Predictive Maintenance — Maschinenausfälle vorhersagen

Das echte Ausmaß des Problems

Laut einer Studie von Siemens Digital Industries und dem Fraunhofer IPA verlieren produzierende Unternehmen durchschnittlich 8 bis 15 Prozent ihrer Betriebszeit durch ungeplante Stillstände. Bei einer Produktionslinie mit 20 Millionen Euro Jahresumsatz bedeutet das 1,6 bis 3 Millionen Euro entgangener Deckungsbeitrag — jedes Jahr, planbar vermeidbar.

Die OEE (Overall Equipment Effectiveness) — die wichtigste Kennzahl für Maschinenproduktivität — liegt im deutschen Maschinenbau im Schnitt bei 65 bis 75 Prozent. Weltklasse sind 85 Prozent. Der größte Einzelfaktor, der die OEE drückt, sind ungeplante Ausfallzeiten. Unternehmen mit Predictive Maintenance berichten im Schnitt von einer OEE-Steigerung um 8 bis 15 Prozentpunkte.

Besonders heimtückisch ist die Kostenstruktur: In Branchen wie Automotive, Chemie, Pharma und Verpackung beginnt der Schaden bei 5.000 € pro Stunde und geht bis 50.000 € — inklusive Konventionalstrafen, Überstunden und Reputationsschäden beim OEM-Kunden. Bei großen Automotive-Fertigungslinien (vollintegrierte OEM-Werke) werden in der Literatur Stillstandskosten von bis zu 260.000 €/Stunde genannt (McKinsey, 2023) — für mittelständische Maschinenbauunternehmen ist die Spanne 5.000–50.000 €/Stunde realistischer. Dabei hätten Sensorwerte in den meisten Fällen Wochen vorher auf die Anomalie hingewiesen.

Hinzu kommt, dass klassische Intervallwartung nicht nur reaktiv, sondern auch ineffizient ist: Du tauschst Teile, die noch gut sind, und übersiehst gleichzeitig solche, die zwischen den Intervallen versagen. Im Ergebnis zu hohe Wartungskosten bei gleichzeitig zu hoher Ausfallrate.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte basieren auf Implementierungserfahrungen im mittelständischen Maschinenbau sowie Studien von Fraunhofer IPA, McKinsey und Siemens Digital Industries. Dein Betrieb kann abweichen — entscheidend ist das Muster, nicht die exakte Zahl.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Predictive Maintenance spart keine direkte Arbeitszeit — sie verhindert Ausfälle. Kein Mitarbeiter erledigt eine Aufgabe schneller; vielmehr entfallen Notfalleinsätze, Überstunden und Feuerwehraktionen. Das ist wertvoll, aber nicht dasselbe wie die Zeitersparnis bei der Produktionsdokumentation oder den Wartungsberichten.

Kosteneinsparung — sehr hoch (5/5) Das stärkste Argument in dieser Kategorie: klarer, direkt messbarer Kostenhebel. Ausfallzeiten kosten konkrete Euro-Beträge — und diese lassen sich vor und nach der Implementierung exakt vergleichen. Kein anderer Anwendungsfall im Produktionsbereich hat eine vergleichbare Kostenhebelwirkung bei gleichzeitig so direkter Messbarkeit.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist die härteste Bewertung in dieser Kategorie. Du brauchst: ausreichend historische Sensordaten (idealerweise 6–12 Monate mit dokumentierten Ausfällen), eine Sensorinfrastruktur (nachrüstbar, aber aufwendig), Modelltraining, Integration ins Dashboard und Change Management bei den Wartungsplanern. Realistisch: 6 bis 20 Wochen bis zum produktiven Pilotbetrieb. Schichtplanung oder Wartungsberichte gehen deutlich schneller.

ROI-Sicherheit — sehr hoch (5/5) Du zählst Ausfälle. Du weißt, was jeder Ausfall kostet. Du siehst, ob das System Ausfälle verhindert hat. Kaum ein KI-Projekt im Produktionsbereich hat dieses Maß an Beweisbarkeit. Wenn in 12 Monaten kein einziger ungeplanter Stillstand der überwachten Anlage passiert ist, ist der ROI greifbar — auch ohne komplizierte Attributionsanalyse.

