Wartungsplan Gießerei automatisieren

Das echte Ausmaß des Problems

Gießereien gehören zu den wartungsintensivsten Fertigungsbereichen überhaupt. Hitze, Metallstaub, mechanische Belastung durch Vibrationen und der kontinuierliche Betrieb in engen Zyklen fordern Anlagen täglich ans Limit. Trotzdem organisieren die meisten mittelständischen Betriebe ihre Instandhaltung nach starren Intervallplänen: Pumpe alle 2.000 Betriebsstunden, Lager quartalsweise prüfen, Kühlwasseranlage jährlich spülen.

Das Problem: Diese Intervalle entstammen Herstellerempfehlungen — generisch, nicht anlagenspezifisch. Sie beachten weder die tatsächliche Belastung noch den Verschleißzustand. Das Ergebnis ist eine doppelte Unwirtschaftlichkeit:

Überwartung: Komponenten werden gewechselt, die noch 30–40 % ihrer Restlebensdauer hätten. Branchenanalysen schätzen, dass bis zu 30 % aller Wartungsmaßnahmen in Gießereien vorzeitig durchgeführt werden — bezahlte Arbeit an intakten Teilen.

Unterwartung: Komponenten fallen aus, bevor der nächste Termin kommt. In der Metallverarbeitung entstehen laut einer Branchenstudie von Produktion.de je nach Anlagentyp Stillstandskosten zwischen 4.000 und 25.000 Euro pro Stunde — ohne Folgekosten für Ausschuss, Lieferverzögerungen und Qualitätsprobleme.

Die Folgekosten treffen Gießereien besonders hart:

• Induktionsöfen: Kühlwasserunterbrechung führt innerhalb von Minuten zu Spulenschäden — Austauschkosten 15.000–80.000 Euro, Lieferzeit bis zu sechs Wochen
• Druckgussmaschinen: Ungeplanter Hydraulikaggregat-Ausfall mitten in der Charge bedeutet Verlust der gesamten Schmelze plus Werkzeugschaden
• Schleudergussanlagen: Unwucht durch Lagerverschleiß erzeugt Schwingungsrisse in der Gussform — Ausschussquote steigt, bevor der Ausfall sichtbar wird
• Kühlaggregate: Temperaturüberschreitung im Formkühlkreislauf verursacht Maßhaltigkeitsprobleme, die erst beim Kunden auffallen

Laut dem BearingPoint-Report 2021 reduzierten Unternehmen, die auf Predictive Maintenance umgestellt haben, ungeplante Anlagenstillstände im Schnitt um 18 Prozent und Instandhaltungskosten um 17 Prozent. In energieintensiven Branchen wie der Gießerei sind die Hebeleffekte noch größer, weil die Lohnkosten pro Stillstandsminute höher sind und Sekundärschäden (Formwerkzeuge, Schmelze) teurer kommen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen in der rechten Spalte sind keine Herstellerversprechen, sondern Erfahrungswerte aus Implementierungsprojekten bei europäischen Industriebetrieben. Hoffmann und Lasch kommen in ihrer Fallstudie im Schmalenbach Journal of Business Research (2024) zu vergleichbaren Einschätzungen: Die größten Barrieren sind nicht die Technologie, sondern Datenqualität, Integrationsaufwand und Organisationsveränderung.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Predictive Maintenance spart keine tägliche Arbeitszeit in dem Sinn, dass Mitarbeitende schneller durch eine Aufgabe kommen. Der Hebel liegt anderswo: weniger Notfalleinsätze, weniger Nachtschicht-Rufbereitschaft, weniger chaotische Reaktionssituationen. Wer drei ungeplante Notfalleinsätze pro Quartal eliminiert, spart real 30–50 Stunden — aber nicht jeden Tag. In der Branchenübersicht liegt dieser Use Case damit unter Fertigungsdokumentation CNC oder Berichterstellung.

