Maschinenwartungsprotokoll Druckmaschine

Das echte Ausmaß des Problems

Eine ungeplante Stillstandstunde an einer Bogenoffset- oder Rollendruckmaschine kostet eine mittelständische Druckerei je nach Maschinengröße und Auftragsauslastung zwischen 1.000 und 5.000 Euro — durch entgangene Produktion, Überstunden für die Nacharbeit, Materialverlust beim Einrichten und im schlimmsten Fall Konventionalstrafen für Terminverzug. Das sind keine theoretischen Schäden; das sind die Größenordnungen, die Betriebsleiter aus dem Bauch heraus nennen, wenn man sie fragt.

Das eigentliche Problem liegt tiefer: Die meisten mittelständischen Druckereien betreiben ihre Maschinen mit reaktiver Wartung. Gewartet wird, wenn etwas kaputt ist — nicht, wenn ein Muster auf einen bevorstehenden Ausfall hindeutet. Dabei sind die Muster vorhanden: Ein Feuchtwerk, das dreimal im Jahr Probleme macht, tut das aus einem Grund. Gummitücher, die bei bestimmten Substraten früher verschleißen als bei anderen, zeigen ein Muster. Farbwerkswalzen, die in der Sommerhitze häufiger Laufprobleme haben als im Winter, zeigen ein Muster.

Diese Muster werden nicht erkannt, weil die Daten zu ihnen entweder gar nicht erfasst oder so unstrukturiert dokumentiert sind, dass niemand sie systematisch auswerten kann. Laut einer Systematischen Übersichtsarbeit zu Predictive-Maintenance-Praktiken (ScienceDirect, 2025) sind unzureichende Datendokumentation und fehlende Strukturierung der häufigste Grund, warum vorausschauende Wartung im Mittelstand scheitert — noch vor mangelnder Sensorik oder fehlendem technischen Know-how.

Die gute Nachricht: Der erste Schritt ist kein KI-Projekt. Er ist ein Digitalisierungsprojekt — und dafür braucht man kein großes Budget.

Druckmaschinentypik: Bogenoffset, Rollenoffset, Digitaldruck

Die Art der Druckmaschine entscheidet, welcher Wartungsansatz sinnvoll ist — nicht nur technisch, sondern auch wirtschaftlich. Die Verschleißmuster, Stillstandsursachen und Datenverfügbarkeit unterscheiden sich erheblich.

Bogenoffsetmaschinen (Heidelberg Speedmaster, KOMORI Lithrone, manroland Sheetfed)
Typische Verschleißkomponenten: Gummitücher (Wechsel nach 200.000–500.000 Druckbogen, stark substratabh.), Farbwerkswalzen (Härtegradkontrolle vierteljährlich empfohlen), Feuchtungsanlage (Dosierung, Walzenkonditionierung). Stillstandsursachen sind oft auf wenige kritische Systeme konzentriert — und damit gut durch strukturierte Protokolle erfassbar. Moderne Bogenoffsetmaschinen ab ca. Baujahr 2012 haben in der Regel eine interne Steuerungseinheit, deren Logdaten auslesbar sind.

Rollenoffsetmaschinen (Koenig & Bauer Commander, Goss Sunday, manroland web)
Laufen im Zweischicht- oder Dreischicht-Betrieb mit deutlich höherer Produktionsintensität. Verschleiß an Druckzylindern, Schneidwerk und Falzapparat tritt bei höheren Stundenleistungen schneller auf. Stillstände kosten hier überproportional viel, weil Rollenmaschinen typischerweise Spitzenauslastung fahren. Koenig & Bauer hat für seine Commander-Reihe ein Predictive-Maintenance-System entwickelt, das auf den ausgelesenen Maschinendaten von Plattenwechsler, Rollenwechsler und Schmiersystem basiert — nutzbar seit 2021, mit über 20 Pilotdruckereien im Einsatz.