Skalierbarkeit — hoch (4/5) Jede weitere Maschine, die an das System angebunden wird, kostet einen Bruchteil des initialen Aufwands. Das Basismodell lässt sich auf ähnliche Maschinentypen übertragen, die Infrastruktur steht. Nicht ganz maximal bewertet, weil jede neue Maschinenklasse ein eigenes Modelltraining erfordert und Sensorik-Nachrüstung bei sehr alten Anlagen disproportionalen Aufwand verursachen kann.

Richtwerte — stark abhängig von Anlagenzustand, vorhandener Sensorik und Ausfallhistorie.

Was Predictive Maintenance konkret macht

Das technische Fundament ist Predictive Analytics: Maschinen senden bereits heute Daten — Temperatur, Vibration, Stromentnahme, Öldruck, Umdrehungsfrequenz, Schmierstoffqualität. Das Problem ist nicht das Fehlen von Daten, sondern das Fehlen von Auswertung.

KI-Modelle lernen aus historischen Sensordaten, wie eine Maschine kurz vor einem Ausfall in ihren Messwerten “aussieht”. Eine Wälzlagerschädigung zeigt sich typischerweise in einem charakteristischen Vibrationsmuster Wochen bevor das Lager versagt. Ein verstopfter Filter erhöht den Druckverlust graduell über Tage. Ein verschleißender Antriebsriemen verändert die Stromaufnahme bei Last. Diese Muster sind für Menschen schwer erkennbar — für trainierte Anomalieerkennungsmodelle reproduzierbar auswertbar.

Wenn die aktuellen Sensordaten von normalen Mustern abweichen, erscheint im Dashboard eine priorisierte Wartungsempfehlung: „Lager an Spindel 3 zeigt Anomalie — Wartungsbedarf in 8–12 Tagen mit 85 % Wahrscheinlichkeit.” Der Wartungsplaner koordiniert einen Termin im nächsten geplanten Produktionsstopp, bestellt das Ersatzteil — und der ungeplante Ausfall passiert nie.

Technische Varianten je nach Ausgangssituation:

Für neuere Maschinen mit OPC-UA-Schnittstelle lassen sich Sensordaten direkt und standardisiert auslesen. Die Datenintegration ist vergleichsweise einfach, das Modelltraining kann mit vorhandenen Maschinenprotokollen starten. Bei älteren Anlagen ohne digitale Schnittstelle werden externe Sensormodule nachgerüstet — Vibrationssensoren, Strommesszangen, Temperaturfühler — die Daten drahtlos übertragen. Das erhöht den Installationsaufwand, macht aber auch ältere Maschinenparks nachrüstbar. Für kritische Einzelanlagen eignen sich Edge-Computing-Lösungen, bei denen das KI-Modell lokal auf der Maschine läuft — ohne Abhängigkeit von Internetverbindung oder Cloud-Latenz.

Konkrete Werkzeuge — was wann passt

Samsara — Industrie-IoT-Plattform mit Fokus auf Maschinentelematik und Flottenüberwachung. Geeignet, wenn du Fahrzeuge, Gabelstapler oder mobile Anlagen überwachst. Samsara bietet Echtzeit-Sensoranbindung, Anomalieerkennung und ein fertiges Dashboard ohne tiefen ML-Aufwand. Typisch ab 30–80 € pro Einheit/Monat.

Für die eigentliche ML-Modellentwicklung werden typischerweise Azure IoT Hub, AWS IoT Core oder spezialisierte Industrieplattformen wie Siemens Insights Hub eingesetzt — je nach vorhandener Cloud-Infrastruktur.

Make.com — Automatisierungsplattform für die Verbindung von Datenquellen und Benachrichtigungssystemen. Wenn das IoT-System eine Anomalie meldet, kann Make.com automatisch eine Teams-Nachricht an den Wartungsplaner senden, ein Ticket im ERP anlegen und den zuständigen Techniker benachrichtigen — ohne dass jemand ein Dashboard überwachen muss. Ab 9 €/Monat.

