Wartungsplan Optimierung mit KI

Das echte Ausmaß des Problems

Laut dem Siemens-Report “The True Cost of Downtime 2024” (Senseye/Siemens, 2024) verlieren die 500 größten Industrieunternehmen weltweit jährlich rund 1,4 Billionen Dollar durch ungeplante Ausfälle, das entspricht 11 Prozent ihres Gesamtumsatzes. Der branchenübergreifende Median liegt bei 125.000 Dollar pro Stunde Stillstand; in der Automobilfertigung erreicht ein einzelner Ausfall bis zu 2,3 Millionen Dollar pro Stunde.

Mittelstandsbetriebe kämpfen mit denselben Problemen, nur mit dünnerem Puffer:

• Klassische Wartungspläne sind Schätzungen. Herstellerempfehlungen für Intervalle basieren auf Durchschnittswerten, nicht auf deinen konkreten Maschinen, deiner Auslastung, deiner Umgebungstemperatur, deinen Materialien.
• Über- und Unterwartung gleichzeitig. Industriestudien zeigen, dass bei kalenderbasierter Instandhaltung typischerweise 30–40 Prozent aller Wartungseingriffe vor dem tatsächlichen Bedarf stattfinden, während ein erheblicher Teil echter Schäden zwischen zwei Terminen unentdeckt bleibt.
• Das Wissen liegt im Kopf. In vielen Betrieben trägt eine einzelne Person den gesamten Instandhaltungs-Erfahrungsschatz. Geht sie in Rente, fängt das System von vorne an.
• DGUV-Prüfpflichten kommen obendrauf. Für elektrische Betriebsmittel schreibt die DGUV Vorschrift 3 (früher BGV A3) regelmäßige Prüfungen vor, unabhängig vom allgemeinen Wartungsplan. Wer diese Fristen verpasst, haftet im Schadensfall persönlich.

Der Markt für KI-gestützte Predictive Maintenance wuchs von 840 Millionen Dollar (2024) auf erwartet knapp 940 Millionen Dollar im Jahr 2025, die Lernkurve ist abgeflacht, die Technologie ist aus dem Pilotbetrieb raus.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Verbesserungen in Spalte 3 sind realistisch, aber sie setzen voraus, dass ausreichend historische Daten vorliegen und das Modell nicht zu früh als “fertig” gilt. Systeme, die nach vier Monaten Datenbasis produktive Entscheidungen treffen sollen, liefern noch Zufallsergebnisse.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Das Instandhaltungsteam spart tatsächlich Zeit: weniger Notfalleinsätze, weniger koordinative Feuerwehraktionen. Aber das ist eine indirekte Einsparung. Direkt entstehen in der Einführungsphase erhebliche Zusatzaufwände, Sensoren konfigurieren, Modelle kalibrieren, Schwellwerte validieren. Im Tageskerngeschäft bleibt die Zeitersparnis mit geschätzten zwei bis vier Stunden pro Woche im Vergleich zu Anwendungsfällen wie der automatisierten Technischen Spezifikation gering. Wer Zeit sparen will, greift zuerst zu einfacheren Hebeln.

Kosteneinsparung, hoch (4/5) Das ist die eigentliche Stärke: Verhinderte Ausfälle sind in Euro direkt quantifizierbar. Ein einziger Stillstand, der verhindert wird, amortisiert in Betrieben mit hohen Ausfallkosten die gesamte Investition. 20–30 Prozent weniger Wartungskosten durch bessere Terminierung sind in Praxisberichten konsistent dokumentiert. Maximal bewertet werden hier nur Anwendungsfälle mit noch unmittelbarerem Kostenhebel, diese Bewertung ist bereits eine der stärksten in dieser Kategorie.