Digitaldruckmaschinen (HP Indigo, Konica Minolta AccurioPress, Canon varioPRINT)
Andere Verschleißlogik: Druckköpfe, Fixiereinheiten, Transferbänder bestimmen die Wartungszyklen — meist herstellerseitig über Seitenzähler und Temperaturmonitoring gesteuert. Hier ist das OEM-eigene Serviceportal fast immer der sinnvollste Startpunkt; eigene IoT-Sensorik rechnet sich für Digitaldruckmaschinen seltener als bei analogen Offsetmaschinen.

Praktische Konsequenz: Für Bogenoffset- und Rollenoffsetmaschinen ist eine eigenständige digitale Wartungserfassung mit anschließender KI-Auswertung sinnvoll. Für Digitaldruckmaschinen ist der OEM-Servicevertrag mit integriertem Remote-Monitoring meist die wirtschaftlichere Wahl.

Hersteller-Telemetrie oder eigene IoT-Sensorik?

Das ist die entscheidende technische Weichenstellung — und sie wird in der Praxis selten explizit getroffen.

Hersteller-Telemetrie (OEM-Daten)
Heidelberg, Koenig & Bauer und manroland stellen für ihre neueren Maschinenmodelle cloudbasierte Telemetrielösungen bereit. Heidelberg nutzt seit 2002 Maschinendaten aus vernetzten Druckmaschinen und hat über seinen Heidelberg Assistant eine Plattform aufgebaut, die Predictive-Monitoring-Alerts auf Basis von Vergleichsdaten aus über 11.000 vernetzten Pressen weltweit generiert. Der Vorteil: Die Modelle sind auf echten Maschinendaten trainiert, der Hersteller-Service kann direkt eingebunden werden. Der Nachteil: Nur für neuere, vernetzte Maschinen — und man gibt Maschinendaten an den OEM weiter, was datenschutzrechtlich zu klären ist.

Eigene IoT-Sensorik (Retrofit)
Für ältere Maschinen ohne Netzwerkanschluss oder für Betriebe, die keine Daten an den OEM weitergeben wollen, gibt es Retrofit-Lösungen: Vibrationssensoren, Laufzeitzähler, Temperaturfühler werden nachgerüstet und an ein eigenes CMMS angebunden. Der Aufwand ist höher (Sensorinstallation, Datenanbindung, eigene Schwellenwert-Definition), aber die Datensouveränität bleibt im Haus. Anbieter wie ToolSense unterstützen diesen Weg explizit.

Hybridansatz
In der Praxis empfiehlt sich für die meisten mittelständischen Druckereien ein Stufenvorgehen: Erst die digitale Grunderfassung aufbauen (CMMS, strukturierte Protokolle), dann für die zwei bis drei kritischsten Maschinen Sensorik nachrüsten, und OEM-Telemetrie dort nutzen, wo sie verfügbar ist und die Datenweitergabe akzeptabel ist.

Typische Verschleißpunkte bei Offsetmaschinen

Wer verstehen will, warum strukturierte Wartungsdaten wichtig sind, muss die konkreten Verschleißpunkte kennen. Hier sind die drei, die in der Praxis die meisten ungeplanten Stillstände verursachen:

Gummitücher (Offsettücher)
Das Gummituch überträgt das Bild vom Druckzylinder auf den Bedruckstoff. Es verschleißt durch mechanische Beanspruchung, UV-Strahlung (bei UV-Druck), Lösemittelkontakt und Druck. Die Lebensdauer variiert stark: 200.000–1.500.000 Druckbogen je nach Substrat, Druckbild und Pflege. Wann genau ein Tuch getauscht werden sollte, ist ohne Protokoll kaum nachvollziehbar — und ein zu spät gewechseltes Tuch produziert Ausschuss, bevor der Fehler sichtbar wird. Moderne Druckereien führen für jedes Gummituch eine Seriennummer, Einbauprotokoll und Laufzeiterfassung — das System von maint.tec (EMTEC IT-Solutions) macht genau das für Walzen und Tücher.

