Predictive Maintenance Produktion

Das echte Ausmaß des Problems

Ein ungeplanter Stillstand an einer Pressenlinie eines Tier-1-Zulieferers kostet 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.

Branchenumfragen in der deutschen Automobilzuliefererindustrie zeigen, dass 30 bis 45 Prozent aller Wartungsstillstände prinzipiell durch bessere Überwachung hätten vermieden werden können (Schätzwert aus Praxisberichten). Das klingt nach einer optimistischen Schätzung — ist aber plausibel, wenn man betrachtet, wie Wartung heute typischerweise funktioniert:

• Reaktiv: Anlage fällt aus, dann wird repariert. Kostenintensivste Variante.
• Intervallbasiert: Anlage wird nach X Betriebsstunden gewartet — unabhängig davon, ob sie Verschleißanzeichen zeigt. Manchmal zu früh (Ressourcenverschwendung), manchmal trotzdem zu spät.
• Erfahrungsbasiert: Der erfahrene Techniker “hört” die Anlage. Funktioniert gut — solange er da ist, nicht im Urlaub, nicht in Rente gegangen.

Predictive Analytics und Machine Learning bieten eine vierte Option: Wartungsbedarf aus dem tatsächlichen Zustand der Anlage ableiten. Das ist keine neue Idee — aber die Bausteine dafür sind heute deutlich zugänglicher und günstiger als noch vor fünf Jahren.

McKinsey zeigt, dass vorausschauende Ansätze ungeplante Ausfallzeiten um 30–50 % und Wartungskosten um 10–40 % senken können. Deloittes Erhebungen unter Anwendern zeigen in 95 Prozent der Fälle positiven ROI — wobei 27 Prozent die Investition bereits im ersten Jahr vollständig amortisiert haben.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Predictive Maintenance spart nicht täglich Stunden Büroarbeit. Es spart das reaktive Feuerlöschen — die 3-Uhr-Telefonanrufe, die Wochenend-Reparaturen, das stundenlange Warten auf Ersatzteile. Das ist real und wertvoll, aber es trifft nicht täglich ein. Im täglichen Betrieb läuft das System im Hintergrund und erzeugt manchmal eine Warnung. In dieser Kategorie liegt die Zeitersparnis unter dem Schnitt.

Kosteneinsparung — hoch (4/5) Der finanzielle Hebel ist groß — 8.000 bis 25.000 Euro pro Stillstandsstunde sind eine ernsthafte Zahl. Wer drei bis fünf ungeplante Stillstände pro Jahr verhindert, hat eine sechs- bis siebenstellige Einsparung. Das ist der zweithöchste Kostenhebel in dieser Kategorie nach der Computer-Vision-Qualitätsprüfung — aber schwerer zu isolieren, weil der “verhinderte Ausfall” unsichtbar bleibt.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der schwierigste Einstieg in der gesamten Automotive-Branch. Sensordaten müssen vorhanden oder nachgerüstet werden. Historische Ausfallprotokolle müssen existieren oder digital erfasst werden. Das Modell braucht reale Ausfallereignisse zum Lernen — die möglicherweise erst nach 6–12 Monaten Datensammlung ausreichend vorhanden sind. Wer heute anfängt, hat realistisch frühestens in 9–15 Monaten ein valides System. Wer das unterschätzt, wird enttäuscht.

ROI-Sicherheit — hoch (4/5) Wenn ausreichend Daten vorhanden sind, ist der ROI gut messbar: Stillstände werden protokolliert, Warnungen werden dokumentiert, Treffer können nachgewiesen werden. Der Vorbehalt: In den ersten 12 Monaten werden vielleicht nur ein oder zwei Ausfälle verhindert — was kaum für eine belastbare Statistik reicht. Der ROI wird erst im zweiten und dritten Jahr wirklich sichtbar.

Skalierbarkeit — sehr hoch (5/5) Das ist der klare Vorteil gegenüber Computer Vision: Einmal ist die Infrastruktur gebaut — Edge-Gateways konfiguriert, Datenplattform eingerichtet, Analyseworkflow etabliert. Jede weitere Anlage kostet dann primär Sensor-Hardware und Modell-Training, aber keine neue Infrastruktur. Bei 20 Anlagen ist der Aufwand je Anlage deutlich geringer als beim Piloten.