Schnelle Umsetzung, niedrig (2/5) Kein Weg daran vorbei: Bevor ein ML-Modell sinnvolle Vorhersagen liefert, braucht es historische Daten. Für die meisten Maschinentypen sind das 12 bis 18 Monate mit laufender Sensorik. Selbst wenn du heute mit der Sensormontage anfängst, hast du in sechs Wochen keine produktiven Empfehlungen, sondern erst eine Datenbasis. Projekte mit einem 12-Wochen-Piloten geben hier viel zu optimistische Versprechen ab. Die Umsetzungsschwelle ist reell, und das macht den Einstieg verglichen mit textzentrierten Anwendungsfällen wie der Störungsdiagnose deutlich anspruchsvoller.

ROI-Sicherheit, mittel (3/5) Verhinderte Stillstände sind messbar, aber die Kausalität ist schwer sauber zu isolieren. War der verhinderte Ausfall wirklich dem KI-System zuzuschreiben, oder hätte ihn auch ein aufmerksamer Techniker gesehen? Und in welchem Zeitraum muss gemessen werden? Organisationen, die nach 6 Monaten abrechnen, sehen oft wenige Ereignisse, das Ereignis-Fenster ist zu klein für statistische Aussagen. Verlässliche ROI-Evidenz entsteht erst nach 12–24 Monaten.

Skalierbarkeit, niedrig (2/5) Hier ist Ehrlichkeit wichtiger als ein schönes Radar: Wartungsoptimierung ist keine digitale Dienstleistung, die sich beliebig multiplizieren lässt. Jeder neue Maschinentyp braucht eigene Sensoren (physische Installation), eigene Trainingsdaten (Zeit) und ein neues oder nachjustiertes Modell. Einen Software-Stack auf zehn weitere Maschinen desselben Typs auszurollen ist machbar. Eine neue Maschinenklasse (z. B. von Pressen auf Kompressoren) bedeutet de facto ein neues Projekt. Das unterscheidet diesen Anwendungsfall fundamental von Software-Only-Projekten.

Richtwerte, stark abhängig von Maschinenkomplexität, Ausfallkostenstruktur und vorhandener Sensor-Infrastruktur.

Was das System konkret macht

Predictive Analytics in der Instandhaltung arbeitet mit drei Datenschichten:

Echtzeitdaten von Sensoren. Vibrationssensoren an Lagern, Temperatursensoren an Motoren, Stromsensoren an Antrieben und Drucksensoren in Hydraulikkreisläufen liefern kontinuierlich Messreihen. Solange alles normal läuft, sind das unspektakuläre Zahlen. Interessant wird es, wenn eine Messgröße vom erlernten Normalverhalten abweicht, nicht im Absolutwert, sondern im Trend über Zeit.

Historische Ausfallmuster. Das Machine Learning-Modell wird auf der Betriebshistorie trainiert: Welche Sensorkonstellation hat typischerweise zwei bis vier Wochen vor einem Lagerausfall vorgelegen? Wie sieht der Temperaturverlauf aus, bevor ein Frequenzumrichter ausfällt? Dieses Wissen lässt sich nicht aus Herstellerhandbüchern ziehen, es steckt in den eigenen Anlagendaten.

Umgebungskontext. Schichtpläne, Lastprofile, Umgebungstemperatur, Materialwechsel, all das beeinflusst, wann eine Maschine wahrscheinlich Wartung braucht. Ein Modell, das nur Sensordaten nimmt, aber nicht weiß, dass die Sommerhitze die Kühlmitteleffizienz um 15 Prozent senkt, wird im August zu viele Falschalarme produzieren.

Das Ergebnis ist nicht “Maschine X wird in 5,3 Tagen ausfallen”. Das Ergebnis ist: “Lager 2 an Presse C-7 zeigt ein Vibrationsmuster, das in der Vergangenheit in 73 Prozent der Fälle innerhalb von 2–4 Wochen zu einem Wartungsbedarf geführt hat. Empfehlung: Überprüfung bei nächster Gelegenheit, spätestens in 10 Tagen.”

Das ist ein Hinweis, kein Befehl. Der erfahrene Techniker entscheidet.