Farbwerkswalzen
Das Farbwerk einer Offsetmaschine besteht aus 20 bis 40 Walzen, deren Härtegradkontrolle und Auflagedruck präzise eingestellt sein müssen. Verschleiß zeigt sich in ungleichmäßiger Farbverteilung, Tonwertzunahme-Problemen und Streifen im Druck. Das Problem: Walzenverschleiß ist schleichend und wird oft erst bemerkt, wenn Reklamationen kommen. Wer die Farbwerkseinstellung bei jeder Wartung dokumentiert und die Abweichungen über Monate verfolgt, kann den Tausch planen — statt ihn zu erleben.

Feuchtungsanlage
Im Offsetdruck ist das Gleichgewicht zwischen Farbe und Wasser das Kernprinzip. Probleme im Feuchtwerk — verstopfte Düsen, verkalkte Befeuchtungswalzen, falsche Alkohol-Dosierung — sind eine der häufigsten Ursachen für ungeplante Rüststopps. Diese Probleme treten saisonal auf (Wasserqualität im Sommer, Luftfeuchtigkeit im Winter), was sie durch historische Daten besonders gut vorhersagbar macht. Ein einfaches digitales Wartungsprotokoll mit Datum, Jahreszeit und Symptombeschreibung reicht, um das Muster sichtbar zu machen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Koenig & Bauer-Daten stammen aus dem Pilotkunden-Report von 2021, in dem Prokuristin Margit Schweizer (WE-Druck, Oldenburg) den Effekt beschreibt: „Wir können uns keine Stopps leisten. Predictive Maintenance gibt uns Planungssicherheit, die wir vorher nicht hatten.”

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5)
Das System spart primär dem Instandhaltungsleiter Zeit bei der Protokollführung und Analyse — etwa 1–2 Stunden pro Woche. Das ist real, aber verglichen mit anderen Anwendungsfällen im Druckbereich (Druckfreigabe-Prüfung, Kundenkorrespondenz) kein dominanter Hebel. Der eigentliche Wert liegt nicht in der Zeit, die du heute sparst, sondern in den Stillstandstunden, die du morgen vermeidest — das ist Kosteneinsparung, nicht Zeitersparnis im engeren Sinne.

Kosteneinsparung — hoch (4/5)
Jeder vermiedene ungeplante Stillstand spart 1.000–5.000 Euro direkt. Wer von 8 auf 2–3 ungeplante Stopps pro Maschine pro Jahr kommt, hat das System in wenigen Wochen refinanziert. Das ist der stärkste Hebel in dieser Kategorie — und er ist direkt zählbar, was ihn unter Investitionsargumenten besonders überzeugend macht.

Schnelle Umsetzung — niedrig (2/5)
10–16 Wochen bis zur auswertbaren Datenbasis sind der ehrliche Zeitrahmen. Zuerst müssen historische Daten digitalisiert werden, dann muss das Team die App tatsächlich nutzen, und erst dann lassen sich Muster erkennen. Wer sofortigen Nutzen erwartet, wird enttäuscht. Die Belohnung kommt nach 3–6 Monaten konsequenter Protokollführung — nicht früher. Damit gehört dieser Anwendungsfall zu den langsameren Einstiegen im Druckbereich.

ROI-Sicherheit — hoch (4/5)
Stillstände sind zählbar, Stillstandsstunden sind messbar, und der Wert einer verhinderten Stunde ist bekannt. Das macht den ROI-Nachweis direkt und überzeugend — anders als bei Anwendungsfällen, bei denen der Nutzen indirekt oder schwer isolierbar ist. Die einzige Unsicherheit: Wie viele Stillstände hätte es ohne das System gegeben? Diese kontrafaktische Frage lässt sich nie vollständig beantworten, aber die Trendlinie der eigenen Ausfallstatistik ist ein starkes Argument.

Skalierbarkeit — mittel (3/5)
Das System skaliert gut innerhalb eines Betriebs — mehr Maschinen, mehr Protokolle, mehr Muster. Aber: Jede neue Maschinentype braucht eine eigene Einarbeitungsphase, und OEM-gebundene Telemetrie funktioniert nicht herstellerübergreifend. Wer drei Heidelberg- und zwei KOMORI-Maschinen betreibt, braucht entweder ein herstelleragnostisches CMMS oder zwei getrennte Systeme. Das limitiert die Skalierbarkeit im Vergleich zu Software-only-Anwendungen.

