Predictive Maintenance: Ausfälle vorhersagen statt reparieren

Das echte Ausmaß des Problems

Ungeplante Maschinenstillstände gehören zu den teuersten Ereignissen in der Fertigung. Eine Studie von Senseye unter großen Industrieunternehmen beziffert die Kosten auf durchschnittlich über 450.000 Euro pro Stunde. Im Mittelstand ist das Bild anders — aber auch weniger dramatisch sieht es nicht aus: Eine mittlere CNC-Fräsanlage im Lohnfertiger kostet bei Ausfall 5.000 bis 20.000 Euro pro Stunde in entgangenen Aufträgen, gebundenen Personalkosten und Konventionalstrafen, wenn Liefertermine gerissen werden.

Laut einer Erhebung des Maschinenbau-Verbands VDMA verlieren produzierende Unternehmen im Schnitt 5 bis 10 Prozent ihrer Produktionskapazität durch ungeplante Stillstände. Die herkömmliche Antwort — präventive Wartung nach Kalender — löst das Problem nur zur Hälfte: Sie erzwingt Austausch von Teilen, die noch funktionstüchtig wären, und übersieht trotzdem Defekte, die sich zwischen zwei Inspektionen entwickeln.

Was Instandhaltungsleiter in der Praxis berichten:

• Lager, Getriebe und Spindeln fallen selten exakt nach Kalender aus — Belastung, Materialcharge und Umgebungsbedingungen variieren
• Bei 50+ Maschinen im Werk ist es unmöglich, täglich manuell zu kontrollieren — Anomalien werden erst sichtbar, wenn es zu spät ist
• Erfahrene Maschinenführer erkennen „ungewöhnliche Geräusche” — aber dieses Wissen ist schwer zu skalieren und hört mit dem Renteneintritt auf

Die gute Nachricht: Maschinen kündigen die meisten Ausfälle an. Vibrationsmuster verändern sich, Temperaturen steigen langsam, Stromaufnahme variiert. Das Signal ist vorhanden — es braucht nur jemanden, der es systematisch liest.

Mit vs. ohne KI — ein ehrlicher Vergleich

Quellen: VDMA Instandhaltung 2023; McKinsey Global Institute, „The smart factory” (2019); Senseye, „The True Cost of Downtime” (2022). Einzelwerte variieren stark je nach Maschinentyp und Betrieb — die angegebenen Bandbreiten sind als Orientierung zu verstehen.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Der Effekt entsteht nicht durch tägliche Routinezeitersparnis, sondern durch verhinderte Notfalleinsätze. Eine Notfallreparatur an einer komplexen CNC-Anlage bindet in der Regel 2–4 Stunden Instandhaltungszeit — zuzüglich der Wartezeiten für Teile. Wenn du 10–15 solcher Ereignisse im Jahr vermeidest, summiert sich das deutlich. Nicht ganz maximal bewertet, weil Predictive Maintenance keine Zeit im Tagesgeschäft spart, sondern Ausnahmeereignisse reduziert.

Kosteneinsparung — sehr hoch (5/5) Kein anderer Use Case in dieser Kategorie hat ein vergleichbares Einsparpotenzial bei erfolgreicher Umsetzung. Stillstandkosten von 5.000 bis 50.000 Euro pro Stunde, weniger Notfalllogistik, weniger unnötige Teiletausch — die Einsparbeträge übersteigen die Implementierungskosten bei realer Ausfallfrequenz innerhalb eines Jahres. Voraussetzung: Die Maschinen sind gut vernetzt, die Datenbasis ist da.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist die ehrlichste Zahl auf diesem Chart. Ein ML-Modell für Anomalieerkennung braucht historische Daten über Normalbetrieb und Ausfälle — in der Praxis sind das 6 bis 18 Monate Datensammlung, bevor das Modell verlässlich arbeitet. Hinzu kommen Sensorinstallation, Netzwerkintegration, Dateninfrastruktur und Modelltraining. Das ist kein SaaS-Tool, das du in einer Woche einführst. Für diesen Use Case ist das in dieser Kategorie der langsamste Einstieg.