Was die DGUV Vorschrift 3 damit zu tun hat

Die DGUV Vorschrift 3 (früher BGV A3) schreibt für alle elektrischen Anlagen und Betriebsmittel regelmäßige Prüfungen vor. Richtwerte für Prüfintervalle gibt es in den Tabellen der Vorschrift, sie sind jedoch kein Fixum. § 5 DGUV V3 stellt explizit klar: “Die Festlegung der Prüffristen im Rahmen der Gefährdungsbeurteilung obliegt dem Unternehmer.”

Der praktische Mechanismus für Intervall-Anpassungen funktioniert über die Fehlerquote: Liegt die Rate der bei Prüfungen festgestellten Mängel bei einer bestimmten Anlagenklasse unter zwei Prozent, gilt das Prüfintervall als ausreichend. Das gibt rechtliche Grundlage, Intervalle zu verlängern. Liegt die Quote höher, muss das Intervall verkürzt werden.

Konkret bedeutet das: Wenn dein kontinuierliches Condition-Monitoring-System zeigt, dass eine Anlage deutlich weniger Isolationswiderstandsabfall zeigt als der Branchendurchschnitt, kannst du das Prüfintervall auf Basis dieser Erkenntnisse verlängern. Umgekehrt: Wenn der Reststrommonitor in den letzten Wochen ungewöhnliche Ausschläge zeigt, ziehst du den Prüftermin vor, ohne auf den nächsten Kalendertermin zu warten.

MBS AG, ein Spezialist für elektrische Prüfungen, beschreibt diesen Mechanismus in ihrer Praxis: Residualstromüberwachung erlaubt es, Isolationsdegradation frühzeitig zu erkennen und den nächsten Prüftermin situationsgerecht vorzuziehen, bevor ein unkontrollierter Anlagenausfall entsteht.

Die entscheidende Bedingung: Jede Abweichung vom Richtwert-Intervall muss dokumentiert und begründbar sein. Das KI-System liefert dabei nicht nur die Empfehlung, sondern automatisch auch die Datenbasis für diese Begründung. Das macht den Unterschied gegenüber dem Bauchgefühl-basierten Vorziehen oder Hinauszögern von Terminen, das rechtlich problematisch ist.

In Betrieben mit vielen elektrischen Betriebsmitteln unter DGUV V3 kann allein die datengestützte Prüfintervall-Optimierung die externen Prüfkosten spürbar senken, ohne Abstriche bei der Sicherheit.

Die Sensorik-Entscheidung: Was ihr hardware-seitig braucht

Das ist der Schritt, der in Blogartikeln gerne übersprungen wird, und der in der Praxis die meisten Projekte verzögert.

Vibrationssensoren sind für rotierende Maschinen (Motoren, Pumpen, Kompressoren, Gebläse) der häufigste Einstieg. Sie erkennen Lagerabnutzung, Unwucht und Ausrichtungsfehler Wochen vor dem Ausfall. Einstiegspreis pro Sensor: 80–300 Euro (IECEx-zertifiziert, ATEX wenn explosionsgefährdete Bereiche).

Temperatursensoren (PT100/PT1000 oder NTC) kosten wenig und liefern viel. Der Temperaturanstieg in Lagern, Wicklungen und Schaltkästen ist einer der zuverlässigsten Frühwarnindikatoren. Wichtig: Die Einbaulage ist entscheidend, ein Sensor 20 Zentimeter vom Lager entfernt sieht die relevante Wärme oft zu spät.

Stromsensoren (Hall-Effekt-Klemmen) können nachgerüstet werden, ohne in die Anlage einzugreifen. Erhöhter Motorstrom bei gleichbleibender Last ist ein typisches Zeichen für mechanischen Verschleiß oder Isolationsprobleme.

Reststrom-/Isolationsüberwachung ist speziell für elektrische Anlagen unter DGUV V3 relevant. Isolationswachter messen kontinuierlich den Ableitstrom und schlagen Alarm, wenn der Isolationswiderstand unter definierte Schwellen fällt, lange bevor ein Kurzschluss entsteht.