Richtwerte — stark abhängig von Maschinentyp, Altersstruktur des Maschinenparks und Auslastung.

Was das System konkret macht

Das Grundprinzip ist dreistufig: erfassen, strukturieren, auswerten.

Stufe 1 — Digitale Erfassung
Jeder Wartungseingriff, jede Störung, jeder Tausch wird digital dokumentiert: Datum, Uhrzeit, Maschinenkomponente, Art des Eingriffs, Dauer, Ergebnis. Das passiert idealerweise per App am Smartphone — der Techniker scannt einen QR-Code an der Maschine und füllt ein strukturiertes Formular aus. Kein Papierstapel, keine Ordner, keine unleserliche Handschrift. Die Erfassung dauert 3–5 Minuten pro Vorgang statt 15–30 Minuten mit Papier.

Stufe 2 — Strukturierung und Historisierung
Das System sammelt alle Einträge und verknüpft sie mit der Anlagenkennung, dem Baujahr, dem Bauteil und — wenn Sensoren vorhanden sind — mit Laufstunden oder Sensorwerten. Nach 3–6 Monaten entsteht eine Datenbasis, die systematische Fragen erlaubt: Welche Maschine hat die meisten Ausfälle? Welches Bauteil tritt wie häufig auf? In welcher Jahreszeit häufen sich Feuchtungsprobleme?

Stufe 3 — KI-Auswertung und Empfehlungen
Auf Basis der historischen Daten werden Muster sichtbar. Einfachste Form: regelbasierte Schwellenwerte (“Wenn Gummituch-Laufstunden > 400.000 und Substratkategorie = gestrichenes Papier, dann Wechsel empfehlen”). Fortgeschrittene Form: Machine Learning-Modelle, die mehrere Parameter gleichzeitig berücksichtigen und ihre Empfehlungen aus dem eigenen Betriebsverlauf verfeinern. Für die meisten mittelständischen Druckereien ist Stufe 3 nicht der Startpunkt — sie ist das Ziel nach 12–18 Monaten Datenbasis.

Die Predictive Analytics-Funktionen, die OEM-Anbieter wie Heidelberg über den Heidelberg Assistant oder Koenig & Bauer über ihr PdMS-System anbieten, überspringen Stufe 1 und 2 teilweise — weil die Maschinendaten direkt aus der Steuereinheit kommen. Aber sie funktionieren nur für Maschinen, die diese Datenschnittstellen haben, und setzen voraus, dass der Betrieb seine Daten mit dem OEM teilt.

Konkrete Werkzeuge — was wann passt

MaintainX — Einstieg ohne Voraussetzungen
Mobile-first CMMS, kostenloser Basic-Plan mit unbegrenzten Nutzern. Techniker erfassen Ausfälle, Wartungszeiten und Fotos direkt vom Smartphone. Gut strukturierter CSV-Export für externe Auswertungen in Excel oder Power BI. Einschränkung: Interface und Support auf Englisch, Datenhaltung in den USA. Für die erste Digitalisierungsphase dennoch ein pragmatischer Einstieg — kein Budget, keine IT, sofort nutzbar. Essential-Plan ab 16 USD/Nutzer/Monat.

ToolSense — IoT-first für Retrofit-Szenarien
Österreichische Plattform mit deutschsprachigem Support und EU-Datenhaltung. Kombiniert QR-Code-Anlagen-Tracking mit direkter IoT-Sensoranbindung — geeignet, wenn ältere Maschinen mit eigener Sensorik nachgerüstet werden sollen. Keine öffentlichen Preise, Angebot auf Anfrage. Empfehlung: für Druckereien, die Datensouveränität priorisieren und Retrofit für 2–5 Maschinen planen.