Microsoft 365 Copilot — Ergänzendes Werkzeug für die Kommunikationsebene. Wartungsberichte aus Sensordaten zusammenfassen, Handlungsempfehlungen für Schichtleiter formulieren, Eskalationen strukturieren. Sinnvoll als Brücke zwischen technischem System und dem Instandhaltungsteam. Ab 30 €/Nutzer/Monat.

Notion AI — Für die Dokumentationsschicht: Wartungshistorie strukturieren, Ausfallprotokolle zusammenfassen, Wissensmanagement für das Instandhaltungsteam aufbauen. Ab 10 €/Nutzer/Monat.

Datenschutz und Datenhaltung

Predictive Maintenance arbeitet primär mit Maschinendaten — Sensormessungen, Zustandswerte, Betriebsparameter. Diese Daten haben in der Regel keinen Personenbezug im Sinne der DSGVO und unterliegen daher keinen personenbezogenen Datenschutzanforderungen. Der datenschutzrechtliche Einstieg ist vergleichsweise unkompliziert.

Aufmerksam werden solltest du in zwei Szenarien: Erstens, wenn Mitarbeiterdaten mit Maschinendaten verknüpft werden — etwa wenn Schichtpläne mit Fehlerhäufigkeiten korreliert werden. Dann entsteht ein personenbeziehbares Datum, das einen eigenen Rechtsgrund benötigt. Zweitens, wenn Kameradaten eingesetzt werden — auch wenn der primäre Zweck Maschinenzustand ist, können Kameras in der Produktionshalle Mitarbeitende erfassen und damit BetrVG §87 Abs. 1 Nr. 6 (Mitbestimmung des Betriebsrats) auslösen.

Für die Cloud-Übertragung von Maschinendaten ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO mit dem Cloud-Anbieter abzuschließen — Standardpraxis und von allen großen Anbietern problemlos verfügbar. Wer sensible Fertigungsdaten (z. B. proprietäre Prozessparameter) schützen möchte, kann auf Edge-Computing setzen, bei dem die Auswertung lokal stattfindet und keine Rohdaten in externe Clouds übertragen werden.

Rechtliche Besonderheiten

Für sicherheitskritische Anlagen im Sinne der BetrSichV (Betriebssicherheitsverordnung) muss der Einsatz von KI-Überwachungssystemen in der Gefährdungsbeurteilung nach §3 BetrSichV berücksichtigt werden. Das gilt insbesondere für überwachungspflichtige Anlagen nach §§ 14–17 BetrSichV (z. B. Druckbehälter, Aufzüge, Hebezeuge).

Der EU AI Act klassifiziert KI-Systeme in der Produktionssicherheit nach ihrem Risikopotenzial. Predictive-Maintenance-Systeme, die rein auf Wartungsempfehlungen ohne direkten Steuerungseingriff abzielen, fallen in der Regel unter geringes Risiko und erfordern keine aufwendige Konformitätsbewertung. Sobald das System automatisch in Maschinensteuerungen eingreift, ändert sich die Risikoklassifizierung — dann sind umfangreichere Dokumentationspflichten und ggf. eine Konformitätsbewertung nach Art. 43 EU AI Act erforderlich.

Was es kostet — realistisch gerechnet

Pilotprojekt (1 Maschinentyp, 5–15 Sensoren, 3–6 Monate):

• Hardware (Sensorik und Anbindung, falls nicht vorhanden): 5.000–20.000 €
• Dateninfrastruktur, Modellentwicklung und Dashboard: 25.000–60.000 €
• Laufende Cloud- und Plattformkosten: 500–2.000 €/Monat
• Interner Aufwand (Wissenstransfer, Schnittstellen): 2–5 Personentage

Vollausbau (gesamte Produktionslinie, 20–50 Maschinen):

• Gesamtinvestition: 120.000–400.000 €
• ROI typischerweise unter 18 Monaten bei Anlagen mit signifikantem Ausfallrisiko

Konservatives ROI-Beispiel: Eine mittelständische Druckerei hat 3 kritische Anlagen, die im Schnitt einmal pro Jahr ungeplant ausfallen — jeweils 8 Stunden Stillstand à 12.000 € = 288.000 € Ausfallkosten jährlich. Nach Einführung von Predictive Maintenance werden 70 % der Ausfälle verhindert: 201.600 € gespart pro Jahr. Implementierungskosten: 80.000 €. Amortisation: unter 5 Monate.