Datenanbindung: Damit die Sensordaten ins ML-System fließen können, brauchen Maschinen eine Schnittstelle. Moderne Anlagen (ab ca. Baujahr 2010) sprechen oft OPC UA oder MQTT. Ältere Anlagen brauchen ein Gateway oder einen Edge-Computer, der analoge Signale digitalisiert. Dieser Retro-Fit-Aufwand, Hardware kaufen, montieren, verdrahten, konfigurieren, ist der unterschätzte Zeitfresser in jedem Predictive-Maintenance-Projekt.

Konkrete Werkzeuge, was wann passt

Die Werkzeuglandschaft hat drei Ebenen: Datenerfassung, Analyse und Wartungsverwaltung.

Für Datenverwaltung und Wartungshistorie (CMMS):

UpKeep, Der zugänglichste Einstieg für Betriebe, die noch kein digitales Wartungssystem haben. Mobile-App für Techniker, digitale Wartungsaufträge, Ausfallhistorie pro Asset. KI-Funktion: Empfehlung angepasster Intervalle auf Basis gemeldeter Häufungen. Ohne Sensor-Integration nur reaktiv, aber als Basis für spätere Predictive-Maintenance-Projekte wertvoll. Freemium bis 3 Nutzer, danach ab 20 USD/Nutzer/Monat. Datenhaltung US-seitig, für sensible Produktionsdaten den Datenschutzbeauftragten einbeziehen.

IBM Maximo, Das marktführende Enterprise-Asset-Management-System. Vollständige Instandhaltungsworkflows, Ersatzteilmanagement, DGUV-V3-Fristentracking, Predictive-Analytics-Modul. Für Betriebe unter 200 Mitarbeitenden in der Regel wirtschaftlich nicht darstellbar, Implementierungsprojekte dauern 6–18 Monate. Richtig eingesetzt für größere Industriebetriebe mit komplexem Anlagenpark.

Für Sensordatenanalyse und ML:

AWS Lookout for Equipment, Vollständig verwalteter ML-Dienst für Anomalieerkennung auf Sensordaten. Trainiert automatisch ein Modell auf historischen Sensormessungen und erkennt Abweichungsmuster. Kein ML-Wissen erforderlich. EU-Region Frankfurt (DSGVO-konform möglich). Einstieg: Pay-as-you-go, keine Mindestgebühr. Voraussetzung: AWS-Infrastruktur und mindestens 14 Tage (besser 6 Monate) historische Daten. Gut geeignet für technische Teams mit Cloud-Erfahrung.

Siemens Insights Hub, Siemens’ industrielle IIoT-Plattform für Unternehmen mit Siemens-Maschinenpark. Fertige Konnektoren für SIMATIC-Steuerungen, Anomalieerkennung und Predictive-Service-Apps inklusive, EU-Hosting. Kein Self-Service-Einstieg, Implementierung erfordert Siemens-Partner. Ab fünfstelligem Jahresbudget. Sinnvoll, wenn bereits Siemens-Infrastruktur vorhanden ist.

Für Monitoring und Visualisierung:

Grafana, Open-Source-Standard für Sensor-Dashboards. Kombiniert Sensordaten (InfluxDB, Prometheus) zu individuellen Live-Ansichten, von der Lagertemperatur über Stromschwankungen bis zu Ausfallprognosen. Kostenlos selbst hostbar, EU-Hosting in Cloud-Variante verfügbar. Braucht technisches Setup, bietet aber maximale Flexibilität und keine Lizenzkosten.