Heidelberg Prinect Maintenance Center / Heidelberg Assistant — für Heidelberg-Betriebe
Für Druckereien mit neueren Heidelberg-Maschinen ist der Heidelberg Assistant der direkteste Weg zu Predictive Monitoring. Das System greift auf Daten aus über 11.000 vernetzten Pressen zurück und generiert wartungsspezifische Alerts. Kosten sind Teil des Heidelberg-Servicepakets — keine eigenständige Lizenz. Nachteil: Maschinendaten laufen über Heidelberg-Cloud, was datenschutzrechtlich zu klären ist.

Microsoft Power BI — Auswertung auf bestehender Datenbasis
Wenn Wartungsdaten bereits strukturiert vorliegen (in MaintainX oder ToolSense exportiert), ist Power BI das günstigste Analyse-Werkzeug für die visuelle Auswertung. Kostenloser Desktop-Client (Windows), Pro-Lizenz ab 12,10 €/Nutzer/Monat. Sinnvoll für den Instandhaltungsleiter, der monatliche Ausfallberichte automatisiert erstellen will — ohne eigenen Data Scientist.

Zusammenfassung: Wann welcher Ansatz

• Erste Digitalisierung, kein Budget, kein IT-Projekt → MaintainX (Basic-Plan, kostenlos)
• Retrofit älterer Maschinen, deutsche Oberfläche, EU-Hosting → ToolSense
• Heidelberg-Maschinenpark, OEM-Daten nutzen wollen → Heidelberg Prinect + Heidelberg Assistant
• Auswertungs-Dashboards aus bestehenden Daten → Microsoft Power BI

Datenschutz und Datenhaltung

Wartungsprotokolle einer Druckmaschine enthalten in aller Regel keine personenbezogenen Daten im Sinne der DSGVO — es sind Maschinendaten, keine Mitarbeiterdaten. Das vereinfacht die datenschutzrechtliche Bewertung erheblich. Trotzdem gibt es zwei Punkte, die geklärt sein müssen:

OEM-Telemetrie: Wenn Maschinendaten über die Hersteller-Cloud laufen (Heidelberg Assistant, Koenig & Bauer PdMS), teilst du Produktionsdaten mit dem Hersteller — Schichtleistungen, Produktionszeiten, Störungsarten. Das ist nicht per se problematisch, aber es gibt Informationen über eure Kapazitätsauslastung preis. Kläre vor der Aktivierung, welche Daten genau übertragen werden und wie lange der OEM sie speichert. Ein AVV nach Art. 28 DSGVO ist erforderlich, sofern es auch nur mittelbar zu personenbezogenen Daten kommen kann (z. B. Schichterfassung je Bediener).

CMMS mit Nutzerdaten: Sobald das Wartungssystem erfasst, welcher Mitarbeiter welchen Eingriff durchgeführt hat — was für Qualitätsnachweise oft sinnvoll ist — werden personenbezogene Daten verarbeitet. In diesem Fall gilt die DSGVO vollständig, und ein AVV mit dem Softwareanbieter ist Pflicht. MaintainX hostet in den USA — wer sensible Personaldaten nicht in die USA geben will, sollte ToolSense (EU) oder eine On-Premise-Lösung wählen.

Gute Nachricht: Für die reine Maschinenprotokollierung ohne Mitarbeiterzuordnung ist die datenschutzrechtliche Lage unkompliziert. Fang dort an.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Historische Daten digitalisieren (Papierwartungsordner, letzte 12–24 Monate): typisch 2–4 Wochen Aufwand intern, entspricht 40–80 Stunden
• Softwaresetup CMMS: 0–2.000 Euro (MaintainX Basic: kostenlos; ToolSense: individuelle Konfiguration auf Anfrage)
• IoT-Sensorik für Retrofit (optional, 2–5 Maschinen): 500–3.000 Euro pro Maschine, je nach Sensortyp und Anbindungsaufwand
• Schulung Techniker: 1 halber Tag; keine externe Consulting nötig für Stufe 1

Laufende Kosten (monatlich)

