KI-gestützte Wartungsplanung im Maschinenraum: Predictive Maintenance für Schiffsantriebe

Das echte Ausmaß des Problems

Maschinenraumausfälle sind der teuerste, gefährlichste und am schlechtesten planbare Störfall im Schiffsbetrieb. Sie treffen ein Schiff auf hoher See, fernab von Werften, Ersatzteillagern und qualifizierten Technikern. Sie zwingen zu Notumkehr oder Notschlepp. Sie führen zu Totalausfällen von Charter-Verträgen, die auf pünktliche Lieferungen ausgelegt sind.

Die International Chamber of Shipping schätzt, dass maschinenbezogene Defekte für rund 25–30 Prozent aller Schiffsunfälle verantwortlich sind. Die European Maritime Safety Agency (EMSA) dokumentiert jährlich mehrere hundert Vorfälle mit Maschinenraumhintergrund, von denen ein erheblicher Anteil auf Wartungsversäumnisse oder übersehene Frühwarnsignale zurückgeführt wird.

Die wirtschaftliche Seite ist ebenso dramatisch: Für einen mittelgroßen Massengutfrachter kostet ein ungeplanter Liegetag — inklusive Charterverlust, Nothafen-Liegegebühren, Notfall-Technikerkosten und Versicherungsabwicklung — 15.000 bis 40.000 Euro, für Containerschiffe und Kreuzfahrer entsprechend mehr.

Und doch basiert die Wartungsplanung auf den meisten Schiffen noch immer auf festen Intervallen: Der Turbolader wird nach X Betriebsstunden überholt, unabhängig davon, ob er in einwandfreiem Zustand ist oder bereits deutliche Ermüdungszeichen zeigt. Beides ist suboptimal — im besten Fall wird zu früh gewechselt (Ressourcenverschwendung), im schlimmsten zu spät (Ausfall).

Schätzungen aus der Schifffahrtsbranche gehen davon aus, dass 40–70 Prozent der ungeplanten Maschinenraumausfälle durch frühere Datenanalyse erkennbar und vermeidbar gewesen wären — wenn die Sensordaten systematisch auf Trendverläufe und Anomalien hin ausgewertet worden wären.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen für ungeplante Liegezeiten und ROI basieren auf einer MDPI-Studie zur KI-gestützten Wartung in der maritimen Industrie (2024) sowie Erfahrungsberichten aus Kreuzfahrt- und Containerschiff-Implementierungen. Einzelergebnisse variieren stark je nach Ausgangszustand, Schiffsalter und Implementierungstiefe.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Predictive Maintenance spart primär keine Arbeitszeit — es spart Ausfallzeit. Der Chief Engineer verbringt nicht weniger Zeit im Maschinenraum, aber er verbringt diese Zeit mit geplanten Wartungsarbeiten statt mit Notfallreparaturen auf hoher See. Der Wartungsplanungsaufwand sinkt durch KI-Empfehlungen, aber dieser Effekt ist sekundär gegenüber dem Hauptnutzen der Ausfallvermeidung.

Kosteneinsparung — sehr hoch (5/5) In dieser Kategorie ist Predictive Maintenance das stärkste Use Case der schiffbaulichen KI-Anwendungen. Die Kostenwirkung ist direkt, messbar und erheblich: Jeder verhinderte Liegetag auf einem mittelgroßen Frachter spart mehr, als das System im Monat kostet. Kein anderer Anwendungsfall in dieser Kategorie hat eine so unmittelbare und außer Zweifel stehende Kostenrelevanz.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der entscheidende Haken. Ein Predictive-Maintenance-System braucht Sensoren (teilweise bereits vorhanden, teilweise nachzurüsten), eine historische Datenbasis (mindestens sechs bis zwölf Monate valide Betriebsdaten), ein ML-Modell, das auf die spezifischen Maschinen kalibriert ist, und eine Integration in das CMMS. Das bedeutet realistische 12 bis 24 Monate bis zu einem verlässlichen Produktivsystem. Wer schnelle Ergebnisse sucht, ist hier falsch.

ROI-Sicherheit — hoch (4/5) Die Messung ist klar: Anzahl und Kosten der ungeplanten Liegezeiten vor Einführung vs. danach. Die Unsicherheit: Maschinenausfälle sind selten, was bedeutet, dass statistische Beweise erst nach mehreren Jahren überzeugend werden. Im ersten Jahr nach Einführung kann es sein, dass schlicht kein Ausfall auftritt — was nicht beweist, dass das System wirkt (der Ausfall wäre vielleicht auch ohne System nicht aufgetreten). Realistischere Messgröße: Wie viele Frühwarnungen hat das System ausgelöst, die zu präventiven Eingriffen geführt haben, und wie hoch waren die vermiedenen Reparaturkosten?

Skalierbarkeit — hoch (4/5) Sobald das System für einen Schiffstyp und eine Motorklasse kalibriert ist, skaliert es auf alle Schiffe gleichen Typs in der Flotte ohne proportionalen Mehraufwand. Für eine homogene Flotte (etwa: zehn Bulk Carrier der gleichen Klasse) ist der Aufwand pro Schiff für die zweite Installation deutlich geringer als für die erste.