Zusammenfassung: Wann welcher Ansatz

• Erster Schritt: Wartungshistorie digitalisieren → UpKeep (sofort einsatzbereit)
• Siemens-Maschinenpark, Enterprise-Budget → Siemens Insights Hub
• AWS-Infrastruktur vorhanden, ML-orientiert → AWS Lookout for Equipment
• Komplexer Anlagenpark, größerer Betrieb → IBM Maximo
• Individuelles Dashboard ohne Lizenzkosten → Grafana OSS selbst hosten

Datenschutz und Datenhaltung

Maschinensensordaten enthalten in der Regel keine personenbezogenen Daten, solange sie sich auf physikalische Parameter wie Temperatur, Vibration und Strom beschränken. Sobald aber Schichtpläne, Maschinenzuweisungen oder Arbeitsauftragshistorien einbezogen werden, können Rückschlüsse auf einzelne Mitarbeitende möglich sein. Dann gilt die DSGVO, und ein Auftragsverarbeitungsvertrag (AVV) mit dem Cloud-Anbieter wird Pflicht.

Für die konkreten Werkzeuge:

• AWS Lookout for Equipment (EU-Region Frankfurt): Datenverarbeitung in Deutschland möglich, DSGVO-konformes EU-Hosting. AVV über AWS-Standardklauseln verfügbar.
• Siemens Insights Hub: EU-Hosting, AVV verfügbar, ISO 27001 zertifiziert. Für KRITIS-Betreiber gibt es eine Private-Cloud-Option ohne Datenabfluss.
• UpKeep: US-Datenhaltung, für Betriebsdaten mit Mitarbeiterbezug den Datenschutzbeauftragten einbeziehen, bevor Wartungsaufträge und Schichtdaten eingespielt werden.
• Grafana OSS selbst gehostet: Volle Datenkontrolle, kein Drittanbieter hat Zugriff. Die sicherste Option für sensible Produktionsdaten.

Betriebsrat und Mitbestimmung: Wenn das Monitoring-System auch Rückschlüsse auf die Arbeitsleistung einzelner Techniker erlaubt (welcher Techniker hat welche Wartungen gemacht, wie schnell, mit welchem Ergebnis), greift das Mitbestimmungsrecht. In Deutschland ist eine Betriebsvereinbarung vor Go-Live empfehlenswert.

Was es kostet, realistisch gerechnet

Einmalige Kosten:

• Sensorhardware pro Maschine (Vibration + Temperatur): 200–1.500 Euro, je nach Komplexität und Zertifizierungsanforderung
• Gateway/Edge-Computer für ältere Maschinen ohne OPC-UA: 300–2.000 Euro pro Anlage
• Montage und Verdrahtung: 2–8 Stunden Elektrikeraufwand pro Maschine
• Daten-Infrastruktur (Cloud-Anbindung, Datenpipeline): 3.000–15.000 Euro Einrichtungsaufwand
• Modell-Training und Kalibrierung: Entweder intern (3–6 Monate Reifezeit) oder mit Dienstleister (5.000–20.000 Euro)

Laufende Kosten:

• UpKeep Professional: 45 USD/Nutzer/Monat (5 Techniker ≈ 2.700 Euro/Jahr)
• AWS Lookout for Equipment: abhängig vom Datenvolumen, typisch 200–800 Euro/Monat für 20–50 Maschinen
• Siemens Insights Hub: ab fünfstellig jährlich, ohne Implementierungskosten
• Grafana Cloud: kostenlos (OSS, selbst gehostet) bis mehrere Hundert Euro/Monat (Cloud-Variante)

Konservativer ROI-Pfad: Ein Betrieb mit 30 kritischen Maschinen und durchschnittlichen Ausfallkosten von 8.000 Euro je ungeplanter Störung verhindert bei 30 Prozent Reduktion ca. 4 Ausfälle pro Jahr. Das ergibt 32.000 Euro jährliche Einsparung. Gesamtinvestition im Pilotprojekt (20 Maschinen, Sensor-Hardware, Infrastruktur): ca. 40.000–70.000 Euro. Break-even: 1,5 bis 2 Jahre.

Diese Rechnung funktioniert nur, wenn die Ausfallkosten tatsächlich so hoch sind. Für Betriebe mit niedrigen Stillstandskosten (z.B. Maschinen, die jederzeit durch eine Reserve ersetzt werden können) rechnet sich das Projekt kaum.