Richtwerte — stark abhängig von Anlagenkomplexität, Datenlage und Produktionsvolumen.

Was das System konkret macht

Der Ausgangspunkt sind Sensordaten: Vibration, Temperatur, Strom, Drehzahl, Druck, Geräusch — je nach Anlage und Fehlertyp unterschiedliche Messgrößen. Diese Daten werden kontinuierlich erfasst und an ein zentrales System übermittelt.

Das Machine Learning-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.

Im Betrieb läuft es so: Das System überwacht kontinuierlich die Sensorwerte. Wenn ein Anomalie-Score einen definierten Schwellenwert überschreitet, gibt es eine Warnung: “Lager X zeigt erhöhte Vibrationswerte — Wartung in 48–72 Stunden empfohlen.” Das Wartungsteam kann die Wartung dann geplant und mit richtigem Ersatzteil durchführen — kein Notfalleinsatz um 3 Uhr nachts.

Was das System nicht kann

Predictive Maintenance kann nur warnen, was es durch Sensordaten sehen kann. Ein elektrischer Defekt, der keine Temperatur- oder Vibrationsanomalie erzeugt, ist für das System unsichtbar. Spontanversagen durch Fremdeinwirkung oder Material-Chargenprobleme sind ebenfalls nicht vorhersagbar. Das System reduziert ungeplante Stillstände — es eliminiert sie nicht vollständig.

Konkrete Werkzeuge — was wann passt

Siemens Insights Hub (ehemals MindSphere) — Industrie-IoT-Plattform aus Deutschland, die Sensordaten sammelt, speichert und mit ML-Tools auswertet. Starke Integration mit Siemens-Anlagen (SINUMERIK, SIMATIC). Für Betriebe mit Siemens-Automatisierung die natürliche Wahl. Typisch ab 1.000–5.000 Euro/Monat, je nach Umfang und Modulen.

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

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

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

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

Zusammenfassung: Wann welcher Ansatz

• Siemens-Equipment vorhanden → Insights Hub
• Bestehende Microsoft-Infrastruktur → Azure IoT + ML
• Mittelstand, kein IIoT bisher, kleiner Start → ifm moneo
• Viele Anlagen, großes Programm → PTC ThingWorx oder SparkCognition

Datenschutz und Datenhaltung

Maschinendaten fallen in der Regel nicht unter die DSGVO — Vibrationswerte einer Presse sind keine personenbezogenen Daten. Das ändert sich, wenn Daten auf Schichtzuordnung oder individuelle Maschinenbediener zurückführbar sind. In diesem Fall greift das Mitbestimmungsrecht des Betriebsrats nach § 87 Abs. 1 Nr. 6 BetrVG.

Praktische Empfehlung: Maschinendaten so anlegen, dass keine Rückführung auf einzelne Personen möglich ist, oder eine Betriebsvereinbarung schließen, die Zweck, Umfang und Auswertungstiefe der Daten regelt. Das ist keine bürokratische Hürde — es schafft Akzeptanz beim Wartungsteam.

Für die Daten-Infrastruktur: Industrielle Sensordaten unterliegen häufig Vertraulichkeitsanforderungen gegenüber dem OEM. Wer Produktionsdaten an eine Cloud-Plattform überträgt, sollte prüfen, ob dies mit Geheimhaltungsvereinbarungen vereinbar ist. EU-gehostete Lösungen (Siemens, Azure EU) sind hier im Vorteil.

Der EU AI Act stuft Predictive-Maintenance-Systeme für Produktionsanlagen in der Regel nicht als Hochrisiko-KI ein.

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 bis vollständiger Rollout
• Laufende Kosten: 5.000–20.000 Euro/Monat

ROI-Rechnung — konservatives 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/Jahr. Investition Pilot (eine Anlage): ca. 60.000 Euro einmalig + 18.000 Euro/Jahr Betrieb. Amortisation der Pilotanlage: unter 6 Monaten.

Wann die Rechnung nicht aufgeht: Wenn die Anlage sehr selten ausfällt (unter zweimal pro Jahr) oder sehr günstig zu reparieren ist (unter 5.000 Euro Stillstandskosten gesamt), ist der ROI unter dem Pilotaufwand. Wenn keine historischen Störungsdaten existieren, dauert die Anlernphase so lange, dass sich der Business Case erst nach 2+ Jahren zeigt.