Richtwerte — stark abhängig von Ausgangsdatenqualität, Schiffsalter und CMMS-Reifegrad.

Was das System konkret macht

Predictive Analytics im Maschinenraum basiert auf dem Prinzip, dass Ausfälle sich ankündigen — oft Wochen im Voraus, durch subtile Abweichungen in Vibrations-, Temperatur- und Druckverläufen, die erst in der Aggregation und im Trendvergleich erkennbar werden.

Ein vollständiges System arbeitet in drei Schichten:

Schicht 1: Sensordatenerfassung Vibrationsaufnehmer an Haupt- und Hilfsaggregaten, Temperatursensoren an Lagern, Öldruckmessung, Schmierstoff-Online-Analyse, Abgastemperatur-Monitoring. Die meisten modernen Schiffe haben diese Sensoren bereits teilweise installiert — was fehlt, ist die systematische, historisierende Auswertung.

Schicht 2: ML-Anomalieerkennung Ein Machine Learning-Modell lernt aus historischen Betriebsdaten, wie “normaler” Betrieb aussieht — für diesen Motortyp, in diesem Schiff, unter diesen Betriebsbedingungen. Wenn ein gemessener Wert von diesem Muster abweicht, auch ohne absolute Schwellenwerte zu überschreiten, schlägt das System Alarm. Das ist der entscheidende Unterschied gegenüber klassischen Alarmsystemen: Die KI erkennt Trends und Anomalien, nicht nur Grenzwerte.

Schicht 3: CMMS-Integration Eine Frühwarnung allein hat keinen Wert, wenn sie nicht zu einer Wartungsmaßnahme führt. Das System ist mit AMOS by SpecTec oder IBM Maximo verknüpft und löst bei bestätigter Anomalie automatisch einen Arbeitsauftrag aus: Komponent prüfen, Ölprobe nehmen, Servicetechniker anfragen. Der Chief Engineer bestätigt und priorisiert — das System liefert die Entscheidungsgrundlage.

Wärtsilä PCMS und Kongsberg als Branchenstandards: Wärtsilä bietet mit dem Propulsion Condition Monitoring Service (PCMS) eine etablierte Lösung für Antriebsüberwachung, die Vibrationsanalyse, Ölzustandsmessung und Fernauswertung durch Wärtsilä-Experten kombiniert. Kongsberg Maritime bietet ähnliche Condition-Monitoring-Lösungen für Rotation Equipment. Beide Systeme sind für spezifische Motortypen optimiert und stellen eine Alternative zur Eigenlösung dar.

Konkrete Werkzeuge — was wann passt

Wärtsilä PCMS (herstellergebundene Lösung) Für Schiffe mit Wärtsilä-Antrieben die direkteste Wahl: Wärtsilä überwacht die eigene Motorgeneration remote und informiert den Betreiber proaktiv bei Anomalien. Kosten: Servicevertrag auf Anfrage. Stärke: Motorspezifisches Expertenwissen der Servicetechniker direkt integriert. Schwäche: Nur für Wärtsilä-Equipment.

Kongsberg Maritime Condition Monitoring Kongsberg bietet herstellerunabhängige Condition-Monitoring-Lösungen für den gesamten Maschinenraum, einschließlich Rotation Equipment und Antriebsanlagen. Besonders stärkereich für Schiffe mit Kongsberg-Automatisierungssystemen, weil die Integration in bestehende Brücken- und Maschinenraumsysteme ohne zusätzliche Schnittstellenarbeit funktioniert.

AVEVA PI System + ML-Layer Für Reedereien, die auf eine offene, datenbankübergreifende Infrastruktur setzen: AVEVA PI historisiert alle Sensordaten, der ML-Layer (AVEVA Predictive Analytics oder Azure ML) baut darauf das Anomaliemodell. Das ist flexibler als herstellergebundene Lösungen, aber auch komplexer zu implementieren. Besonders geeignet für Flotten mit gemischten Hersteller-Portfolios.

IBM Maximo Application Suite IBM Maximo verbindet EAM (Enterprise Asset Management) mit KI-basiertem Predictive Maintenance direkt in einem System. Besonders relevant für große Reedereien, die auch die Wartungshistorie, Ersatzteilbestellung und Compliance-Nachweise zentral verwalten wollen. Implementierungskomplexität ist hoch, aber der integrierte Ansatz vermeidet Schnittstellenprobleme.

AMOS by SpecTec als CMMS-Basis Für Reedereien, die AMOS bereits einsetzen: AMOS ist das Ziel-CMMS, in das Predictive-Maintenance-Frühwarnungen einfließen und automatisch Arbeitsaufträge auslösen. Die KI-Anomalieerkennung kommt typischerweise aus einem vorgelagerten Sensor-Layer (Wärtsilä, Kongsberg, AVEVA).

