicht funktioniert: ein KI-System, das der Werkstatt verkündet, was sie zu tun hat. Erfahrene Werkstattleiter werden ein solches System unterlaufen — bewusst oder unbewusst. Was funktioniert: ein System, das Empfehlungen als Diskussionsangebot formuliert, das die Werkstatt korrigieren kann, und das aus diesen Korrekturen lernt. So entsteht ein Werkzeug, das nicht gegen, sondern mit den Menschen arbeitet, die seit Jahren die Maschinen am Laufen halten.
Was Predictive Maintenance nicht leistet.
Drei ehrliche Einordnungen, die in jedem ernsthaften Vorgespräch fallen sollten. Erstens: Predictive Maintenance verhindert keine Ausfälle, sondern reduziert sie. Auch das beste Modell liegt manchmal daneben — eine Maschine fällt aus, die als unkritisch eingestuft war, eine andere läuft monatelang, obwohl das Modell Alarm geschlagen hat. Das ist keine Schwäche, sondern die Natur statistischer Vorhersagen.
Zweitens: Predictive Maintenance ersetzt nicht die Grundlagenarbeit. Wenn Ihre Wartungspläne unklar sind, Ihre Verantwortlichkeiten verteilt, Ihre Ersatzteilbevorratung unstrukturiert — dann hilft KI nicht. Sie macht sichtbar, wo das Problem liegt, löst es aber nicht. Manchmal ist die wichtigste Erkenntnis aus einem Predictive-Maintenance-Projekt, dass die zugrundeliegenden Prozesse zuerst aufgeräumt werden müssen.
Drittens: Die Wirtschaftlichkeit ist nicht selbstverständlich. Wer fünf nicht-kritische Maschinen mit Sensorik ausstattet, deren Ausfall ohnehin kein Problem wäre, verbrennt Geld. Wer eine zentrale Pressenstraße mit Predictive-Maintenance-Modellen versorgt, deren Ausfall die ganze Fertigung lahmlegt, sieht den ROI in wenigen Monaten. Die Auswahl der richtigen Anlagen ist die wirtschaftliche Schlüsselfrage — wichtiger als jede Technologie.
Wie ein realistischer Einstieg aussieht.
Ein vernünftiger Einstieg beginnt mit der Frage, welche fünf bis zehn Maschinen oder Anlagen wirklich kritisch sind. Kritisch bedeutet: Ihr Ausfall trifft die Produktion direkt, ihre Reparatur dauert länger als ein paar Stunden, ihre Ersatzteilversorgung ist nicht trivial. Für diese Anlagen lohnt der detaillierte Blick. Der Rest läuft mit klassischer Wartung weiter.
Im Anschluss folgt eine Datenanalyse mit den existierenden Quellen: Was ist da, wie ist die Qualität, welche Lücken gibt es? Diese Diagnose dauert typischerweise vier bis acht Wochen und ist die Grundlage für alle weiteren Entscheidungen. Erst danach lohnt ein erstes Modell für eine ausgewählte Anlage — als Pilot, mit klaren Kennzahlen, eingebunden in die Werkstatt-Routinen.
Die Kosten eines solchen pragmatischen Einstiegs liegen typischerweise zwischen 30.000 und 80.000 Euro für die ersten Anlagen — deutlich unter dem, was für klassische IoT-Großprojekte gerne aufgerufen wird. Der Return rechnet sich bei sauberer Anlagenauswahl meist in zwölf bis achtzehn Monaten, oft schneller. Wer hier nüchtern und priorisiert vorgeht, kommt zu Ergebnissen, die das ganze Werk besser machen — ohne sich in einem Sensor-Großprojekt zu verlieren.
Sie wollen prüfen, welche Ihrer kritischen Anlagen für vorausschauende Wartung in Frage kommen? Unverbindlich anfragen — wir schauen gemeinsam auf Maschinenkritikalität, vorhandene Daten und realistische erste Schritte.