SKF Enlight

Kurzfazit

SKF Enlight ist die richtige Wahl, wenn du eine Industrieanlage mit vielen rotierenden Maschinen zustandsbasiert überwachen willst und ohnehin SKF-Lager verbaut hast. Stärke ist die Kombination aus bewährter Schwingungsdiagnostik (automatische Envelope-Analyse für Lager- und Getriebeschäden) und der KI-Schicht Enlight AI, die aus der Übernahme des israelischen Start-ups Presenso stammt: Sie lernt per AutoML das Normalverhalten jeder Maschine selbst und schlägt Alarm, bevor klassische Grenzwerte überschritten werden. Schwächen sind der ausgeprägte Hang zum SKF-eigenen Ökosystem, die völlig intransparente Preisgestaltung und die Tatsache, dass nichts davon Self-Service ist, ohne SKF-Spezialisten oder zertifizierten Partner kommst du nicht ans Ziel. Für reine Software-Spielereien ist das die falsche Liga; für ernsthafte Predictive Maintenance an kritischen Maschinen ist es eine der etabliertesten Optionen am Markt.

Für wen ist SKF Enlight?

Schwerindustrie mit SKF-Bestand: Papierwerke, Zementwerke, Stahlwerke, Bergbau, überall dort, wo Hunderte Wälzlager auf Walzen, Lüftern, Pumpen und Getrieben laufen und ein ungeplanter Stillstand pro Stunde fünfstellig kostet. Wer ohnehin SKF-Lager fährt, bekommt mit Enlight ein Diagnosesystem, das genau auf diese Komponenten zugeschnitten ist.

Instandhaltungsleitung im Umstieg auf zustandsbasierte Wartung: Werke, die von festen Wartungsintervallen (alle X Stunden tauschen) auf Condition-Based Maintenance umstellen, finden mit Enlight Collect (Wireless-Sensoren) und Enlight AI einen klaren Pfad, erst messen, dann Baseline lernen, dann nur noch tauschen, was wirklich verschlissen ist.

Werke ohne eigene Schwingungsanalysten: Nicht jeder Betrieb kann sich einen ausgebildeten Vibrationsdiagnostiker leisten. Über SKF Remote Diagnostic Services kannst du das Know-how zukaufen, SKF-Ingenieure schauen sich die kritischen Befunde an und liefern eine konkrete Handlungsempfehlung statt nur einer roten Kennzahl.

Großkonzerne mit Standortnetzwerk: Enlight Centre als web-basierter Hub erlaubt es, mehrere Werke zentral zu überwachen und Maschinendaten standortübergreifend zu vergleichen. Für Konzerne mit dutzenden Anlagen ist das ein echter Skalierungshebel.

Weniger geeignet für: Kleinbetriebe mit wenigen Maschinen (der Overhead lohnt nicht), Werke mit überwiegend Fremdhersteller-Hardware (Integrationsaufwand frisst den Vorteil), Anwender, die ein schlankes Cloud-SaaS ohne Vertriebsgespräch und Vor-Ort-Installation erwarten, und alle, die keine SKF-Beratung in den Prozess holen wollen.

Preise im Detail

Komponente	Preismodell	Größenordnung (Richtwert)
Enlight Collect (Wireless-Sensoren)	Hardware pro Sensor + Gateway	Sensoren im niedrigen bis mittleren dreistelligen Bereich pro Stück, dazu Gateways
Enlight ProCollect (Routen-App)	App-Lizenz + Datensammler-Hardware	Pro Lizenz / pro Messgerät
Enlight Centre (Analyse-Hub)	Software-Lizenz nach Anlagenumfang	Laufende Jahreslizenz
Enlight AI (AutoML)	Aufpreis-Modul je überwachter Anlage	Auf Anfrage, abhängig von Asset-Zahl
Remote Diagnostic Services	Service-Vertrag	Nach überwachten Maschinen / Reaktionszeit

Einordnung: SKF veröffentlicht kein Preisblatt, alles läuft über den Vertrieb, und der Gesamtpreis hängt massiv von der Sensoranzahl, dem gewählten Servicegrad und der Frage ab, ob die KI-Schicht Enlight AI dazukommt. In der Praxis bedeutet das: Eine Pilotinstallation an einer kritischen Maschine ist überschaubar, ein werksweiter Rollout mit hunderten Sensoren und KI-Prognose bewegt sich schnell im fünf- bis sechsstelligen Bereich über die Vertragslaufzeit. Der wirtschaftliche Hebel ist nicht die Software, sondern der vermiedene ungeplante Stillstand, bei Stundenkosten im Bereich von 20.000 € amortisiert sich das System mit einem einzigen verhinderten Notstopp. Wer den Business Case rechnet, sollte die vermiedenen Ausfallkosten und nicht die Lizenzgebühr in den Mittelpunkt stellen.