Drei typische Einstiegsfehler

1. Mit zu vielen Maschinen gleichzeitig starten. Der Impuls: Alles sofort erfassen, dann ist das System von Anfang an vollständig. In der Praxis führt das zur Überflutung mit unkonfigurierten Sensordaten, unvollständigen Historien und schlecht kalibrierten Modellen auf allen Anlagen gleichzeitig. Ergebnis: Zu viele Fehlalarme, das Team schaltet Benachrichtigungen ab, das Gegenteil des Ziels. Besser: Mit drei bis fünf Pilotmaschinen mit den höchsten Ausfallkosten starten, sauber kalibrieren, dann skalieren.

2. Das Modell für “fertig” erklären, bevor genug Daten vorliegen. Anbieter sprechen gerne von “Ergebnissen nach 6 Wochen”. Was das bedeutet: Du siehst erste Visualisierungen, erste Anomalie-Flags. Was es nicht bedeutet: Das Modell hat gelernt, echte Ausfälle von Sensorrauschen zu unterscheiden. Dafür braucht es echte Ausfälle, oder zumindest Annäherungen an Ausfälle, im Trainingsdatensatz. Wer nach 6 Wochen produktive Entscheidungen trifft, riskiert Fehlalarme, die das Vertrauen des Instandhaltungsteams dauerhaft beschädigen.

3. Das Condition-Monitoring-System als Ersatz für erfahrene Techniker positionieren. Das ist der kulturell gefährlichste Fehler. Der erfahrene Elektriker oder Maschinenbediener kennt Geräusche, Gerüche und kleine Unregelmäßigkeiten, die kein Sensor misst. Predictive-Maintenance-Systeme sind in der Praxis am wirksamsten als Kombination: Das Modell flaggt eine Anomalie, der Techniker entscheidet, ob und wie reagiert wird. Teams, die das System als “der Computer sagt Wartung, also machen wir Wartung” einsetzen, machen in der Forschung nachweislich schlechtere Ergebnisse als Teams, die beide Perspektiven kombinieren. Nach sechs Monaten gemeinsamer Praxis ist meist klar, welche Signale das Modell besser erkennt und welche der Techniker besser einschätzt.

Was mit der Einführung wirklich passiert, und was nicht

Predictive-Maintenance-Projekte haben eine Eigenschaft, die andere KI-Projekte nicht haben: Sie konkurrieren nicht mit einem Textdokument oder einer Excel-Tabelle, sondern mit 20 Jahren gesammelter Erfahrung von Menschen, die ihre Maschinen sehr gut kennen.

Drei Muster treten regelmäßig auf:

Das “Fehlalarm-Problem” in Woche 3–8. Das frisch konfigurierte Modell hat noch keine stabile Basislinie. Es schlägt Alarm bei Temperaturspitzen, die für diesen Maschinentyp und diese Jahreszeit völlig normal sind. Das Instandhaltungsteam kommt zweimal und findet nichts. Danach ignorieren sie die nächsten 20 Alarme. Gegenmittel: Kalibrierungsphase explizit kommunizieren, Techniker-Feedback aktiv einholen (“War der Alarm berechtigt? Warum nicht?”) und in das Modell zurückspeisen.

Das “Wir machen das schon immer so”-Muster. Erfahrene Instandhalter, die seit 15 Jahren dieselben Maschinen warten, haben für alle relevanten Ausfälle bereits mentale Frühwarnsysteme entwickelt. Das neue System soll ihnen jetzt sagen, was sie schon wissen, und manchmal auch, was sie falsch machen. Das funktioniert nur, wenn ihr Wissen aktiv einbezogen wird: Welche Frühwarnsignale kennen sie? Diese Signale werden als erste Features ins Modell aufgenommen.

