Predictive Maintenance Produktion

Das echte Ausmaß des Problems

Ein ungeplanter Stillstand an einer Pressenlinie eines Tier-1-Zulieferers kostet nach aktuellen Branchenschätzungen zwischen 8.000 und 25.000 Euro pro Stunde — direkte Kosten aus entgangenem Output, Personalkosten und Wiederanlaufaufwand. Dazu kommen indirekte Kosten: Lieferterminverzüge, Vertragsstrafen, Imageschäden beim OEM. Wenn eine Anlage unerwartet 4 Stunden stillsteht, ist das kein Betriebsunfall — das ist eine betriebswirtschaftliche Katastrophe im Kleinen.

In der deutschen Automobilzuliefererindustrie gehen Umfragen davon aus, dass 30 bis 45 Prozent aller Wartungsstillstände prinzipiell durch bessere Überwachung hätten vermieden werden können. Das klingt nach einer großen Zahl, ist aber plausibel, wenn man betrachtet, wie Wartung heute typischerweise funktioniert: entweder reaktiv (Anlage fällt aus, dann wird repariert) oder intervallbasiert (Anlage wird nach X Betriebsstunden gewartet — unabhängig davon, ob sie Verschleißanzeichen zeigt oder nicht). Beide Ansätze sind ineffizient. Reaktive Wartung reagiert zu spät. Intervallbasierte Wartung wartet manchmal zu früh (Ressourcenverschwendung) und manchmal trotzdem zu spät (weil der Fehler vor dem nächsten Intervall eintritt).

Predictive Maintenance — vorausschauende Wartung — versucht, den Wartungsbedarf aus dem tatsächlichen Zustand der Anlage abzuleiten. Dafür braucht es Sensordaten, ein Modell, das aus diesen Daten Muster lernt, und ein System, das bei Anomalien rechtzeitig warnt. Das klingt komplex, ist es teilweise auch — aber die Bausteine sind heute deutlich zugänglicher als noch vor fünf Jahren.

So funktioniert es in der Praxis

Der Ausgangspunkt sind Sensordaten: Vibration, Temperatur, Strom, Drehzahl, Druck, Geräusch — je nach Anlage und Fehlertyp unterschiedliche Messwerte. Diese Daten werden kontinuierlich erfasst und an ein zentrales System übermittelt. Moderne Industrieanlagen haben oft bereits Sensoren eingebaut — die Herausforderung liegt dann nicht im Sensing, sondern im Sammeln, Speichern und Auswerten der Daten.

Das KI-Modell wird auf historischen Daten trainiert: Wie sahen die Sensorwerte in den Stunden und Tagen vor einem bekannten Ausfall aus? Was sind normale Betriebsmuster bei unterschiedlichen Produktionsbedingungen? Das Modell lernt, Anomalien zu erkennen — Muster, die von der Norm abweichen und typischerweise auf einen sich anbahnenden Ausfall hindeuten. Diese Anomalie-Erkennung ist der Kern des Systems.

Im Betrieb läuft das so: Das System überwacht kontinuierlich die Sensorwerte. Wenn ein Anomalie-Score einen definierten Schwellenwert überschreitet, löst das System eine Warnung aus: “Lager X zeigt erhöhte Vibrationswerte — Wartung in 48–72 Stunden empfohlen.” Das Wartungsteam kann dann die Wartung in einem geplanten Stillstand durchführen — nicht als Notfallreparatur um 3 Uhr nachts, sondern geplant, mit richtigem Ersatzteil, mit ausreichend Personal.

Praktischer Einstieg: Nicht alle Anlagen auf einmal, sondern mit der kritischsten oder störungsanfälligsten Anlage beginnen. Daten der letzten 12–24 Monate exportieren (wenn vorhanden), Pilotinstallation mit Sensoren und Edge-Gateway, erstes Modell trainieren, Warnsystem aufbauen. Ergebnisse nach 3 Monaten auswerten, dann Rollout planen.

Welche Tools passen hierzu

Siemens MindSphere (jetzt: Siemens Insights Hub) — Industrie-IoT-Plattform aus Deutschland, die Sensordaten sammelt, speichert und mit ML-Tools auswertet. Starke Integration mit Siemens-Anlagen (SINUMERIK, SIMATIC), gut für Betriebe, die bereits Siemens-Automatisierung nutzen. Preise nach Volumen und Modulen, typisch ab 1.000–5.000 Euro/Monat. Für größere Produktionsbetriebe mit Siemens-Equipment die natürliche Wahl.

PTC ThingWorx — etablierte IIoT-Plattform mit guten ML-Modulen für Predictive Maintenance. Gut integrierbar in viele PLC-Systeme und MES. Wird von vielen Tier-1-Zulieferern in der DACH-Region genutzt. Preise auf Anfrage, typisch ab 2.000 Euro/Monat für kleinere Deployments.

Azure IoT Hub + Azure Machine Learning — für Betriebe mit bestehender Microsoft-Infrastruktur. Flexibel, skalierbar, gute Sensor-Integration über MQTT und OPC-UA. Mehr Eigenentwicklungsaufwand als bei fertigen IIoT-Plattformen, dafür mehr Kontrolle und potenziell geringere Gesamtkosten. Microsoft hat spezifische Predictive-Maintenance-Templates für die Automobilbranche.