Kosteneinsparung — sehr hoch (5/5) Hier liegt der eigentliche Hebeleffekt. Ein einziger vermiedener Induktionsofen-Notfall — Reparatur, Stillstand, Nachschicht — deckt oft die Jahreskosten des gesamten Systems. Über alle Anlagen gerechnet sind 40.000 bis 200.000 Euro jährliche Einsparung für eine mittelständische Gießerei mit drei bis fünf kritischen Aggregaten keine unrealistische Erwartung. Dieser Use Case führt die Kategorie gemeinsam mit der Ausschussanalyse Metallverarbeitung an.

Schnelle Umsetzung — niedrig (2/5) Das ist kein Projekt, das man an einem Wochenende aufstellt. Sensorinstallation, Netzwerkverkabelung in der Halle, Datenintegration, Modellkalibrierung: Realistisch sind 12 bis 18 Wochen bis zum ersten produktiven Pilotbetrieb an drei Maschinen. Das ist der Preis für einen der komplexeren Use Cases in dieser Branche. Wer heute startet, kann realistisch im dritten Quartal ersten Nutzen sehen.

ROI-Sicherheit — hoch (4/5) Nach 12 Monaten ist der Nutzen messbar und nicht auf Schätzungen angewiesen: Du zählst Stillstände vor und nach der Einführung. Du misst Notfall-Rufbereitschaften. Du rechnest Reparaturkosten auf. Das ist fundamental anders als bei Projekten mit indirektem Nutzen. Ein Score von 5 scheitert daran, dass in den ersten sechs Monaten noch kaum Vorhersagen greifen — das System lernt noch.

Skalierbarkeit — hoch (4/5) Das System wächst mit. Wer mit drei Anlagen startet, kann auf zehn oder zwanzig erweitern, ohne das Grundmodell neu zu bauen. Die Grenze: Jede neue Anlage braucht Sensorinstallation und eine Einlernphase für das Modell. Der Aufwand ist linear, nicht exponentiell — aber er bleibt vorhanden.

Richtwerte — stark abhängig von Anlagengröße, Materialmix und vorhandener Infrastruktur in der Halle.

Was das System konkret macht

Ein Predictive-Maintenance-System für Gießereien kombiniert drei Schichten:

Schicht 1 — Datenerfassung. An den kritischen Aggregaten (Pumpen, Antriebsmotoren, Kühlkreisläufe, Hydraulikeinheiten) werden Sensoren montiert. Die wichtigsten Messgrößen:

• Vibration (Beschleunigungssensoren, 100–1.000 Hz Abtastrate): erkennt Lagerverschleiß, Unwucht, Kavitation
• Temperatur (Thermoelemente, PT100): zeigt thermische Überlastung, Kühlversagen, Reibungserhöhung
• Stromaufnahme (Stromwandler an Motorklemmleiste): erhöhter Strom = erhöhter mechanischer Widerstand = Verschleiß oder Blockierung
• Druck (Drucktransmitter im Kühlkreis): Leckage-Früherkennung, Pumpendegradation

Die Messwerte fließen in eine Edge-Einheit (lokaler Miniaturrechner in der Halle) und von dort in die Analyseplattform.

Schicht 2 — Mustererkennung. Machine Learning-Algorithmen lernen das “normale” Verhalten jeder Anlage. Nicht den Herstellergrenzwert — das tatsächliche Betriebsverhalten unter realen Gießerei-Bedingungen. Weicht ein Messwert vom Normalmuster ab, berechnet das Modell eine Risikobewertung: grün (normal), gelb (Beobachten), rot (Wartung einplanen). Die Abweichung wird nicht mit einem fixen Schwellenwert verglichen, sondern statistisch eingeordnet: Ist dieser Vibrationswert für diese Maschine, in diesem Betriebszustand, bei dieser Umgebungstemperatur ungewöhnlich?

Schicht 3 — Handlungsempfehlung. Das System generiert keinen Alarm und sonst nichts. Es erzeugt einen Arbeitsauftrag mit Priorität, empfohlenem Zeitfenster und technischer Begründung: “Pumpenmotor Kühlkreis Ofen 2 — erhöhte Vibration auf 4,8 mm/s (Baseline 2,1 mm/s), Trend steigend seit 18 Tagen. Empfehlung: Lagerprüfung innerhalb 7 Tage.” Dieser Auftrag landet im Instandhaltungskalender oder direkt im CMMS-System.