• MaintainX Essential: ab 16 USD/Nutzer/Monat
• ToolSense: Angebot auf Anfrage, vergleichbar mit 400–800 Euro/Monat für mittelständische Druckerei mit 5–10 Maschinen (Richtwert)
• Heidelberg Prinect Maintenance Center: im Servicevertrag enthalten — Preise auf Anfrage bei Heidelberg
• Microsoft Power BI Pro: 12,10 Euro/Nutzer/Monat (für den Instandhaltungsleiter ausreichend)

Wie du den ROI tatsächlich misst
Zähle vor der Einführung, wie viele ungeplante Stillstände du in den letzten 12 Monaten je Maschine hattest, und halte die Stunden fest. Das ist die Baseline. Nach 12 Monaten mit digitalem System: selbe Auswertung. Die Differenz in Stunden mal dem lokalen Maschinenstundensatz (bei Offsetmaschinen typisch 200–600 Euro/Stunde je nach Maschinenklasse) ergibt den messbaren ROI — ohne Schätzungen.

Konservatives Beispiel
4 Bogenoffsetmaschinen, je 3 ungeplante Stillstände à 3 Stunden pro Jahr: 36 Stillstandstunden. Bei 300 Euro/Stunde: 10.800 Euro Jahreslastschaden. Wenn das System 60 Prozent dieser Stopps verhindert: 6.480 Euro eingespart. Laufende Kosten des CMMS: ca. 2.500 Euro/Jahr. Amortisation: unter sechs Monaten.

Drei typische Einstiegsfehler

1. Mit dem KI-System starten, bevor die Datenbasis steht.
Der häufigste Fehler: eine Predictive-Maintenance-Software kaufen, bevor überhaupt strukturierte historische Daten vorliegen. KI-Modelle brauchen Trainingsdaten. Wenn die letzten zwei Jahre Wartungshistorie im Papierordner stecken und nicht digitalisiert sind, kann das System keine Muster erkennen. Lösung: Zuerst 6–12 Monate konsequent digitalisieren und erfassen — dann mit Auswertung beginnen.

2. Das System läuft, aber die Empfehlungen werden nicht umgesetzt.
Das ist der tückischste Fehler — weil er unsichtbar bleibt. Das System generiert einen Alert (“Gummituch auf Maschine 2 nähert sich dem empfohlenen Wechselintervall”), aber weil kein Ersatzteil vorrätig ist, der Techniker gerade woanders eingeplant ist oder der Produktionsdruck zu hoch erscheint, wird der Wechsel aufgeschoben. Drei Wochen später steht die Maschine. Ein Frühwarnsystem, dessen Empfehlungen nicht befolgt werden, ist kein Wartungssystem — es ist ein gutes Gewissen mit schlechtem Ausgang. Lösung: Klare Eskalationsregel definieren: wer entscheidet bei einem Alert, wer ist verantwortlich für die Umsetzung?

3. Das Modell wird einmal kalibriert und dann nicht mehr angepasst.
Druckmaschinen sind keine statischen Systeme. Wenn ein Betrieb seinen Papierlieferanten wechselt, auf UV-Druck umsteigt oder neue Substratformate einführt, verändern sich die Verschleißmuster. Ein Modell, das auf alten Daten trainiert wurde, gibt danach falsche Empfehlungen — und niemand merkt es, weil die Ausgaben sich zunächst plausibel anfühlen. Lösung: Nach jeder wesentlichen Änderung im Produktionsprozess (neues Material, neuer Kunde mit anderem Substratmix, Maschinenwartung beim OEM) explizit prüfen, ob die Empfehlungsschwellen noch stimmen.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist schnell eingerichtet. Das Schwierige ist das Tagesgeschäft.

Die Protokollierungslücke in der Frühschicht.
Wenn Maschine 4 um 5:30 Uhr einen kurzen Ruck macht, der Drucker ihn wegdrückt und weiterläuft — wird das protokolliert? In der Regel nicht. Erstens, weil der Drucker die Erfassung als Zusatzaufwand erlebt. Zweitens, weil kleine, nicht sofort produktionsstörende Ereignisse subjektiv keine Meldung wert erscheinen. Genau diese Ereignisse sind aber oft die frühen Signale, die ein Predictive-Maintenance-System erkennen soll. Was hilft: Jede Abweichung — egal wie klein — als erfassenswert definieren. Das muss in der Einführungsschulung aktiv kommuniziert werden, nicht als Pflicht, sondern als Verständnis: “Du hilfst der Maschine, sich zu melden.”