Das “18-Monate-und-nichts-passiert”-Frustrations-Szenario. In Betrieben mit wenigen kritischen Maschinen und glücklicherweise geringen Ausfällen ist die Ereignisdichte zu niedrig für statistische Evidenz. Nach 18 Monaten ist kein Ausfall verhindert worden, weil keiner aufgetreten ist, der hätte verhindert werden können. Das Modell hat gelernt, aber kein sichtbares Ergebnis geliefert. Gegenmittel: KPIs schon früh auf “Anomalie-Erkennungsrate” und “Vorwarnzeit” legen, nicht nur auf “verhinderte Ausfälle”. Was das System sieht, lässt sich unabhängig von Ereignissen bewerten.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: 12–18 Monate bis zur verlässlichen Empfehlung ist kein Versagen, es ist die physikalische Realität von Maschinenverschleiß. Anlagen fallen nicht wöchentlich aus. Wer das in sechs Wochen versprochen bekommt, sollte skeptisch sein.

Häufige Einwände, und was dahintersteckt

“Wir kennen unsere Maschinen schon.” Richtig, eure erfahrenen Techniker kennen sie. Aber was passiert, wenn der Kollege mit 20 Jahren Erfahrung in zwei Jahren in Rente geht? Und: Selbst das beste Bauchgefühl kann Messreihen über drei Wochen nicht im Kopf tragen. Predictive Maintenance ersetzt das Wissen nicht, es macht es explizit und übertragbar.

“Das rechnet sich für uns nicht.” Die entscheidende Frage ist nicht der Softwarepreis, sondern: Was kostet ein ungeplanter Ausfall? Bei Betrieben, wo ein Stillstand 2.000 Euro kostet, rechnet sich das Projekt kaum. Bei Betrieben, wo ein Stillstand 50.000 Euro kostet, wegen Lieferketten-Konsequenzen, Vertragsstrafen oder Sicherheitsrisiken, ist selbst ein kleines Pilotprojekt bei einer einzigen verhinderten Störung amortisiert. Diese Rechnung ehrlich zu machen, bevor entschieden wird, ist die wichtigste Vorarbeit.

“Unsere Maschinen sind zu alt für Sensoren.” Ältere Maschinen können oft retrofitten werden, entweder durch externe Klemmsensoren (Temperatur, Strom) oder durch Edge-Gateways, die analoge Signale digitalisieren. Das ist aufwendiger als bei neueren Maschinen mit OPC-UA-Schnittstelle. Für sehr alte Anlagen (Baujahr vor 1990 ohne jede Steuerungselektronik) bleibt der Aufwand hoch. Genau deshalb empfiehlt sich der Einstieg mit neueren, kritischen Maschinen, nicht mit dem ältesten Asset im Maschinenpark.

“Wir haben zu wenig Daten, um ein KI-Modell zu trainieren.” Das stimmt am Anfang. Deshalb beginnt Predictive Maintenance immer mit einer reinen Überwachungsphase, Sensoren messen, Daten sammeln, nichts vorhersagen. Das Modell wird später trainiert. Wer darauf wartet, dass erst “genug Daten” da sind, bevor Sensoren installiert werden, beginnt nie.

Woran du merkst, dass das zu dir passt

• Du hast mehr als 5–10 kritische Maschinen, bei denen ein Ausfall direkte Produktionsfolgen von 10.000 Euro oder mehr hat
• Du betreibst elektrische Anlagen unter DGUV V3 und wärst froh über eine datenbasierte Basis für die Gefährdungsbeurteilung statt reiner Tabellenintervalle
• Ihr habt bereits einen Instandhaltungsverantwortlichen mit Zeit und Mandat, ein Digitalisierungsprojekt zu führen
• Eure Maschinen laufen in einem halbwegs kontinuierlichen Schichtbetrieb, mind. 2 Schichten täglich, damit ausreichend Messdaten entstehen
• Es gibt bereits erste Ausfallhistorie, auch handschriftlich oder in Excel, die als Trainingsgrundlage dienen kann

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

1. Unter 5 kritischen Maschinen mit niedrigen Ausfallkosten. Der Aufwand für Sensorinstallation, Infrastruktur und Modell-Training steht in keinem Verhältnis zum Nutzen, wenn eine Maschine 2.000 Euro Stillstandskosten verursacht. Kalenderbasierte Wartung mit gut dokumentierter Wartungshistorie (z. B. über UpKeep) ist hier effizienter.

