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 Unternehmen der Welt jährlich rund 1,4 Billionen Dollar durch ungeplante Ausfälle, das entspricht 11 Prozent ihres Umsatzes. Eine Stunde Stillstand kostet dort zwischen 36.000 Dollar in der Konsumgüterfertigung und 2,3 Millionen Dollar in einem großen Automobilwerk. Das sind Zahlen großer Werke, hochgerechnet aus 181 Interviews, nicht die Kosten eines Mittelständlers. Deine eigenen Ausfallkosten je Störung sind die Zahl, auf die es unten ankommt.

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. Bei kalenderbasierter Instandhaltung findet ein Teil der Wartungseingriffe vor dem tatsächlichen Bedarf statt, während sich echte Schäden zwischen zwei Terminen aufbauen, wie bei Marcs Presse. Wie groß der Anteil ist, zeigt dir deine eigene Wartungshistorie: Wie oft war beim Termin alles in Ordnung?
• 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, riskiert nach einem Unfall den Regress der Berufsgenossenschaft, bei grober Fahrlässigkeit auch gegen die verantwortlichen Führungskräfte persönlich (§ 110 SGB VII).

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, mittel (3/5) Das ist die eigentliche Stärke, aber nur unter einer Bedingung: hohe Ausfallkosten je Störung. Verhinderte Ausfälle sind in Euro quantifizierbar, allerdings nicht in voller Höhe, denn das Lager wird trotzdem getauscht, nur geplant statt ungeplant. Mit Ausfallkosten wie bei Marc (23.000 Euro) trägt sich ein Pilot in gut einem Jahr, mit 8.000 Euro je Störung praktisch nie (Rechnung unten). 15–25 Prozent weniger Wartungseinsätze sind Anbieterangaben, keine unabhängige Messung. Deshalb Mitte statt Spitze: Der Hebel ist groß, aber er hängt an einer Zahl, die viele Betriebe nicht kennen.

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 nach zwölf 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 Kühlung spürbar schwächt, 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 stehen in den Tabellen der Durchführungsanweisungen, sie sind jedoch kein Fixum. § 5 Abs. 1 DGUV V3 gibt den Maßstab vor: “Die Fristen sind so zu bemessen, dass entstehende Mängel, mit denen gerechnet werden muss, rechtzeitig festgestellt werden.” Festgelegt werden sie vom Arbeitgeber im Rahmen der Gefährdungsbeurteilung nach Betriebssicherheitsverordnung.

Für Intervall-Anpassungen gibt es zwei Wege, und sie gelten für verschiedene Betriebsmittel:

• Ortsveränderliche Betriebsmittel (Tabelle 1B): Maßstab ist die Fehlerquote bei den Prüfungen. Beträgt sie höchstens 2 Prozent, kann die Prüffrist als ausreichend angesehen werden, verlängert wird dann bis zu den dort genannten Maximalwerten. Liegt die Quote höher, ist die Frist zu lang.
• Ortsfeste Anlagen und Betriebsmittel (Tabelle 1A, Richtwert vier Jahre): Die Prüfanforderungen gelten auch als erfüllt, wenn die Anlagen ständig überwacht werden, also kontinuierlich von Elektrofachkräften instand gehalten und durch messtechnische Maßnahmen im Betrieb geprüft werden, etwa durch Überwachung des Isolationswiderstands. Genau hier setzt Condition Monitoring an.

Konkret bedeutet das: Wenn dein kontinuierliches Monitoring bei einer ortsfesten Anlage den Isolationswiderstand lückenlos überwacht und Elektrofachkräfte sie instand halten, kann das die Wiederholungsprüfung ersetzen. 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. Kein Gratisplan mehr, Essential 24 USD, Premium 55 USD je Nutzer und Monat, Professional auf Anfrage. 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:

Amazon SageMaker , der AWS-Weg für Anomalieerkennung auf Sensordaten, seit AWS den Fertigdienst Amazon Lookout for Equipment zum 7. Oktober 2026 abschaltet und Bestandskunden auf eigene Modelle verweist. Wichtiger Unterschied zum eingestellten Vorgänger: Lookout trainierte das Modell selbst, bei SageMaker baust du es. Rechne mit Data-Science-Aufwand statt mit einem Konfigurationsdialog. EU-Regionen inklusive Frankfurt verfügbar, Abrechnung pay-as-you-go ohne Mindestgebühr. Voraussetzung: AWS-Infrastruktur, ML-Kompetenz im Haus oder beim Dienstleister, und eine Datenhistorie, in der echte Ausfälle vorkommen, siehe Zeitplan unten.