Wie du den ROI tatsächlich misst: Zähle ungeplante Stillstände und ihre Kosten über 12 Monate vor der Implementierung. Nach 12 Monaten Betrieb vergleichst du. Das funktioniert — weil Ausfälle gezählt werden können, anders als die meisten anderen KI-Projekte.

Typische Einstiegsfehler

1. Mit unzureichender Datenlage starten. KI-Modelle für Predictive Maintenance brauchen historische Sensordaten aus der Zeit vor Ausfällen — idealerweise mehrere dokumentierte Ausfälle desselben Typs. Wer nur drei Monate Daten und einen einzigen dokumentierten Ausfall hat, bekommt kein verlässliches Modell. Lösung: Zuerst Daten erheben und systematisch protokollieren; Modellentwicklung erst nach 6–12 Monaten Datenlage.

2. Zu viele Maschinen gleichzeitig angehen. Jede Maschinenart hat andere Ausfallmuster, andere relevante Sensoren, andere Normalzustände. Wer das Pilotprojekt auf 15 verschiedene Anlagentypen gleichzeitig einführt, bekommt 15 halbfertige Modelle statt eines validierten. Start mit der einen Anlage, die den höchsten Schaden bei Ausfall verursacht.

3. Wartungsplaner und Schichtführer nicht einbinden. Ein System, das Warnungen generiert, denen niemand vertraut, verändert nichts. Wartungsplaner müssen wissen, was das Dashboard bedeutet, warum sie der Empfehlung vertrauen können und was sie tun sollen — vor dem Go-live, nicht danach. Das Change Management ist genauso aufwendig wie die Modellentwicklung.

4. Modell-Drift ignorieren. Maschinen verändern sich: Verschleiß, Umbau, Wechsel der Produktpalette. Ein Modell, das vor 18 Monaten gut kalibriert war, kann bei veränderter Maschine falsche Alarme oder zu wenige Alarme liefern. Retraining-Zyklen und ein klarer Prozess für Modellpflege müssen von Anfang an eingeplant sein.

5. False-Positive-Rate in der Testphase als Systemversagen werten. In den ersten 4–8 Wochen werden viele Systeme zu konservativ eingestellt — sie schlagen Alarm bei Anomalien, die sich als harmlos herausstellen. Das ist kein Fehler, sondern die Kalibrierungsphase. Wer das System in dieser Phase abbricht, verpasst den eigentlichen Nutzen. Betrieb im “Beobachtungsmodus” (Alarme sehen, aber nicht zwingend handeln) erlaubt die Feineinstellung ohne Produktionsrisiko.

Was mit der Einführung wirklich passiert — und was nicht

Schichtleiter und Instandhaltungsleiter reagieren auf die ersten Anomalie-Alerts oft skeptisch: “Das ist normal bei dieser Maschine, die hat immer ein bisschen mehr Vibration als die anderen.” Das ist kein Widerstand, sondern Erfahrungswissen — und es ist wertvoll. Die Kalibrierungsphase sollte explizit als “Wir lernen gemeinsam mit dem System” kommuniziert werden, nicht als “Das System weiß es besser”.

Was oft überrascht: Erfahrene Techniker berichten nach einigen Wochen, dass das System Auffälligkeiten zeigt, die sie selbst schon beobachtet hatten — aber nicht sicher einordnen konnten. Das Vertrauen entsteht, wenn das System die Intuition des Teams bestätigt, nicht wenn es ihr widerspricht.

Was nicht funktioniert: Predictive Maintenance als reines IT-Projekt ohne enge Einbindung der Instandhaltung. Jede Implementierung, die am Instandhaltungsleiter vorbei entschieden wurde, hat Akzeptanzprobleme in der Praxis.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Maschinen sind zu alt, die haben keine Sensoren.” In den meisten Fällen lösbar. Vibrationsaufnehmer, Strommesszangen und Temperatursensoren lassen sich an nahezu jede Maschine nachrüsten — ohne in die Steuerung einzugreifen, ohne Herstellergarantie zu verlieren. Typisch 500–3.000 € Hardware pro Maschine. Das eigentliche Fragezeichen ist die Datenablage der Vergangenheit: Gibt es Wartungsprotokolle, aus denen historische Ausfälle rekonstruierbar sind?