ROI-Sicherheit — hoch (4/5) Wenn die Daten vorhanden sind und das Modell läuft, ist der ROI gut messbar: Anzahl verhinderte Stillstände multipliziert mit durchschnittlichen Stillstandkosten. Die Unsicherheit liegt darin, dass du erst in Betrieb bist, wenn genug Daten für ein valides Modell vorliegen — und dass du nicht messen kannst, ob ein verhindeter Ausfall wirklich ohne Eingriff eingetreten wäre. Für KMU mit hoher Ausfallfrequenz ist der ROI klarer als für Betriebe, bei denen Ausfälle selten sind.

Skalierbarkeit — sehr hoch (5/5) Einmal ein valides Modell für einen Maschinentyp, skaliert es auf alle gleichartigen Maschinen im Werk — und auf andere Werke. Das ist der größte strukturelle Vorteil: die Grenzkosten pro zusätzlicher Maschine sind gering. Bei heterogenen Maschinenparks (viele Typen, wenig Gleichheit) relativiert sich das — aber für Betriebe mit standardisiertem Equipment ist das der stärkste Skalierungshebel in dieser Kategorie.

Richtwerte — stark abhängig von Anlagentyp, Sensordichte und vorhandener Dateninfrastruktur.

Was Predictive Maintenance konkret macht

Der Kern des Ansatzes ist Predictive Analytics auf Zeitreihendaten. Maschinen geben kontinuierlich Signale aus: Vibrationsamplitude, Lagertemperatur, Motorstromaufnahme, Druckverläufe. Unter Normalbetrieb bilden diese Signale ein charakteristisches Muster. Beginnt ein Lager zu verschleißen, ändert sich das Vibrationsmuster — zunächst kaum sichtbar, aber mathematisch nachweisbar.

Ein Machine Learning-Modell lernt, was für diese spezifische Maschine unter Normalbetrieb „normal” aussieht. Es berechnet kontinuierlich, wie weit der aktuelle Zustand vom erlernten Normalmuster abweicht. Überschreitet die Abweichung einen definierten Schwellwert, wird ein Alarm ausgelöst — noch Wochen vor dem eigentlichen Ausfall.

Was das in der Praxis bedeutet:

Das Modell schlägt nicht Alarm, weil es einen Fehler sieht — sondern weil es eine Anomalie im Trend erkennt. „Maschine 3: Vibration Lager Y hat sich in den letzten 12 Tagen um 34% erhöht. Basierend auf historischen Mustern: Lagerausfall mit hoher Wahrscheinlichkeit in den nächsten 7–14 Tagen.” Der Instandhaltungsleiter plant den Austausch für nächsten Freitag ein, wenn die Linie sowieso für einen anderen Eingriff steht.

Das ist fundamental anders als klassische Schwellwertalarme (Temperatur > X °C → Alarm), die erst ansprechen, wenn der Schaden bereits eingetreten ist.

Die drei technischen Bausteine

1. Sensorschicht: Beschleunigungssensoren (Vibration), PT100 oder PT1000 (Temperatur), Strommesszangen (Motorstrom). Für neue Anlagen oft bereits integriert — für Bestandsmaschinen nachrüstbar. Retrofit-Systeme wie Siemens Industrial Edge oder Industrie-4.0-Starter-Kits ermöglichen schrittweise Nachrüstung.

2. Dateninfrastruktur: Die Sensordaten fließen in eine Zeitreihendatenbank — InfluxDB open-source oder eine Managed-Lösung. Von dort werden die Daten an die ML-Plattform übergeben. Die Datenübertragung erfolgt typisch über OPC-UA oder MQTT-Protokolle — Standards in der industriellen Automatisierung.

3. ML-Modell und Alarmierung: Auf Azure ML oder Amazon SageMaker trainierte Anomalieerkennungsmodelle werten die Zeitreihen aus. Für den Einstieg bieten auch spezialisierte Industrieplattformen wie Siemens Insights Hub vorgefertigte Predictive-Maintenance-Apps. Fortgeschrittene Betriebe mit eigenem Data-Engineering-Team nutzen C3.ai für konzernübergreifende Flottenanalyse.