Uptake / SparkCognition — US-amerikanische Anbieter spezialisiert auf Predictive Maintenance für schwere Industrie und Automotive. Starke ML-Modelle für Anomalie-Erkennung, gute Visualisierungs-Dashboards. Eher für größere Installationen ab ca. 50+ Anlagen.

ifm moneo — deutscher Anbieter (ifm electronic) mit Sensor-Hardware und Cloud-Plattform für Condition Monitoring. Gute Einstiegslösung für mittelständische Betriebe, die noch keine IIoT-Infrastruktur haben. Modularerer Ansatz, der mit einer Anlage starten und schrittweise wachsen kann. Preise ab ca. 200 Euro/Monat für kleine Installationen.

Was es kostet — realistisch gerechnet

Einstieg (Pilot an einer Anlage, ifm moneo oder Azure-basiert):

• Sensor-Hardware: 2.000–8.000 Euro (je nach Anzahl und Art der Messpunkte)
• Implementierungsaufwand: 20.000–50.000 Euro (Konfiguration, Modell-Training, Dashboard-Aufbau)
• Laufende Kosten: 1.000–3.000 Euro/Monat (Plattform + Wartung)

Skaliert (10+ Anlagen, vollintegriert):

• Gesamtinvestition: 150.000–500.000 Euro je nach Umfang
• Implementierungszeit: 12–24 Monate für vollständige Rollout
• Laufende Kosten: 5.000–20.000 Euro/Monat

ROI-Rechnung am Beispiel: Zulieferer mit 3 kritischen Anlagen, historisch 8 ungeplante Stillstände pro Jahr, durchschnittlich 3 Stunden pro Stillstand, Kosten 12.000 Euro/Stunde = 288.000 Euro jährliche Stillstandskosten. Predictive Maintenance reduziert ungeplante Stillstände um 60 Prozent: Einsparung ca. 172.000 Euro pro Jahr. Investition Pilot-Projekt (eine Anlage): ca. 60.000 Euro einmalig + 18.000 Euro/Jahr Betrieb. Amortisation der Pilotanlage: unter 6 Monaten.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Datenerhebung & Architekturplanung	Monat 1–2	Historische Störungsdaten analysieren, vorhandene Sensoren inventarisieren, Plattform und Pilotanlage auswählen	Daten nicht vorhanden oder unstrukturiert — Wartungsprotokolle oft nur auf Papier, müssen erst digitalisiert werden
Sensor-Installation & Datensammlung	Monat 2–4	Zusätzliche Sensoren installieren, Datenfluss aufbauen, Edge-Gateway konfigurieren	OPC-UA / Maschinenanbindung komplex — Kompatibilität mit älterer SPS-Steuerung vorab prüfen
Modell-Training & Validierung	Monat 4–6	Anomalie-Erkennungsmodell trainieren, Schwellenwerte kalibrieren, Parallelbetrieb mit manueller Überwachung	Zu wenig historische Ausfalldaten — Modell kann echte Ausfallmuster nicht lernen, liefert zu viele Fehlalarme
Produktivbetrieb & Rollout	Ab Monat 6	Erste Anlage in Vollbetrieb, KPIs messen (Stillstände, Frühwarntreffer), Rollout planen	Wartungsteam ignoriert Warnungen — Change Management und klarer Eskalationspfad für Warnmeldungen nötig

Häufige Einwände

„Unsere Anlagen sind zu alt — sie haben keine Sensoren und keine digitale Schnittstelle.” Das ist häufig — und lösbar. Retrofit-Sensorik kann auch an älteren Anlagen nachgerüstet werden: Vibrationsaufnehmer am Lagergehäuse, Temperatursensoren an kritischen Punkten, Strommesszangen am Schaltschrank. Diese Messgrößen allein reichen oft für erste Anomalie-Erkennung aus. Der Aufwand ist real, aber deutlich geringer als ein Maschinenersatz. Die Faustregel: Wenn eine Anlage mehr als 50.000 Euro Reparaturkosten pro Jahr verursacht oder ein Ausfall den Gesamtbetrieb stoppt, lohnt sich Retrofit-Sensorik wirtschaftlich.

„Wir haben keine Daten aus vergangenen Ausfällen — wie soll das Modell lernen?” Das ist die häufigste technische Hürde. Es gibt zwei Wege: Entweder startet man mit einem rein anomalie-basierten Ansatz (das Modell lernt “normal” und markiert Abweichungen) — das braucht keine Ausfalldaten, funktioniert aber weniger präzise als ein Modell, das echte Ausfallereignisse kennt. Oder man beginnt mit der Datensammlung und plant Predictive Maintenance als 12–18 Monate-Projekt: Erst Daten sammeln, dann Modell trainieren, dann in Betrieb nehmen. Wer diesen Weg früh einschlägt, hat in zwei Jahren ein deutlich besseres Modell.

„Unser Wartungsteam wird das nicht akzeptieren — die misstrauen Computern.” Change Management ist bei Predictive Maintenance oft das größte Projekt neben der Technik. Die Erfahrung zeigt: Wartungstechniker akzeptieren Warnungen deutlich besser, wenn sie transparent sehen, welche Sensorwerte die Warnung ausgelöst haben — und wenn frühe Warnungen, die sich als zutreffend herausstellen, sichtbar kommuniziert werden. “Anlage 7 hatte letzte Woche eine Warnung — wir haben nachgeschaut und das Lager war tatsächlich kurz vor dem Ausfall” baut Vertrauen auf. Das braucht Zeit, aber es funktioniert.