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-Kompetenz im Haus → Amazon SageMaker
• 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:

• Amazon SageMaker (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 nach § 87 Abs. 1 Nr. 6 BetrVG. Ohne Zustimmung des Betriebsrats darf das System dann nicht laufen, in der Praxis regelt das eine Betriebsvereinbarung vor Go-Live.

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 Premium: 55 USD/Nutzer/Monat, Essential 24 USD, Professional auf Anfrage
• Amazon SageMaker : abhängig von Instanzgröße und Trainingslauf, dazu einmaliger Entwicklungsaufwand für das Modell. Preise nach AWS-Preisliste, keine Pauschale
• Siemens Insights Hub: ab fünfstellig jährlich, ohne Implementierungskosten
• Grafana Cloud: kostenlos (OSS, selbst gehostet) bis mehrere Hundert Euro/Monat (Cloud-Variante)

ROI-Pfad, mit offenen Annahmen: Ein Betrieb nimmt 20 seiner 30 kritischen Maschinen in den Pilot. An diesen 20 Maschinen gibt es bisher rund neun ungeplante Ausfälle im Jahr (Annahme, zähle deine eigenen). Senkt das System das um 30 Prozent, sind das knapp drei verhinderte Ausfälle. Verhindert heißt nicht kostenlos: Das Lager wird trotzdem getauscht, nur geplant. Kostet der ungeplante Ausfall 8.000 Euro und der geplante Tausch 3.000 Euro, bleiben 5.000 Euro je Fall, rund 15.000 Euro im Jahr, abzüglich der Fehlalarme, bei denen jemand umsonst nachsieht.

Dagegen stehen 40.000–70.000 Euro Investition (Sensorik, Infrastruktur, Modell) und laufende Kosten von grob 5.000–10.000 Euro im Jahr für CMMS-Lizenzen, Cloud und Modellpflege. Netto bleiben 4.000–9.000 Euro, der Break-even liegt bei vier bis über 15 Jahren, also bei 8.000 Euro je Störung praktisch nie innerhalb der Lebensdauer der Sensorik.

Kostet eine Störung dagegen wie bei Marc 23.000 Euro, sind es drei mal 20.000 Euro, rund 60.000 Euro im Jahr, und der Break-even liegt unter anderthalb Jahren. Die Ausfallkosten je Störung entscheiden, nicht die Software. Für Betriebe mit niedrigen Stillstandskosten (z.B. Maschinen, die jederzeit durch eine Reserve ersetzt werden können) rechnet sich das Projekt nicht.

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, verschenken genau das Wissen, das die Fehlalarme aussortiert. 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, holt schon eine einzige verhinderte Störung einen kleinen Pilot mit drei bis fünf Maschinen weitgehend wieder herein. 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 20.000 Euro oder mehr hat, darunter trägt die Rechnung oben nicht
• 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 (abgerufen 18.09.2026), Grundlage für die Downtime-Kosten: 1,4 Bio. USD und 11 % des Umsatzes bei den 500 größten Unternehmen, 36.000 USD je Stunde in FMCG bis 2,3 Mio. USD in der Automobilindustrie. Methodisch: 181 Online-Interviews mit Fachleuten großer Industrieunternehmen, April 2019 bis März 2023, hochgerechnet. Einen branchenübergreifenden Median je Stunde nennt der Report nicht.
• 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 mit Durchführungsanweisungen: bghm.de (abgerufen 18.09.2026), Maßstab für die Fristen in § 5 Abs. 1, Tabelle 1A mit ständiger Überwachung als Ersatz der Wiederholungsprüfung bei ortsfesten Anlagen, Tabelle 1B mit der 2-Prozent-Fehlerquote für ortsveränderliche Betriebsmittel.
• 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 %) und Ausfallreduktion (30–50 %): Anbieterangaben, unter anderem Balluff, WorkTrek und Senseye (2023–2024). Eine unabhängige Studie mit diesen Werten haben wir nicht gefunden.
• 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.