Das Besondere gegenüber klassischen Alarmsystemen: Das Modell kennt die Anlage. Ein Schmelzofen vibriert beim Anlaufen immer stärker als im Dauerbetrieb. Eine Pumpe läuft nach einer Reparatur drei Tage lang mit erhöhten Werten. Normales Alarmsystem: Fehlalarm. Predictive-Maintenance-System: Normalmuster erkannt, kein Alarm.

Was ihr hardwareseitig braucht

Das ist der Teil, der in Verkaufsgesprächen oft zu kurz kommt. In einer Gießerei sind Sensoren nicht einfach anschrauben und fertig. Drei spezifische Herausforderungen:

Elektromagnetische Störfelder von Induktionsöfen. Induktionsöfen erzeugen starke Magnetfelder, die analoge Sensorsignale in ihrer Nähe zerstören können. Lösung: Industriesensoren mit geschirmten Kabeln (mindestens Schirmungsgrad IP67, besser IP68), galvanische Trennung im Signalweg, oder funkbasierte Sensoren mit Metallgehäuse. Nicht alle IoT-Sensoren, die für normale Produktionsumgebungen gedacht sind, funktionieren in Ofennähe.

Temperaturextremen und Metallstaub. Sensoren an Öfen oder Kühlern sind Temperaturen von −5 °C bis +120 °C ausgesetzt, dazu Metallstaubeintrag. Standard-Industriesensoren (IP65) reichen oft nicht; bei direktem Ofenkontakt braucht man hitzebeständige Gehäuse oder Distanzmontage. Wichtig zu klären: ATEX-Anforderungen. In Gießereien mit Aluminiumstaub oder Magnesiumverarbeitung sind Bereiche der Explosionsschutzzone Ex-Zone 22 zugeordnet — hier dürfen nur ATEX-zertifizierte Geräte eingesetzt werden.

Netzwerk in der Halle. Sensordaten müssen raus aus der Halle — per Kabel (bevorzugt für kritische Daten), WLAN (bei Kabelverlegung nicht möglich) oder mobilfunkbasiert (LTE/5G-Edge, wenn nichts anderes geht). Industriehallen aus Stahlbeton schlucken WLAN-Signale. Vor dem Kauf der Plattform muss die Netzwerkplanung stehen.

Was das kostet. Pro überwachtem Aggregat (Pumpe, Motor, Kühlaggregat): 500–2.000 Euro für industrietaugliche Sensoren und Mounting-Hardware, 200–500 Euro für Kabelverlegung und Gehäuseinstallation, einmalig. Rechne 3–5 Werktage Elektriker-/Montagearbeit pro fünf Aggregaten. Diese Kosten sind Teil des Einmalaufwands — sie sind kein separater Posten, sondern Projektbestandteil.

Konkrete Werkzeuge — was wann passt

Tvarit Industrial AI — wenn du eine Gießerei bist Tvarit ist das Tool, das als einziges nativ für Gießerei-Prozesse gebaut wurde. Die Plattform kennt Schmelzzyklen, Induktionsparameter und Kühlkreisverhalten — der Kalibrierungsaufwand für neue Modelle ist dadurch deutlich geringer als bei generischen Plattformen. EU-Datenhosting, deutschsprachiger Support, Preise auf Anfrage (erfahrungsgemäß 500–2.000 Euro/Monat je nach Anzahl der überwachten Aggregate). Empfohlen als erste Wahl, wenn der Betrieb mindestens zwei Schmelzöfen oder vier kritische Aggregate hat.

Siemens Insights Hub — wenn du Siemens-Maschinenpark hast Falls deine Druckgussmaschinen, Förderanlagen oder Steuerungen von Siemens stammen, ist Insights Hub (früher MindSphere) die natürliche Erweiterung. Siemens-SIMATIC-Steuerungen lassen sich mit fertigen Konnektoren anbinden, was Integrationswochen spart. Gut geeignet für Gießereien mit mehreren Standorten, die eine werksübergreifende Ansicht brauchen. Enterprise-Preise auf Anfrage; kein Einstieg ohne SI-Partner.