Stärken im Detail

Enlight AI bringt echte KI statt Schwellenwert-Tabellen. Das Modul stammt aus der Übernahme des israelischen Start-ups Presenso (Mitgründer Eitan Vesely wurde danach AI Offering Manager bei SKF). Der Ansatz ist AutoML: Statt dass ein Ingenieur für jede Maschine Grenzwerte definiert, lernt das System aus den historischen Sensordaten das individuelle Normalverhalten und erkennt Abweichungen automatisch, auch solche, die unterhalb klassischer Alarmschwellen liegen. Das ist der entscheidende Unterschied zu reiner regelbasierter Überwachung: Die KI findet Muster, die ein Mensch bei tausenden Sensoren nie alle im Blick hätte.

Automatische Envelope-Analyse ist Schwingungsdiagnostik vom Marktführer. Lagerschäden erzeugen charakteristische Frequenzen (BPFO für Außenring-, BPFI für Innenringschäden). Enlight rechnet diese Hüllkurven-Analyse automatisch und ordnet Befunde konkreten Schadensbildern zu, von beginnendem Außenringschaden bis zu Schmiermangel. Weil SKF die Lagergeometrien selbst kennt, sind die Schadensfrequenzen exakt hinterlegt; das reduziert Fehlalarme gegenüber generischen Tools.

Durchgängiges Ökosystem statt Insellösungen. Die Enlight-Familie greift ineinander: Enlight Collect liefert mit batteriebetriebenen Wireless-Sensoren die Online-Daten, Enlight ProCollect ist die mobile Routen-App für manuelle Messgänge an weniger kritischen Maschinen (Nachfolger der alten Microlog/Multilog-Handgeräte), und Enlight Centre ist der web-basierte Hub, der alles zur Analyse zusammenführt. Du musst dir die Kette nicht aus Komponenten verschiedener Hersteller zusammenstückeln.

Domänenwissen plus Mensch im Kreislauf. SKF baut seit über 100 Jahren Wälzlager und betreibt eigene Remote Diagnostic Centres. Die KI liefert den Verdacht, ein erfahrener Diagnose-Ingenieur bestätigt oder verwirft ihn und gibt eine konkrete Handlungsempfehlung. Diese Kombination aus Algorithmus und Experte ist gerade für Werke ohne eigenen Schwingungsanalysten ein starkes Argument, sie kaufen das fehlende Know-how mit ein.

Europäischer Anbieter mit EU-Hosting-Option. SKF sitzt in Göteborg, ist in rund 130 Ländern vertreten und kann die Datenhaltung in Europa abbilden. Für Industriebetriebe, die ihre Maschinendaten nicht auf US-Servern wissen wollen, ist das ein relevanter Vorteil gegenüber rein US-amerikanischen Predictive-Maintenance-Plattformen.

Schwächen ehrlich betrachtet

Vendor-Lock-in Richtung SKF. Das System spielt seine Stärken voll aus, wenn SKF-Lager und SKF-Sensoren verbaut sind. Hast du eine gemischte Maschinenlandschaft mit Fremdherstellern, ist die Integration zwar möglich, aber aufwändiger, und du verlierst einen Teil des Diagnose-Vorsprungs, weil die hinterlegten Lagergeometrien nicht passen. Wer sich für Enlight entscheidet, bindet sich strategisch an einen Anbieter.

Preisintransparenz ist ärgerlich. Es gibt kein öffentliches Preisblatt, keine Online-Kalkulation, kein Self-Service-Abo. Jede Anschaffung beginnt mit einem Vertriebsgespräch und einem individuellen Angebot. Das erschwert den nüchternen Marktvergleich erheblich, du kannst Enlight nicht eben gegen eine Alternative gegenrechnen, ohne von beiden Anbietern erst ein Angebot einzuholen.

Enlight AI braucht Geduld. AutoML lernt aus Daten, und solange keine ausreichende Baseline über mehrere Wochen aufgebaut ist, sind die Vorhersagen wenig belastbar. In den ersten Betriebswochen liefert das System eher klassische Schwingungswerte als echte KI-Prognosen. Wer am ersten Tag „Predictive Magic” erwartet, wird enttäuscht; der Nutzen entsteht über Monate.

Kein Tool für die Instandhaltungs-Selbsthilfe. Enlight ist keine App, die du herunterlädst und konfigurierst. Sensoren müssen fachgerecht montiert, Messpositionen festgelegt und das System parametriert werden, das übernehmen SKF-Spezialisten oder zertifizierte Partner. Der technicalLevel ist nicht „ohne Setup”, sondern ein Projekt mit Planung, Installation und Inbetriebnahme.