Typische Einstiegsfehler

1. Ohne historische Ausfallprotokolle starten. Ein Anomalie-Erkennungsmodell kann lernen, was “normal” ist — und Abweichungen melden. Aber es kann nicht lernen, welche Abweichungen auf einen bevorstehenden Ausfall hinweisen, ohne historische Ausfallereignisse. Wer keine Störungsprotokolle hat, bekommt ein System, das viele Warnungen produziert — aber niemand weiß, wie ernst sie sind. Lösung: 3–6 Monate reine Datensammlung mit paralleler Protokollierung vor dem Modell-Training einplanen.

2. Zu viele Schwellenwerte zu früh zu restriktiv setzen. Ein neues System generiert viele Fehlalarme — das ist normal in der Kalibrierungsphase. Wenn das Wartungsteam in den ersten Wochen zehnmal auf eine Warnung reagiert und nichts findet, hören sie auf, die Warnungen ernst zu nehmen. Lösung: Schwellenwerte bewusst konservativ starten (weniger Warnungen, aber höhere Trefferquote), dann schrittweise verfeinern.

3. Warnungen starten, Techniker-Einbindung vergessen. Das System ist live, die ersten Warnungen gehen raus — und das Wartungsteam quittiert sie mit “das war schon immer so”. Nach zwei Wochen werden Warnungen nur noch überflogen, nach vier Wochen ignoriert. Wenn dann das Lager an Anlage 3 trotz Warnung ausfällt, ist das Vertrauen weg — und mit ihm das Projekt. Was fehlt: Ein gemeinsames Review der ersten zehn Warnungen mit dem Wartungsteam, bevor der Vollbetrieb beginnt. Nicht das System präsentieren, sondern die Logik dahinter erklären lassen.

4. Nach erfolgreicher Pilotphase keine Verantwortlichkeit für Modellpflege definieren. Das System läuft stabil, die ersten Ausfälle wurden verhindert — und dann kommt der stille Abstieg. Anlagen werden erweitert, Schmiermittel gewechselt, Betriebszeiten verlängert. Das Modell kennt diese Änderungen nicht. Schwellenwerte, die einst sinnvoll waren, passen nicht mehr zum veränderten Betriebszustand. Warnungen häufen sich oder bleiben aus — beides ist ein Problem. Lösung: Ein Modellpflege-Owner benennen, der bei jeder Anlagenänderung eine Schwellenwert-Überprüfung auslöst, und ein festes Quartals-Review der Alarm-Treffsicherheit etablieren.

Was mit der Einführung wirklich passiert — und was nicht

Das größte Missverständnis: Predictive Maintenance ist ein Technologieprojekt. Es ist in Wirklichkeit ein Organisationsprojekt mit Technologie-Anteil.

Widerstandsmuster im Wartungsteam: Erfahrene Techniker haben oft das Gefühl, sie “hören” die Anlage besser als jeder Sensor. Das stimmt manchmal — für sehr spezifische, durch Erfahrung gut kalibrierte Muster. Für kontinuierliche Überwachung von 50 Messpunkten über drei Schichten und 24 Stunden stimmt es nicht. Der Schlüssel ist nicht, diesen Einwand zu entkräften, sondern die Expertise der Techniker zu nutzen: Sie definieren, welche Muster auf welches Problem hinweisen — und trainieren damit das Modell. Wer das System mitgebaut hat, nutzt es auch.

Die erste echte Trefferwarnung ist der Wendepunkt. “Anlage 7 hatte letzte Woche eine Vibrations-Warnung — wir haben nachgesehen und das Lager war tatsächlich kurz vor dem Ausfall” — dieser Satz verändert die Teamdynamik. Solange er noch nicht gesagt wurde, ist das System eine abstrakte Technik. Danach ist es ein nützliches Werkzeug.

Planungsabteilung einbinden. Predictive Maintenance erzeugt Wartungsempfehlungen. Diese müssen in die Produktionsplanung integriert werden — geplante Wartungsfenster, Ersatzteilbestellungen, Schichtanpassungen. Ohne diesen Prozess landet die Warnung im leeren Raum.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„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. Der IoT-Sensor-Preis ist in den letzten fünf Jahren um 80–95 Prozent gesunken — ein Messpunkt kostet heute 25 bis 100 US-Dollar in der Hardware. Faustregel: Wenn eine Anlage mehr als 50.000 Euro Reparaturkosten pro Jahr verursacht oder ein Ausfall den Gesamtbetrieb stoppt, rechnet sich Retrofit-Sensorik.