Konkrete Werkzeuge — was wann passt

Die Werkzeugwahl hängt im Wesentlichen davon ab, welche Maschinenhersteller im Werk dominieren, was bereits an IT-Infrastruktur vorhanden ist und ob IT-Ressourcen für eine individuelle Lösung vorhanden sind.

Siemens Industrial Edge + Siemens Insights Hub — Wenn die Fertigung mehrheitlich auf Siemens-Steuerungen (SIMATIC, SINUMERIK) läuft, ist das die naheliegendste Kombination. Industrial Edge verarbeitet Daten lokal am Shopfloor, Insights Hub aggregiert über mehrere Werke. Vollständig EU-gehostet. Keine Cloud-Pflicht für die Echtzeit-Analyse. Realistischer Projekteinstieg: 6 Monate, 80.000–200.000 Euro inkl. Hardware und Integration.

IBM Maximo Application Suite — Für Unternehmen, die ein zentrales Enterprise Asset Management suchen und Predictive Maintenance als Teil davon. Maximo verbindet EAM, Wartungsworkflows und KI-Anomalieerkennung in einer Plattform. Sinnvoll ab 500+ überwachten Assets, großen Serviceorganisationen oder regulierten Umgebungen. Projekte ab 250.000 Euro aufwärts.

Azure ML (Custom Model) — Maximale Flexibilität. Du bringst deine Sensordaten, Azure ML übernimmt Training und Deployment. Herstellerunabhängig, gut in bestehende IT-Infrastruktur (Microsoft-Umgebungen) integrierbar. Erfordert ML-Kompetenz im Team oder einen spezialisierten Systemintegrator. Projekteinstieg: 3–4 Monate für Proof of Concept, reale Produktivmodelle nach 12–18 Monaten.

C3.ai — Für Konzerne mit komplexen Maschinenflotten und vorhandener SAP/Azure-Infrastruktur. Enterprise-Level, sieben- bis achtstellige Projektbudgets, kein Mittelstandstool.

Siemens Industrial Edge als Einstiegspunkt für KMU: Für den Mittelstand ist Industrial Edge oft die zugänglichste Option. Siemens bietet Starter-Sets an, mit denen du 3–5 Maschinen in einer Testumgebung monitoren kannst, bevor du ein vollständiges Rollout planst.

Datenschutz und Datenhaltung

Maschinensensordaten sind in der Regel keine personenbezogenen Daten — damit entfällt die klassische DSGVO-Pflicht eines AVV. Das ändert sich, sobald Produktionsdaten in Kombination mit Schichtplänen oder Bedienerdaten ausgewertet werden (z.B. „Vibration unter Schicht B systematisch höher”). In diesem Fall gelten DSGVO-Anforderungen, und der Betriebsrat ist vor Einführung einzubeziehen.

Für die Auswahl der IT-Infrastruktur gilt:

• Siemens Industrial Edge und Insights Hub — EU-gehostet, volle Datensouveränität, DSGVO-konform
• Azure ML (EU-Region) — Frankfurt/Amsterdam-Rechenzentrum, Microsoft EU Data Boundary wählbar, AVV standardmäßig verfügbar
• Amazon SageMaker (EU-Region Frankfurt) — DSGVO-konforme Konfiguration möglich, AVV standardmäßig
• C3.ai — US-Unternehmen, Datenhaltung je nach Vertrag und Hosting-Wahl

Für KRITIS-relevante Anlagen (Kritische Infrastrukturen nach BSI-Gesetz) — d.h. Betriebe in den Sektoren Energie, Wasser, Nahrungsmittel — gibt es zusätzliche Anforderungen an die IT-Sicherheit der OT-Umgebung. Hier ist eine frühzeitige Abstimmung mit dem IT-Sicherheitsverantwortlichen und ggf. dem BSI-Notfallrahmen essenziell.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten (Pilotprojekt, 5–10 Maschinen)