Begrenzter Wirkungsbereich. Enlight überwacht rotierende Maschinen über Schwingung, Temperatur und Drehzahl. Prozessgrößen, die nichts mit Rotation zu tun haben (etwa Filz-Verblindung oder Permeabilität in der Papiermaschine), liegen außerhalb des Systems und brauchen ergänzende Sensorik. Enlight ist ein Spezialist, kein universeller Anlagen-Monitor.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine KI-getriebene Maschinendiagnostik ohne Lager-Fixierung willst
Schwingungsüberwachung speziell für die Papierindustrie brauchst
Wireless-Sensorik plus App für schnellen Einstieg suchst
AutoML-Anomalieerkennung als Cloud-Service auf eigene Sensordaten legen willst
Eine breite industrielle KI-Plattform über die reine Lagerdiagnose hinaus brauchst

Erwähnenswert ohne eigene Tool-Seite: Schaeffler OPTIME (der direkteste Konkurrent, Schaeffler ist wie SKF Lagerhersteller und verfolgt denselben „Wireless-Sensor plus Cloud plus Lager-Domänenwissen”-Ansatz), Siemens Senseye Predictive Maintenance und Bently Nevada (Baker Hughes). Schaeffler OPTIME ist der relevanteste direkte Wettbewerber: Wer bereits Schaeffler-Lager fährt, sollte beide Systeme gegeneinander ausschreiben. Der Markt der industriellen Condition-Monitoring-Plattformen ist hart umkämpft; ein nüchterner Angebotsvergleich lohnt sich fast immer.

So steigst du ein

Schritt 1: Identifiziere die kritischen Maschinen. Bevor du SKF kontaktierst, mach eine Kritikalitätsanalyse: Welche zehn bis zwanzig Maschinen verursachen bei Ausfall den größten Schaden? An denen beginnt jedes sinnvolle Condition-Monitoring-Projekt. Beschreibe SKF deinen Maschinenpark, vorhandene Sensorinfrastruktur und das Schichtmodell, SKF erstellt daraufhin ein Sensing-Konzept mit empfohlenen Montagepositionen.

Schritt 2: Starte mit einem Pilot statt mit dem Vollausbau. Installiere Enlight Collect Wireless-Sensoren an den kritischsten Lagern (Standard: je Lager Antriebs- und Führungsseite, vertikal/horizontal). Lass das System über vier bis acht Wochen eine Baseline aufbauen, erst dann liefert Enlight AI belastbare Prognosen. Für weniger kritische Maschinen reicht oft Enlight ProCollect mit manuellen Messrouten.

Schritt 3: Binde die Remote Diagnostic Services ein und definiere den Wartungs-Workflow. Lege fest, wer bei einem KI-Befund reagiert, wie die SKF-Diagnose in dein Instandhaltungssystem (z. B. SAP PM) zurückfließt und welche Stufe der Fünf-Stufen-Klassifikation (von „Normal” bis „Sofortiger Handlungsbedarf”) welche Aktion auslöst. Ohne diesen Prozess bleibt selbst die beste KI-Warnung ein ungelesenes Dashboard.

Ein konkretes Beispiel

Das Sappi-Werk in Gratkorn (Österreich) setzt SKF Condition Monitoring auf vier Maschinen ein, allein auf der Papiermaschine PM11 sind rund 600 Sensoren installiert. In weniger als zwei Jahren Betrieb wurden 25 kritische Maschinenprobleme erkannt, 23 davon früh genug für geplante Wartung statt Notabschaltung. Das entspricht einer Früherkennungsrate von rund 92 Prozent. Die vermiedenen Produktionsverluste werden auf etwa 4,3 Millionen Euro beziffert, bei einem Stundensatz von rund 21.800 Euro je Ausfall. Der entscheidende Punkt für ein Werk dieser Größe: Eine einzige verhinderte Notabschaltung an der Pressenpartie zahlt die gesamte Sensorik mehrfach zurück, und je länger das System läuft, desto besser lernt Enlight AI das Normalverhalten der Maschinen kennen und desto früher schlägt es an. Für eine deutsche oder österreichische Papierfabrik mit vergleichbarem Maschinenpark ist das ein realistischer Maßstab.