Azure Machine Learning + AVEVA PI System — wenn du eine eigene IT hast Für Betriebe mit eigenem IT-Team: AVEVA PI System als Datenhistorian (sammelt und speichert alle Messwerte über Jahre) und Azure ML als Analyseschicht darüber. Azure ML bietet ein kostenloses Tier für erste Experimente, der Produktivbetrieb kostet nach Verbrauch (typisch 500–3.000 Euro/Monat je nach Datenmenge und Modellkomplexität). Dieser Weg erfordert mindestens einen Datenanalysten im Team oder einen Dienstleister. Größter Vorteil: vollständige Kontrolle über die Modelle und keine Plattformabhängigkeit.

IBM Maximo Application Suite — wenn du vollständiges Asset Management brauchst IBM Maximo ist mehr als ein Predictive-Maintenance-Tool — es ist ein vollständiges Enterprise-Asset-Management-System, das Wartungsaufträge, Ersatzteilmanagement, gesetzliche Prüffristen und Predictive Analytics in einem System verbindet. Sinnvoll ab 150 überwachten Assets und einem dedizierten Instandhaltungs-Team. Nicht für den Mittelstand unter 100 Mitarbeitenden gedacht; Implementierungsprojekte dauern 6–12 Monate.

Python + Open-Source-Stack — wenn du Datenkapazität hast und Kontrolle willst Für Betriebe mit internem Datenanalytiker: InfluxDB als Zeitreihendatenbank (kostenlos, open-source), Grafana für Dashboards (kostenlos), Python/scikit-learn für Anomalieerkennung (kostenlos). Der Aufwand: 4–8 Wochen Entwicklungszeit für einen ersten Prototypen, danach kontinuierliches Tuning. Dieses Setup funktioniert gut für einen fokussierten Piloten an drei bis fünf Maschinen. Für Betriebe ohne Inhouse-Expertise nicht empfohlen — das System braucht jemanden, der es pflegt.

Zusammenfassung: Wann welcher Ansatz

• Gießerei-Betrieb, 2+ Öfen, Sofortlösung gewünscht → Tvarit Industrial AI
• Siemens-Maschinenpark dominant, mehrere Werke → Siemens Insights Hub
• Eigenes IT-Team vorhanden, Azure-Infrastruktur nutzbar → Azure ML + AVEVA PI
• Vollständiges Asset Management inklusive gesetzlicher Fristen → IBM Maximo
• Inhouse-Datenanalytiker, maximale Kostenkontrolle → Open-Source-Stack

Datenschutz und Datenhaltung

Predictive Maintenance in Gießereien erzeugt primär Maschinendaten: Vibrationswerte, Temperaturen, Stromaufnahmen. Diese Daten sind in der Regel nicht personenbezogen — sie beziehen sich auf Aggregate, nicht auf Personen.

DSGVO-Relevanz entsteht in zwei Fällen: wenn Schichtdaten oder Wartungsaufträge mit personenbezogenen Mitarbeiterdaten verknüpft werden (wer hat wann welche Wartung durchgeführt), oder wenn das System Schichttaktung und Pausenzeiten berücksichtigt. Für diese Verknüpfung muss ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO mit dem Plattformanbieter abgeschlossen werden.

Für die reine Maschinendatenanalyse gilt: Kein AVV technisch zwingend, aber empfohlen — weil viele Plattformen im Rahmen von Supportzugang auf Maschinendaten zugreifen könnten.

Tool-Einschätzungen nach Datenhaltung:

• Tvarit Industrial AI: EU-Hosting, AVV verfügbar — unkritisch
• Siemens Insights Hub: EU-Hosting (AWS/Azure EU), ISO 27001 — unkritisch
• Azure ML + AVEVA PI: Azure EU-Regionen wählbar, EU-Datenhaltung konfigurierbar
• IBM Maximo: Hybrid-Deployment, On-Premises-Option für maximale Kontrolle
• Open-Source-Stack: Vollständig lokal hostbar — keine Drittpartei

Wichtig bei Produktionsdaten aus Schmelzbetrieben: Betriebsgeheimnisse. Prozessparameter (Temperatur-Zeit-Kurven, Legierungszusammensetzungen, Kühlraten) sind wertvolle Wettbewerbsinformationen. Klärt vor der Plattformwahl, wer theoretisch auf diese Daten zugreifen kann und welche vertraglichen Schutzmechanismen bestehen.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Sensorik und Montage: 2.000–8.000 Euro pro überwachtem Aggregat (je nach Anzahl der Messpunkte, Kabelaufwand und Hallensituation). Für einen Piloten mit fünf Aggregaten: 10.000–40.000 Euro allein für Hardware und Installation.