• Sensoren (Nachrüstung Vibration, Temperatur): 2.000–8.000 Euro je Maschine
• Netzwerkinfrastruktur (OT-Netzwerk, Edge-Hardware): 10.000–40.000 Euro
• ML-Modellentwicklung und Integration: 30.000–80.000 Euro (Systemintegrator)
• Gesamteinstieg für ein Pilotprojekt: 50.000–150.000 Euro — stark abhängig von vorhandener Infrastruktur und Maschinentyp

Laufende Kosten (monatlich)

• Siemens Industrial Edge/Insights Hub: Enterprise-Preise auf Anfrage, typisch 2.000–8.000 Euro/Monat für mittlere Flotten
• Azure ML/SageMaker: nutzungsabhängig, typisch 1.000–4.000 Euro/Monat für aktives Monitoring
• IBM Maximo: ab 3.000 Euro/Monat, Enterprise-Konfigurationen deutlich mehr

Wie du den ROI tatsächlich misst Zähl die Ausfallereignisse im letzten Jahr, multipliziere mit durchschnittlicher Stillstanddauer und durchschnittlichen Stillstandkosten. Das ist dein Basisszenario. Dann schätz, wie viele davon ein funktionierendes PM-System hätte vorhersagen können — vorsichtig: nicht alle Ausfälle entstehen durch Verschleiß, den Sensoren erkennen.

Ein realistisches Szenario für einen Betrieb mit 20 kritischen Maschinen und 8 ungeplanten Ausfällen pro Jahr (je 6 Stunden Stillstand, je 10.000 Euro/Stunde): 480.000 Euro Stillstandkosten pro Jahr. Wenn Predictive Maintenance 50% davon verhindert — branchenübliche Bandbreite laut McKinsey — sind das 240.000 Euro Einsparung. Bei einem Investitionsbudget von 100.000 Euro amortisiert sich das Projekt im ersten Jahr. Im konservativen Szenario (30% Verhinderungsrate): Amortisation nach 2 Jahren.

Wichtig: Diese Rechnung funktioniert nur, wenn der Betrieb tatsächlich genug Ausfälle hat, die das System hätte vorhersagen können. Bei Betrieben mit hoher Anlagenverfügbarkeit und wenigen Ausfällen lohnt sich der Aufwand oft nicht.

Drei typische Einstiegsfehler

1. Zu wenig historische Daten — und trotzdem sofort deployen. Das häufigste und kostspieligste Problem: Das ML-Modell wird trainiert auf wenigen Wochen Daten, weil man schnell Ergebnisse sehen will. Das Modell lernt Normalbetrieb unzureichend, produziert zu viele Fehlalarme — und das Team hört nach zwei Wochen auf, den Alarmen zu vertrauen. Lösung: Erst 6–12 Monate Datensammlung in einem Schattenbetrieb, dann Modelltraining. Wer das überspringt, hat nach sechs Monaten ein nicht genutztes System.

2. Nur auf High-End-Equipment setzen — Bestandsmaschinen vergessen. Der Reflex: Die neuen CNC-Anlagen bekommen Sensorik, weil dort die Infrastruktur einfacher ist. Die alten Fräsmaschinen von 2008 — die eigentlich die meisten Probleme machen — werden ignoriert, weil die Nachrüstung komplizierter ist. In der Praxis entstehen die meisten ungeplanten Stillstände bei älterem Equipment. Lösung: Ausfallhistorie analysieren, Prioritäten nach tatsächlichem Risiko setzen, nicht nach technischer Bequemlichkeit.

3. IT und OT getrennt denken. Predictive Maintenance verbindet die OT-Welt (Maschinen, Steuerungen, SCADA) mit der IT-Welt (Datenplattformen, ML-Modelle, Cloud). In vielen Unternehmen reden diese Abteilungen nicht miteinander — oder schlimmer: sie haben unterschiedliche Sicherheitsanforderungen, die sich gegenseitig blockieren. Ohne eine klare Governance, wer für OT-Netzwerke und wer für die Datenplattform verantwortlich ist, bleibt das Projekt in der Integrationsphase stecken.