„Wir haben keine historischen Ausfallprotokolle.” Zwei Wege: Ein rein anomalie-basierter Ansatz, der “normal” lernt und Abweichungen markiert — das braucht keine Ausfalldaten, ist aber weniger präzise. Oder: 12–18 Monate Datensammlung vor dem eigentlichen Modell-Training einplanen. Wer diesen Weg früh einschlägt, hat in zwei Jahren ein deutlich besseres System als jemand, der auf den richtigen Moment gewartet hat.

„Unser Wartungsteam wird das nicht akzeptieren.” Change Management ist bei Predictive Maintenance oft das größte Projekt neben der Technik. Was funktioniert: Nicht überzeugen, sondern einbinden. Techniker benennen die drei kritischsten Anlagen und die Muster, die sie bei sich anbahnenden Ausfällen beobachten — das wird der erste Trainingsdatensatz. Wer das Modell mitgebaut hat, zweifelt nicht an seinen Warnungen.

Woran du merkst, dass das zu dir passt

• Ihr habt drei oder mehr Anlagen, bei denen ein Ausfall die gesamte Linie stoppt
• Ungeplante Stillstände kosten euch mehr als 50.000 Euro pro Jahr — wenn du das nicht weißt, ist das selbst schon ein Hinweis
• Ihr habt bereits Sensoren an Anlagen, aber niemand wertet die Daten systematisch aus
• Euer Wartungsteam reagiert heute ausschließlich reaktiv oder nach festem Intervall
• Ihr habt mindestens 12 Monate digitale (oder digitalisierbare) Wartungsprotokolle

Wann es sich (noch) nicht lohnt: Unter drei bis vier kritischen Anlagen ist der Aufwand unverhältnismäßig. Wenn Ausfälle selten, günstig und schnell zu reparieren sind, fehlt der wirtschaftliche Hebel. Wenn Wartungsprotokolle ausschließlich auf Papier existieren und keine Ressourcen für die Digitalisierung vorhanden sind, ist eine andere Grundlagenarbeit zuerst nötig.

Das kannst du heute noch tun

Nimm dir 30 Minuten und beantworte drei Fragen: Wie viele ungeplante Stillstände hattet ihr in den letzten 12 Monaten? Wie lange hat jeder durchschnittlich gedauert? Was kostet euch eine Stillstandsstunde?

Diese Zahl — Stunden × Kosten/Stunde — ist dein maximaler ROI. Wenn sie unter 100.000 Euro liegt, ist ein vollständiges Predictive-Maintenance-Programm wahrscheinlich nicht wirtschaftlich. Wenn sie darüber liegt, lohnt sich das nächste Gespräch.

Für die interne Analyse oder ein erstes Gespräch mit einem Dienstleister:

Quellen & Methodik

• 30–50 % Reduktion ungeplanter Ausfallzeiten: McKinsey & Company, „Maintenance’s moment” (2021); bestätigt durch mehrere unabhängige Branchenstudien.
• 95 % positive ROI-Quote, 27 % Amortisation im ersten Jahr: Deloitte Insights, „Predictive Maintenance Trends” (2023).
• Ungeplante Ausfallzeiten weltweit 1,4 Billionen US-Dollar: Emerge Research, Automotive Predictive Maintenance Service Market Report (2024).
• IoT-Sensorpreis -80–95 % in 5 Jahren: Geotab, Samsara-Marktberichte (2024); branchenweite Schätzung, nicht exakt verifizierbar.
• Kosten Stillstand 8.000–25.000 Euro/Stunde: Erfahrungswerte aus deutschen Automotive-Zuliefererprojekten; stark abhängig von Linientyp und OEM-Vertragsbedingungen.
• OPC-UA, MQTT-Integration: IEC 62541 (OPC-UA Standard); MQTT-Protokoll-Dokumentation.
• Betriebsrat-Mitbestimmung § 87 BetrVG: BetrVG in der aktuell gültigen Fassung; WEKA-Rechtskommentar Telematik/Betriebsrat (2024).
• EU AI Act: Verordnung (EU) 2024/1689, kein Hochrisiko-Tatbestand für industrielle Predictive Maintenance.