Der Instandhaltungsleiter als Champion.
Das System funktioniert nur, wenn eine Person im Betrieb sich aktiv darum kümmert: Reports auswertet, Alerts ernst nimmt, Empfehlungen in Wartungsplanung übersetzt. Diese Rolle muss explizit vergeben werden — nicht an die IT, nicht an den Hersteller, sondern an jemanden, der die Maschinen kennt. In den meisten Druckereien ist das der Instandhaltungsleiter selbst oder ein erfahrener Maschinenbediener. Ohne diesen Menschen läuft das System im Leerlauf.

Was das System nicht macht:
Es sagt dir nicht, wann eine Maschine ausfallen wird. Es zeigt dir Muster, die auf erhöhtes Ausfallrisiko hinweisen — und empfiehlt präventive Maßnahmen. Die Entscheidung trifft immer noch ein Mensch. Das ist kein Mangel, das ist die richtige Architektur: KI als Entscheidungsunterstützung, nicht als Ersatz für handwerkliche Einschätzung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Techniker haben das immer im Kopf. Die brauchen kein System.”
Das stimmt — solange dieselben Techniker da sind. Was passiert beim Urlaub, bei Krankheit, beim Renteneintritt? Das implizite Wissen, das in 20 Jahren Erfahrung steckt, verschwindet mit der Person. Wer das System einführt, macht dieses Wissen explizit und damit übertragbar. Das entlastet die erfahrenen Leute übrigens auch — sie sind weniger die unverzichtbare Auskunftsstelle und mehr der Mentor, der das System mitprägt.

„Das kostet Geld, das wir nicht haben.”
Schau dir an, was ein einziger ungeplanter Stillstand im letzten Jahr gekostet hat. Dann vergleiche das mit den Systemkosten. In den meisten Druckereien ist schon eine verhinderte Stillstandstunde die komplette Jahreslizenz eines CMMS. Wer mit MaintainX im Basic-Plan startet, zahlt erst einmal gar nichts.

„Wir haben das schon mal mit einer Excel-Tabelle versucht. Hat nicht funktioniert.”
Excel-basierte Wartungserfassung scheitert fast immer nicht an Excel, sondern an der fehlenden mobilen Erfassung. Wenn der Techniker nach dem Eingriff erst ins Büro gehen muss, um den Eintrag zu machen, bleibt er weg. Mobile-first CMMS wie MaintainX oder ToolSense lösen genau dieses Problem: Eintrag am Smartphone, direkt bei der Maschine, in 3 Minuten.

Woran du merkst, dass das zu dir passt

Du hast 3 oder mehr Produktionsdruckmaschinen im Betrieb — genug, um Muster über den Maschinenpark zu erkennen und Vergleichsanalysen sinnvoll zu machen.

Du hast in den letzten 12 Monaten mindestens 3–4 ungeplante Maschinenstillstände erlebt, die zusammen mehr als 5.000 Euro direkte Kosten verursacht haben — das ist der Schwellenwert, ab dem das System wirtschaftlich eindeutig sinnvoll ist.

Deine Wartungshistorie liegt auf Papier — oder ist so unstrukturiert digital, dass niemand sie auswerten kann. Das ist der häufigste Ausgangspunkt und ein gutes Zeichen: Es gibt Daten, sie müssen nur zugänglich gemacht werden.

Du hast mindestens eine Person, die sich 2–3 Stunden pro Woche darum kümmern kann — als interner Champion, nicht als IT-Aufgabe.

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 3 Produktionsmaschinen. Die Ereignisfrequenz ist zu gering, um statistisch relevante Muster zu erkennen. Mit zwei Maschinen und 4–6 Ereignissen pro Jahr pro Maschine ist jede “Muster”-Erkennung Zufallsartefakt. Hier reicht ein strukturiertes, aber manuell geführtes Wartungsformular — ohne KI.