4. Das System läuft — und niemand reagiert auf die Alarme. Das ist der Fehler, der 12 Monate nach dem Go-Live passiert. Das System sendet Alarme, aber der Instandhaltungsplan ist nicht angepasst worden. Alarme landen in einer E-Mail-Inbox, werden als „interessant” eingestuft — und dann doch ignoriert, weil die Kapazität für geplante Eingriffe fehlt. Predictive Maintenance erfordert eine organisatorische Umstellung: Nicht mehr nach Kalender planen, sondern nach Alarmstatus. Wer das nicht vorbereitet, hat nach einem Jahr zuverlässige Vorhersagen — und dieselben Ausfälle wie zuvor.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Seite ist bei Predictive Maintenance ein lösbares Problem. Die organisatorische Seite ist schwieriger.

Fehlalarme und Vertrauensverlust. In den ersten Monaten produziert jedes ML-Modell Fehlalarme — das Modell kennt noch nicht alle Betriebszustände (Schichtwechsel, Rüstvorgänge, saisonale Schwankungen). Das Instandhaltungsteam prüft den Alarm, findet nichts — und beginnt, dem System zu misstrauen. Lösung: Fehlalarme systematisch dokumentieren und als Trainingsdaten nutzen. Ein Modell, das 20 Fehlalarme pro Monat produziert, aber 3 echte Ausfälle verhindert, ist trotzdem wirtschaftlich sinnvoll — das muss kommuniziert werden.

Schichtführer als Wissensgeber. Die besten Daten für das Modell kommen oft aus dem Erfahrungswissen erfahrener Maschinenführer: „Die Maschine klingt schon seit Wochen anders.” Dieses Wissen muss systematisch erfasst werden — nicht als Anekdote, sondern als gelabelte Ereignisse im Trainingsdatensatz. Betriebe, die ihre Schichtführer früh einbinden, bauen bessere Modelle.

Was konkret hilft:

• Zu Beginn einen Alarmschwellwert bewusst konservativ einstellen (mehr Fehlalarme akzeptieren), um echte Ereignisse nicht zu verpassen — und nach 3–6 Monaten kalibrieren
• Jede Alarmbewertung dokumentieren (zutreffend/Fehlalarm) — das ist der wertvollste Input für das Modell
• Einen dedizierten Ansprechpartner für die Datenpipeline benennen — kein Tool-Enthusiast aus der IT, sondern jemand, der sowohl OT als auch Daten versteht

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Maschinen haben keine Sensorik.” Ältere Anlagen haben oft weniger, aber selten keine Messpunkte. Strommessung am Motorschrank ist in fast jeder Anlage nachrüstbar — ohne Umbau der Maschine, per Klemmsensor. Das reicht als Einstieg. Wer mit diesem Datenpunkt erste Erfahrungen sammelt, kann schrittweise erweitern.

„Wir haben zu wenig IT-Kompetenz intern.” Das ist der ehrlichste Einwand — und der berechtigtste. Predictive Maintenance funktioniert langfristig nicht ohne interne Kompetenz für die Datenpipeline und das Modell. Die Alternative zur internen Kompetenz ist ein dauerhafter Systemintegrator-Vertrag — was laufende Kosten erzeugt und eine Abhängigkeit schafft. Wer weder das eine noch das andere hat, sollte mit einem eng gefassten Piloten starten und parallel Kompetenz aufbauen.

„Der ROI ist bei uns zu unsicher.” Das stimmt, wenn die Ausfallfrequenz niedrig ist. Ein Betrieb, der zwei ungeplante Stillstände pro Jahr hat, kann den ROI nicht auf Stillstandvermeidung bauen. Für ihn ist der Nutzen eher: bessere Planung, weniger Ersatzteilvorrat, Verlängerung von Wartungsintervallen. Das ist realer, aber bescheidener.