Plattform-Einrichtung und Initialkalibrierung: 15.000–40.000 Euro für einen externen Dienstleister, der die Modelle auf deine Maschinen kalibriert und das System integriert. Bei Tvarit Industrial AI oder Siemens Insights Hub ist das oft im Einführungspaket enthalten.

Gesamtaufwand für einen 5-Aggregat-Pilot im ersten Jahr laut mybusinessfuture.com (2026): 80.000–150.000 Euro inklusive Sensorik, Plattform-Lizenzen, Installation und Beratungsaufwand. Das ist der Planungsrahmen.

Laufende Kosten (monatlich)

• Tvarit Industrial AI: 500–2.000 Euro/Monat je nach Anzahl Aggregate
• Siemens Insights Hub: Enterprise-Preise auf Anfrage, erfahrungsgemäß 1.500–5.000+ Euro/Monat
• Azure ML: 500–3.000 Euro/Monat nach Datenmenge und Rechenintensität
• IBM Maximo: Ab ca. 3.000 Euro/Monat für SaaS, On-Prem-Lizenz höher
• Open-Source-Stack: 100–400 Euro/Monat Hosting + Personalzeit

Was du dagegenrechnen kannst

Eine mittelständische Aluminiumgießerei mit zwei Induktionsöfen und vier kritischen Kühlaggregaten hat erfahrungsgemäß 3–6 ungeplante Stillstandsereignisse pro Jahr. Pro Ereignis: konservativ 8.000–25.000 Euro (Reparatur, Stillstandszeit, Schmelzverlust, Nachschichtzulage). Macht 24.000–150.000 Euro jährliche Gesamtbelastung durch ungeplante Ausfälle.

Konservatives Szenario: Das System verhindert 40 % der Ereignisse → 10.000–60.000 Euro jährliche Einsparung. Bei 80.000 Euro Erstinvestition: Amortisation in 1,5–8 Jahren. Wer heute kein Glück mit Ausfällen hat, rechnet länger — wer einen schweren Motorschaden pro Jahr hat, rechnet kürzer.

Wie du den Nutzen tatsächlich misst: Führe ein Stillstandsprotokoll vor der Einführung, zwölf Monate lang. Halte fest: Datum, Anlage, Ursache, Dauer, direkte Kosten. Dasselbe Protokoll nach der Einführung ist dein ROI-Nachweis — nicht eine Kalkulation auf dem Papier.

Drei typische Einstiegsfehler

1. Mit zu vielen Maschinen auf einmal starten. Der Reflex: Wenn wir schon Sensoren kaufen, dann richtig. Alle 30 Anlagen auf einmal. In der Praxis führt das zu einem Projekt, das über ein Jahr läuft, bevor das erste Modell live geht — und das Team verliert die Geduld. Lösung: Mit drei bis fünf Aggregaten starten, die entweder die höchsten Ausfallkosten haben oder die häufigsten Störungen verursachen. Den ersten konkreten Erfolg nach drei bis vier Monaten feiern, dann ausbauen.

2. Sensoren kaufen, bevor die Netzwerkplanung steht. Sensoren bestellt, Monteur kommt, Verbindung gibt es nicht: kein WLAN in der Halle, kein Kabelweg möglich, LTE-Empfang zu schwach. Das passiert öfter als man denkt — Gießereien sind Stahlbetonhallen mit erheblicher Abschirmung. Lösung: Netzwerk-Site-Survey vor der Bestellung. Zwei Stunden mit dem Netzwerktechniker in der Halle ersparen vier Wochen Projektverzug.