„Das ist zu komplex für unsere IT.” Predictive-Maintenance-Implementierungen verlaufen typischerweise mit einem externen Partner, der das System aufbaut und betreut. Was intern gebraucht wird: ein Ansprechpartner im Instandhaltungsteam und Zugang zu den Maschinen. Keine eigene Data-Science-Kompetenz erforderlich.

„Wir warten schon präventiv nach Intervallen — reicht das nicht?” Intervallwartung ist besser als reaktive Reparatur, aber teuer: Du tauschst Teile, die noch gut sind, und übersiehst gleichzeitig solche, die zwischen den Intervallen versagen. Predictive Maintenance ersetzt das Intervall durch den tatsächlichen Zustand — und spart dabei im Schnitt 40–60 % der Wartungskosten.

„Was, wenn das System Fehlalarm schlägt?” Legitimes Risiko, besonders in der Einlernphase. Deshalb läuft das System anfangs im Beobachtungsmodus: Es meldet Anomalien, aber der Wartungsplaner entscheidet, ob er handelt. Über diesen Prozess kalibriert sich das Modell — die False-Positive-Rate sinkt typischerweise auf unter 5 % nach 3–4 Monaten Betrieb.

Woran du merkst, dass das zu dir passt

• Du hast wiederkehrende ungeplante Maschinenausfälle und kannst spontan sagen, welche Anlage am häufigsten betroffen ist.
• Deine Maschinen haben bereits Sensoren oder Steuerungen, die Messwerte ausgeben — auch wenn diese Daten bisher nirgendwo ausgewertet werden.
• Du hast Wartungsprotokolle oder Maschinenbücher, aus denen sich historische Ausfälle und Wartungsmaßnahmen rekonstruieren lassen.
• Ein ungeplanter Ausfall kostet dich im Schnitt mehr als 20.000 € — durch Produktionsausfall, Konventionalstrafen oder Überstunden.
• Du planst Wartung nach Zeitintervallen und dein Instandhaltungsteam hat das Gefühl, dass manche Teile unnötig früh getauscht werden, während andere zwischen den Intervallen versagen.

Wer noch nicht bereit ist:

• Du hast weniger als 6 Monate Sensordaten und keine dokumentierte Ausfallhistorie — zuerst Datenbasis aufbauen.
• Deine Produktionslinie läuft weniger als 2.000 Stunden pro Jahr — zu wenige Ereignisse für ein belastbares Modell.
• Du hast noch keine interne Verantwortlichkeit für Instandhaltung und Wartungsplanung — die organisatorische Grundlage muss zuerst stehen.

Das kannst du heute noch tun

Exportiere aus deinem ERP oder deinen Wartungsprotokollen alle ungeplanten Stillstände der letzten 18 Monate mit Datum, betroffener Anlage, Dauer und Kostenfolge. Füge hinzu, welche Sensordaten an diesen Anlagen vorhanden sind (OPC-UA, Modbus, proprietäre Schnittstellen oder keine). Das ist die Grundlage für jedes Assessment — und du erkennst in der Zusammenstellung selbst, ob die Datenlage ausreicht oder zuerst aufgebaut werden muss.

Quellen & Methodik

• Fraunhofer IPA — Studien zu OEE-Kennzahlen und Stillstandskosten im deutschen Maschinenbau, Letzter Stand 2023
• Siemens Digital Industries / Fraunhofer — Studie “Predictive Maintenance in Manufacturing”, 2022/2023
• McKinsey Global Institute — “The Future of Manufacturing”, 2023 — OEE-Benchmarks und Wartungskosteneinsparungen
• VDMA — Kennzahlen zur deutschen Maschinenbauindustrie, Jahresbericht 2023
• Eigene Implementierungserfahrungen — Predictive-Maintenance-Projekte im mittelständischen Maschinenbau 2022–2025; Stand April 2026