2. Keine Wartungshistorie der letzten 12 Monate vorhanden. Predictive-Maintenance-Modelle brauchen historische Trainingsdaten. Wenn die Ordner der letzten zwei Jahre in einem nicht digitalisierbaren Zustand sind (unleserlich, lückenhaft, verloren), musst du zunächst 6–12 Monate Neudaten sammeln, bevor Auswertungen sinnvoll sind. Das System kann trotzdem sofort starten — aber der KI-Anteil kommt erst später.

3. Keine dedizierte Person für die Systembetreuung. Ein CMMS, das eingerichtet und dann sich selbst überlassen wird, gibt nach 6 Monaten veraltete Empfehlungen — weil Schwellenwerte nicht angepasst wurden, neue Maschinenkomponenten nicht erfasst sind, und Alerts unbeachtet akkumulieren. Ohne einen namentlich verantwortlichen Instandhaltungsverantwortlichen ist das Ergebnis schlimmer als kein System: das System schläft, aber niemand weiß es.

Das kannst du heute noch tun

Öffne MaintainX — kostenloser Basic-Plan, kein IT-Projekt nötig. Lege die drei Maschinen an, die in den letzten 12 Monaten die häufigsten Störungen hatten. Trage für jede die letzten fünf Wartungseinträge aus dem Papierordner nach. Dann stelle die einfachste analytische Frage: Welche Maschine hat die meisten Einträge? Auf welchem Bauteil?

Das dauert einen Nachmittag. Was du danach weißt: ob das Konzept für deinen Betrieb funktioniert — und wo der erste präventive Handlungsbedarf liegt.

Für eine erste schnelle KI-unterstützte Auswertung mit Sprachmodellen kannst du auch folgenden Prompt direkt nutzen:

Quellen & Methodik

• Koenig & Bauer Predictive Maintenance Pilotbericht (2021): “Predictive Maintenance erfolgreich im Zeitungs- und Akzidenzmarkt eingeführt” — Koenig & Bauer AG. Zitiert wird Margit Schweizer (Prokuristin WE-Druck, Oldenburg) zum Produktionssicherheitseffekt. 20+ Pilotdruckereien mit Rollenoffsetmaschinen (Commander CL). Quelle: at.koenig-bauer.com/en/news (2021).
• maint.tec / EMTEC IT-Solutions GmbH (März 2026): “Walzen und Gummitücher effizient managen” — beschreibt die spezifische Seriennummern-Erfassung und Laufzeitdokumentation für Walzen und Gummitücher in Druckereien. Quelle: immittelstand.de, März 2026.
• Systematische Übersichtsarbeit Predictive Maintenance (2025): “Systematic review of predictive maintenance practices in the manufacturing sector” — ScienceDirect / Elsevier. Identifiziert unzureichende Datendokumentation als Hauptursache für gescheiterte Predictive-Maintenance-Projekte im Mittelstand. DOI: 10.1016/j.iswa.2025.
• Heidelberg Pressroom-of-the-future / Heidelberg Assistant: Heidelberg AG berichtet, seit 2002 Maschinendaten zu sammeln; Heidelberg Assistant verbindet Daten aus über 11.000 vernetzten Pressen für Predictive Monitoring. Quelle: heidelberg.com (Stand: Mai 2026).
• MaintainX Preisangaben: Öffentlich verfügbarer Tarif Essential ab 16 USD/Nutzer/Monat, Stand Mai 2026. Quelle: getmaintainx.com.
• Maschinenstundensätze Druckerei: Erfahrungswerte aus der deutschen Druckkalkulation (Koco-Kalkulationssatzvergleich, BVDM) — für mittelständische Bogenoffsetmaschinen typisch 200–600 €/Stunde je nach Maschinenklasse und Auslastung. Keine öffentliche Primärquelle für spezifische Einzel-Stundensätze.

Willst du wissen, welcher Ansatz für deinen spezifischen Maschinenpark und deine aktuelle Datenlage am besten passt? Meld dich — das klären wir in einem kurzen Gespräch.