3. Das System läuft, aber niemand schaut hin. Nach der Einführungsphase beantwortet das System zuverlässig Fragen — wenn man es fragt. Das Problem: Niemand prüft täglich die Warnungen, weil kein klarer Prozess definiert wurde. Wer prüft morgens die Ampelstatus? Wer bearbeitet Gelb-Meldungen? Wer eskaliert Rot-Meldungen, und bis wann? Diese Fragen müssen beantwortet sein, bevor das System live geht.

4. Das Modell läuft unverändert, obwohl sich die Anlage verändert hat. Das ist der subtile Langzeitfehler. Nach einer Generalüberholung einer Pumpe verhält sie sich anders als vorher — leisere Vibrationen, andere Temperaturroutinen. Das Modell kennt das neue Verhalten nicht und interpretiert es als Abweichung vom alten Normal. Ergebnis: Fehlalarme in den ersten Wochen nach jeder Reparatur, oder umgekehrt — Schweigen, obwohl das neue Verhalten tatsächlich problematisch ist. Lösung: Nach jeder größeren Wartungsmaßnahme das Modell explizit neu einlernen. Das dauert zwei bis vier Wochen Beobachtungszeit, ist aber nicht optional.

Modell-Kalibrierung und Retraining

Das ist der Teil, den Verkaufsgespräche verschweigen: ein Predictive-Maintenance-Modell ist nie fertig.

In Gießereien gibt es zwei Hauptursachen für Modell-Drift — das stille Verblassen der Vorhersagequalität:

Legierungs- und Produktwechsel. Wenn der Betrieb von EN-AC-46000 auf EN-AC-43100 umstellt, ändert sich die Viskosität der Schmelze, ändert sich die Wärmeübertragung im Kühlkreis, ändert sich das Vibrationsmuster der Pumpen. Das Modell wurde auf die alte Legierung trainiert. Jetzt interpretiert es normale Verläufe als verdächtig, oder — gefährlicher — auffällige Verläufe als normal. Lösung: Nach jedem Legierungswechsel, der länger als zwei Wochen andauert, den Baseline-Zeitraum neu festlegen.

Saisonale Schwankungen. Im Hochsommer läuft die Kühlung anders als im Winter. Umgebungstemperaturen beeinflussen Motortemperaturen, Kühlwasserkreisläufe, Lagerspiele. Ein Modell, das nur auf Winterdaten trainiert ist, erzeugt im Sommer systematische Fehlalarme. Lösung: Das Modell braucht mindestens einen vollständigen Jahreszyklus Trainingsdaten, bevor es zuverlässig ist.

Praktische Konsequenz: Plant einen halbjährlichen Model-Review-Termin ein, ähnlich wie eine reguläre Anlagenwartung. Wer prüft: Hat sich das Fehleralarmaufkommen erhöht? Gibt es Typen von Anomalien, die das System nicht erkannt hat? Sind neue Maschinen dazugekommen? Dieser Review dauert keine ganzen Tage — zwei bis vier Stunden mit dem Plattformanbieter oder einem internen Datenanalysten reichen meist. Aber er muss stattfinden, und er muss im Kalender stehen.

Was mit der Einführung wirklich passiert — und was nicht

Zwei Widerstands-Muster tauchen fast immer auf:

Die erfahrenen Schichtmeister. Wer seit 20 Jahren weiß, wann eine Pumpe anfängt zu knurren, und wann man lieber heute als morgen nachschaut, vertraut seinem Gespür — zu Recht. Dieser Erfahrungsschatz ist real und wertvoll. Ein Algorithmus, der diesen Meistern jetzt sagt “Eure Pumpe ist in Ordnung”, obwohl das Ohr anderes signalisiert, erzeugt sofort Misstrauen. Das Misstrauen ist berechtigt: In den ersten Wochen ist das Modell tatsächlich noch unsicher. Lösung: Die erfahrenen Techniker aktiv in die Kalibrierungsphase einbinden. Ihre Einschätzungen sind Trainingsdaten. Ihr Wissen verbessert das Modell. Wer das System gegen sie einführt statt mit ihnen, hat nach drei Monaten ein System, das ignoriert wird.