DSGVO & Datenschutz

• Datenhosting: SKF ist ein europäischer Konzern mit Hauptsitz in Göteborg (Schweden). Eine Datenhaltung innerhalb der EU/Europas ist abbildbar, der konkrete Hosting-Ort sollte aber vertraglich festgehalten werden, da SKF global aufgestellt ist.
• Datenart: Im Kern werden Maschinendaten verarbeitet (Schwingung, Temperatur, Drehzahl), diese sind in aller Regel keine personenbezogenen Daten. Personenbezug entsteht erst bei Nutzerkonten, Bedien- und Wartungsprotokollen.
• Auftragsverarbeitung (AVV): Für den Einsatz von Enlight Centre und Enlight AI als Cloud-Dienst ist ein AVV mit SKF abzuschließen. Das gehört in jedes Beschaffungsgespräch.
• Cloud vs. On-Premise: Je nach Vertrag und Sicherheitsanforderung lässt sich klären, ob Daten in der SKF-Cloud oder in einer eingeschränkteren Umgebung verarbeitet werden, gerade für kritische Infrastruktur (KRITIS) ein wichtiger Punkt.
• Empfehlung für Unternehmen: Da es um Betriebsdaten kritischer Anlagen geht, ist weniger die DSGVO das Hauptthema als die Frage des Geschäftsgeheimnis-Schutzes. Kläre vertraglich, wer Zugriff auf die Rohdaten hat, ob SKF diese zur Modellverbesserung nutzen darf und wo sie gespeichert werden, bei KRITIS-Anlagen zusätzlich die IT-Sicherheitsanforderungen.

Gut kombiniert mit

• , der größte Hebel entsteht, wenn Enlight-Befunde automatisch Wartungsaufträge in deinem CMMS- oder ERP-System erzeugen. Eine Asset-Management-Suite wie Maximo schließt die Lücke zwischen KI-Warnung und realem Arbeitsauftrag. Sonst landet die Diagnose in einem Dashboard, das niemand öffnet.
• , in der Papierindustrie liefert SKF die Lager- und Schwingungsdiagnostik, während eine prozessnahe Plattform den Rest der Maschine (Walzenspalt, Bahnzug, Qualität) im Blick behält. Beide Welten ergänzen sich an derselben Maschine.
• , für Maschinen ohne SKF-Lager oder als Zweitmeinung bei der KI-gestützten Diagnose. Manche Betriebe fahren bewusst zwei Diagnosesysteme parallel, um Fehlalarme gegenzuprüfen.

Unser Testurteil

SKF Enlight verdient 4 von 5 Sternen. In seinem Kerngebiet, Schwingungsdiagnostik an Wälzlagern, ergänzt um eine echte AutoML-Anomalieerkennung, gehört es zur Spitzengruppe. Die Kombination aus über 100 Jahren Lager-Domänenwissen, der aus der Presenso-Übernahme gewonnenen KI und menschlichen Diagnose-Ingenieuren ist schwer zu schlagen, und die EU-Verankerung des Anbieters ist für europäische Industriebetriebe ein Pluspunkt. Den fünften Stern kosten der ausgeprägte Vendor-Lock-in zugunsten des SKF-Ökosystems, die völlig intransparente Preisgestaltung und die Tatsache, dass nichts davon ohne SKF-Spezialisten funktioniert. Wer mit SKF-Lagern arbeitet und ernsthaft auf zustandsbasierte Wartung umstellen will, trifft mit Enlight eine sehr solide Wahl, sollte aber Schaeffler OPTIME und eine herstellerunabhängige Plattform gegenausschreiben, bevor er sich strategisch bindet.

Was wir bemerkt haben

• 2019, SKF übernahm das israelische KI-Start-up Presenso, dessen AutoML-Technologie heute den Kern von Enlight AI bildet. Mitgründer Eitan Vesely wurde anschließend AI Offering Manager bei SKF. Damit hat SKF die KI-Kompetenz zugekauft statt selbst aufgebaut, ein bei Industriekonzernen typischer, aber für die Reife des Produkts entscheidender Schritt.
• 2021–2023, SKF hat seine über Jahre gewachsene Condition-Monitoring-Landschaft (frühere Marken wie @ptitude, Observer, Microlog, Multilog) schrittweise unter dem Dach Enlight neu sortiert: Enlight Centre (Analyse-Hub), Enlight Collect (Wireless-Sensoren), Enlight ProCollect (Routen-App) und Enlight AI (AutoML). Wer ältere Dokumentation liest, stößt noch auf die alten Produktnamen, gemeint ist heute die Enlight-Familie.
• Mai 2026, SKF veröffentlicht weiterhin keine öffentlichen Preise. Der gesamte Beschaffungsprozess läuft über den Vertrieb, was den nüchternen Marktvergleich gegenüber Wettbewerbern wie Schaeffler OPTIME erschwert. Diese Intransparenz ist branchenüblich, bleibt aber ein Schwachpunkt für Einkäufer.