Woran du merkst, dass das zu dir passt

• Dein Betrieb hat regelmäßig 5+ ungeplante Stillstände pro Jahr an kritischen Anlagen — die Kosten pro Ereignis sind klar bezifferbar
• Ihr habt gleichartige Maschinen in größerer Zahl — Serienfertigung, mehrere Bearbeitungszentren desselben Typs
• Eure Maschinen produzieren bereits Sensordaten oder sind für Nachrüstung zugänglich (Strommessung als Mindestanforderung)
• Es gibt IT-Kompetenz oder Budget für einen Systemintegrator — Predictive Maintenance ist kein Low-Code-Projekt
• Die Instandhaltungsorganisation ist bereit, ihre Planungslogik umzustellen (von Kalender zu Alarmstatus)

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

1. Weniger als 3–4 kritische Maschinenausfälle pro Jahr mit messbaren Stillstandkosten. Das Datenvolumen für ein valides Modell und die Investitionskosten stehen dann in keinem Verhältnis zum Nutzen. Mit Kalender-Wartung und verbesserter Ersatzteilhaltung erreichst du 80 Prozent des Ergebnisses zu einem Bruchteil der Kosten.

2. Kein OT-Netzwerk und keine IT-Ressourcen für den Aufbau einer Datenpipeline. Predictive Maintenance ist ein Infrastrukturprojekt, das auf einer funktionierenden OT-IT-Brücke aufbaut. Wer heute noch Maschinendaten nur auf lokalen Steuerungen vorhält, ohne Netzwerkanbindung, braucht erst die Infrastruktur — das ist ein separates Projekt vor dem KI-Projekt.

3. Sehr heterogener Maschinenpark ohne gleichartige Typen. Ein Modell, das auf einer bestimmten Fräsmaschine trainiert wurde, funktioniert nicht auf einem Druckluftkompressor. Wer 40 verschiedene Maschinentypen hat und jeden für sich betrachten müsste, kann den Skalierungsvorteil nicht nutzen — und der Aufwand übersteigt den Nutzen.

Das kannst du heute noch tun

Bevor du irgendein Tool evaluierst oder einen Anbieter kontaktierst: Mach eine Ausfallanalyse der letzten zwei Jahre. Welche Maschinen haben wie oft ungeplant gestanden, wie lang, und was hat es gekostet? Diese Zahl zeigt dir, ob das Thema für deinen Betrieb ein A-Problem oder ein Hobby ist.

Wenn die Ausfallhistorie das Potenzial bestätigt: Prüfe, ob du auf den betroffenen Maschinen zumindest Stromdaten erfassen kannst. Das ist der kleinste gemeinsame Nenner für einen Einstieg.

Für eine erste Orientierung, ob deine Sensordaten anomale Muster zeigen, kannst du auch einen LLM-basierten Schritt einsetzen: Exportiere Zeitreihendaten aus einer Maschine als CSV und lass dir von einem KI-Assistenten eine erste Anomaliebeschreibung erstellen.

Quellen & Methodik

• Stillstandkosten 450.000 €/Stunde (Großindustrie): Senseye, „The True Cost of Downtime 2022” — bezieht sich auf große Industrieunternehmen, Mittelstandswerte erheblich geringer
• 5–10% Produktionskapazitätsverlust durch Stillstände: VDMA Instandhaltung, Branchenerhebungen 2022–2024; McKinsey Global Institute, „The smart factory” (2019)
• 30–40% unnötig getauschte Teile bei Kalenderwartung: Branchenerhebungen Instandhaltung (IMI 2023, McKinsey 2019)
• McKinsey Predictive Maintenance ROI (40% Kostensenkung, 50% weniger Stillstände): McKinsey Global Institute, „Unlocking the potential of AI in industrial operations” (2023) — Bandbreiten aus Pilotprojekten, kein Garantiewert
• 81% deutsche Maschinenbauunternehmen befassen sich intensiv mit Predictive Maintenance: VDMA-Befragung, zitiert in Wirtschaft Digital BW, 2024
• Implementierungsbarrieren und kritische Erfolgsfaktoren: Schmalenbach Journal of Business Research, „Unlocking the Potential of Predictive Maintenance for Intelligent Manufacturing” (2024), Springer Nature
• Sensorkosten und OT-Infrastruktur: Erfahrungswerte aus industriellen Digitalisierungsprojekten (Stand April 2026)

Du willst wissen, ob deine Maschinen für einen Pilot geeignet sind und was ein realistisches Projektszenario für euren Betrieb kostet? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.