Die “Das haben wir immer so gemacht”-Kultur. Wenn der Wartungsplan seit 15 Jahren im gleichen Excel liegt, ist die Umstellung auf ein System, das jeden Morgen neue Prioritäten vorschlägt, eine echte Verhaltensänderung. Das passiert nicht automatisch. Was hilft: Für die ersten sechs Monate parallel arbeiten — alten Plan + neue Empfehlungen. Wenn die Empfehlungen sich dreimal als richtig erwiesen haben und der alte Plan dreimal danebengelegen hat, braucht man keine Überzeugungsarbeit mehr.

Was konkret hilft:

• Benennt vor dem Rollout eine verantwortliche Person, die täglich die Systemhinweise prüft — nicht “alle im Team”, sondern eine namentliche Person mit Zeit dafür
• Vereinbart einen Review-Termin nach 90 Tagen: Was hat das System richtig vorhergesagt? Was hat es übersehen? Was waren Fehlalarme?
• Kommuniziert klar: Das System ersetzt kein Handwerk-Urteil, es ergänzt es mit Daten

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Das erste Quartal im Produktivbetrieb ist kein Erfolg-oder-Misserfolg. Es ist eine Lernphase. Das System wird Fehler machen — sowohl falsche Alarme als auch übersehene Probleme. Das ist normal und kein Zeichen, dass das Konzept nicht funktioniert.

Häufige Einwände — und was dahintersteckt

„Unsere Maschinen sind zu alt für Sensorik.” Kein Aggregat ist zu alt für externe Sensoren. Vibrationssensoren, Temperatursensoren und Stromwandler werden außen angebracht — sie brauchen keinen internen Datenanschluss. Selbst eine 30 Jahre alte Pumpe kann mit einem Vibrationssensor nachgerüstet werden. Was tatsächlich schwierig ist: wenn Kabelwege unmöglich und Funksensoren durch Abschirmung nicht funktionieren. Das ist aber ein Installationsproblem, kein Maschinenproblem.

„Wir haben zu wenig Daten für ein KI-Modell.” Das ist ein echter Einwand — aber er betrifft den Zeitpunkt, nicht die Entscheidung. Jedes Predictive-Maintenance-System beginnt mit einer Datensammelphase, in der es normale Betriebsmuster lernt. Das dauert 6–12 Wochen. Fehlt eine Ausfallhistorie, dauert es länger, bis das Modell präzise Vorhersagen macht. Aber das Modell lernt auch ohne Vorwissen — es lernt halt aus dem laufenden Betrieb.

„Das lohnt sich für unsere Größe nicht.” Das kommt auf die Maschinen an, nicht auf die Mitarbeiterzahl. Eine Gießerei mit zwei Induktionsöfen und einer einzigen katastrophalen Spulenpanne pro Jahr hat einen Schadensfall von 30.000–80.000 Euro — unabhängig davon, ob sie 40 oder 400 Mitarbeitende hat. Wenn dieser Schadensfall vorhersehbar und damit vermeidbar ist, rechnet sich das System. Die Frage ist immer: Was kostet dein teuerster Ausfall? Wenn die Antwort über 30.000 Euro liegt, ist die Investition keine philosophische Frage.

„Wir haben kein Personal für so ein System.” Das ist der realistischste Einwand. Ein Predictive-Maintenance-System braucht jemanden, der täglich hinschaut — das kostet Zeit. Geschätzter Aufwand: 30–60 Minuten pro Werktag für eine Person, um Meldungen zu prüfen und Wartungsaufträge zu bestätigen oder abzuweisen. Das ist machbar. Was nicht machbar ist: ein System einzuführen und dann zu hoffen, dass es sich selbst managt.