2. Keine dokumentierte Wartungs- und Ausfallhistorie (mind. 12 Monate). Ein ML-Modell braucht Trainingsdaten mit bekannten Ereignissen, d.h. Zeiträume, in denen dokumentiert wurde, wann was aufgetreten ist. Wer die Ausfallhistorie seiner Maschinen nicht kennt, hat keine Datengrundlage für ein Modell. Erster Schritt dann: Wartungsmanagement digitalisieren, ein Jahr dokumentieren, dann Predictive Maintenance einführen.

3. Maschinen ohne zugängliche Sensorpunkte oder digitale Schnittstellen. Vollständig mechanische oder sehr alte pneumatische Maschinen ohne jede Elektronik können in der Regel nicht wirtschaftlich mit Predictive Maintenance ausgestattet werden. Wenn physische Eingriffe für jede Sensormontage eine Zertifizierung oder Herstellerfreigabe erfordern, steigen die Einrichtungskosten pro Asset schnell auf das Mehrfache der Software-Kosten.

Das kannst du heute noch tun

Beginne nicht mit Sensoren oder Software, beginne mit einer ehrlichen Bestandsaufnahme. Die wichtigste Frage: “Für welche unserer Maschinen würde ein ungeplanter Ausfall die meisten Folgekosten verursachen?”

Nimm ein leeres Tabellenblatt und erstelle eine Liste mit drei Spalten: Maschine / Letzte drei Ausfälle (Datum + Ursache + Kosten) / Typischer Prüfrhythmus laut DGUV V3 oder Herstellerempfehlung.

Das dauert ein bis zwei Stunden. Was du danach weißt: Welche Maschinen würden von Predictive Maintenance profitieren, und ob überhaupt genug historische Ereignisse vorliegen, um ein Pilotprojekt zu rechtfertigen.

Für die erste KI-gestützte Analyse kannst du diesen Prompt direkt verwenden:

Quellen & Methodik

• Siemens/Senseye “The True Cost of Downtime 2024”: assets.new.siemens.com, Grundlage für Downtime-Kosten (Median 125.000 USD/Stunde, 1,4 Bio. USD Gesamtschaden global). Methodisch: Befragung von 500 größten Industrieunternehmen.
• MBS AG, “Condition-Based Periodic Inspections in Accordance with DGUV V3”: mbs-ag.com, Grundlage für DGUV-V3-Prüfintervall-Anpassungen auf Basis von Fehlerhäufigkeit und Reststromüberwachung.
• DGUV Vorschrift 3, § 5: publikationen.dguv.de, Rechtlicher Rahmen für Prüfintervall-Festlegung durch den Unternehmer.
• Ifactoryapp.com, “Predictive Maintenance Challenges”: ifactoryapp.com, Quelle für die Aussage, dass 68% der Predictive-Maintenance-Barrieren organisatorisch (nicht technisch) sind.
• Oxmaint.com, “Predictive Maintenance ROI”: oxmaint.com, Grundlage für Pilotkosten (5.000–25.000 USD für 5–10 Assets) und ROI-Zeitraum (12–18 Monate).
• Wartungskosteneinsparungen (15–25 %): Konsistenter Wert aus mehreren unabhängigen Industriestudien; Balluff, WorkTrek, Senseye, alle 2023–2024.
• Implementierungsaufwände, Sensorpreise, Fehlerquoten: Eigene Einschätzungen auf Basis öffentlich zugänglicher Projektberichte und Hersteller-Dokumentation (Stand Mai 2026).

Du willst wissen, ob und welche eurer Anlagen sich für einen ersten Predictive-Maintenance-Piloten eignen? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.