Woran du merkst, dass das zu dir passt

Dieses System passt, wenn:

• Dein teuerster ungeplanter Ausfall im letzten Jahr über 20.000 Euro gekostet hat. Das ist der direkte ROI-Hebel. Wenn die Antwort unter 10.000 Euro liegt, rechnet sich das System erst in fünf bis sieben Jahren — zu lange.
• Du drei oder mehr kritische Aggregate betreibst, die bei Ausfall den gesamten Schmelzbetrieb stoppen (Kühlpumpen, Hydraulikreissätze, Induktionsanlage, Entstaubung)
• Du eine Instandhaltungsmannschaft hast, die morgens Zeit hat, Systemhinweise zu prüfen — auch wenn es nur 30 Minuten sind
• Deine Maschinen in einer Netzwerkumgebung stehen, in der Sensordaten nach außen kommen — oder du bereit bist, das zu investieren
• Du bereit bist, 12 bis 18 Wochen ohne sofortige Ergebnisse zu investieren — das System braucht Zeit zum Lernen

Drei harte Ausschlusskriterien — wann du lieber warten solltest:

1. Weniger als drei kritische Aggregate im Betrieb. Wenn deine Wartungskosten überschaubar sind und du einen Ausfall mit verfügbarem Ersatzteil in zwei Stunden behebst, ist das Verhältnis von Investition zu Nutzen zu schlecht. Investiere das Geld lieber in Ersatzteilbevorratung und einen guten Wartungsvertrag.

2. Keine Wartungshistorie vorhanden. Wenn Ausfälle und Reparaturen nirgends dokumentiert sind — weder digital noch auf Papier — fehlt dem Modell die kritische Kontextinformation: welche Maschine ist anfällig, welche Schäden wiederholen sich, welche Muster existieren. Schritt eins ist dann Dokumentation, nicht Sensorik.

3. Hochfrequente Materialsortenwechsel — mehr als einmal pro Woche. In Gießereien, die täglich zwischen Legierungen, Formen und Prozessparametern wechseln, ist die Baseline für das Modell nie stabil. Das System generiert systematisch Fehlalarme oder lernt nie zuverlässige Muster. Hier ist Condition Monitoring (Zustandserfassung ohne Vorhersage) die ehrlichere Lösung — man schaut auf Sensordaten, aber lässt das Modell die Vorhersage weg.

Das kannst du heute noch tun

Mach eine ehrliche Ausfallkostenanalyse der letzten zwölf Monate. Nicht die Reparaturkosten allein — die Gesamtkosten: Stillstand, Nachschicht, Schmelzverlust, Sonderbestellung. Wenn die Summe über 30.000 Euro liegt, hast du einen konkreten Business Case.

Dann bring deine Wartungsprotokolle der letzten zwei Jahre in ein lesbares Format und nutze diesen Prompt:

Quellen & Methodik

• BearingPoint-Report 2021: Ungeplante Stillstände −18 %, Instandhaltungskosten −17 % durch Predictive Maintenance. Quelle: BearingPoint-Branchenstudie “Predictive Maintenance im Mittelstand” (2021), zitiert bei mybusinessfuture.com.
• Hoffmann, M. & Lasch, R. (2024/2025): “Unlocking the Potential of Predictive Maintenance for Intelligent Manufacturing: a Case Study on Potentials, Barriers, and Critical Success Factors.” Schmalenbach Journal of Business Research. DOI: 10.1007/s41471-024-00204-3. Kernaussage: Barrieren sind nicht Technologie, sondern Datenqualität, Integration und Organisationskultur.
• Modern Casting (2022): “Safe Maintenance of Induction Furnaces — It’s All in the Details.” August 2022. Quelle für spezifische Sensoranforderungen an Induktionsöfen und Wartungsparameter.
• mybusinessfuture.com (2026): “Predictive Maintenance Mittelstand 2026 — 100-Tage-Einstieg.” Pilotprojekt-Kostenrahmen 80.000–150.000 Euro im ersten Jahr (3 Maschinen, inklusive Sensorik, Plattform, Installation, Beratung).
• Produktion.de: “Das kostet eine Stunde Stillstand in der Fertigung.” Kostenrahmen 4.000–25.000 Euro/Stunde je nach Anlagentyp und Branche.
• Implementierungskosten, Zeitrahmen, Sensorspezifikation: Erfahrungswerte aus industriellen IoT-Implementierungsprojekten in der metallverarbeitenden Industrie (Stand April 2026).

Du willst wissen, welche deiner Anlagen der beste Startpunkt wäre — und ob die Investitionsrechnung für deinen Betrieb aufgeht? Meld dich — das lässt sich in einem 30-Minuten-Gespräch eingrenzen.