Wann welcher Ansatz:

• Wärtsilä-Motoren, servicevertragsorientiert → Wärtsilä PCMS
• Kongsberg-Infrastruktur an Bord → Kongsberg Condition Monitoring
• Gemischte Flotte, offene Architektur → AVEVA PI + ML
• Großreederei mit zentralem Asset Management → IBM Maximo
• Basis-CMMS für Arbeitsauftragsverwaltung → AMOS (kombinierbar mit obigen)

Datenschutz und Datenhaltung

Maschinenraum-Sensordaten enthalten keine personenbezogenen Informationen — die DSGVO-Relevanz ist gering. Relevant sind stattdessen:

Betriebsgeheimnisse: Performancedaten des Hauptantriebs, Kraftstoffverbrauchskurven und Wartungshistorie sind wirtschaftlich sensible Betriebsdaten. Bei cloudbasierten Lösungen (Wärtsilä Remote Diagnostics, Kongsberg Fleet Center) gehen diese Daten an Dritte. Das ist vertraglich zu regeln und mit dem Reeder abzustimmen.

Datenresidenz bei Flag-State-Anforderungen: Einige Flag States verlangen, dass schiffsbezogene Betriebsdaten in nationalen Systemen archiviert werden. Für EU-Reedereien mit Schiffen unter EU-Flagge sind EU-gehostete Systeme wie AVEVA PI mit europäischen Rechenzentren oder On-Premise-Deployment empfohlen.

Cybersecurity: Maschinenraumsysteme gelten als kritische OT-Infrastruktur. Die IMO Resolution MSC-FAL.1/Circ.3 (2017) und die aktuellen ISM-Code-Ergänzungen verlangen Cybersecurity-Risikoanalysen für alle vernetzten Bordssysteme. Jede IoT-Sensoranbindung, die Maschinenraumsysteme mit dem Internet verbindet, muss im Cybersecurity-Risikoprozess des Schiffs bewertet werden.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Nachrüstung Vibrations- und Zustandssensoren: 20.000–80.000 Euro je Schiff (stark abhängig von vorhandener Sensorik)
• Dateninfrastruktur und CMMS-Integration: 30.000–100.000 Euro Implementierungsaufwand
• ML-Modell-Kalibrierung auf Maschinentyp: 15.000–40.000 Euro (häufig in OEM-Servicevertrag enthalten)
• Wärtsilä PCMS oder Kongsberg CMS: Servicevertrag, Preise auf Anfrage — typisch im mittleren fünfstelligen Bereich/Jahr

Laufende Kosten (monatlich)

• Servicevertrag (Wärtsilä/Kongsberg): im Servicevertrag kalkuliert
• AVEVA PI-Lizenz: Preise auf Anfrage, Einstieg für kleine Systeme bei ca. 2.000–5.000 Euro/Monat
• IBM Maximo SaaS: ab ca. 3.000–8.000 Dollar/Monat für kleine Deployments

Was du dagegen rechnen kannst Ein ungeplanter Maschinenraumausfall auf einem Frachter mittlerer Größe: konservativ 15.000 Euro/Tag Liegezeit, plus Reparatur- und Bergungskosten, plus Konventionalstrafen aus dem Charter-Vertrag. Bei einem Totalausfall mit Notschlepp: sechsstellige Kosten in wenigen Tagen. Wenn das System in fünf Jahren einen mittelschweren Ausfall verhindert, hat es sich auch bei hohen Implementierungskosten gerechnet.

Wie du den ROI tatsächlich misst Führe vor Systemeinführung genaue Buch über: Anzahl der ungeplanten Stopps pro Jahr, Ursachen, Dauer, direkte Kosten. Das ist die Baseline. Nach 18–24 Monaten Betrieb: gleiche Auswertung. Der Delta ist der messbare ROI.

Drei typische Einstiegsfehler

1. Mit zu wenig historischen Daten ins ML-Projekt starten. Ein Anomalie-Erkennungsmodell für Maschinenraumkomponenten braucht Betriebsdaten, die “normal” definieren — und das heißt: Daten über verschiedene Betriebszustände, Jahreszeiten, Lastzustände und Alterungsphasen. Wer nach drei Monaten Sensorbetrieb ein ML-Modell trainiert, bekommt ein Modell, das auf diese drei Monate kalibriert ist — nicht auf die Realität des Schiffsbetriebs. Die Empfehlung der Branche: mindestens sechs bis zwölf Monate Datenaufzeichnung, bevor das erste Produktivmodell trainiert wird. Wer schneller sein will, kann auf OEM-Modelle setzen (Wärtsilä, Kongsberg), die auf Flottendaten trainiert sind.

2. Sensorausfälle als Datenqualitätsproblem ignorieren. Ein Vibrationssensor an einem Lager, der zwei Wochen keine Daten sendet, meldet das System als “keine Anomalie” — obwohl der Sensor ausgefallen ist, nicht die Maschine. Wer Sensorausfälle nicht aktiv monitort und behebt, hat nach sechs Monaten ein System mit blinden Flecken, das falsche Sicherheit vermittelt. Lösung: Sensor-Health-Monitoring als separaten KPI einführen und täglich überprüfen.

3. Die Besatzung nicht in die Einführung einbinden. Maschinenraumwächter wie Erik in der Eröffnungsgeschichte haben jahrelanges implizites Wissen über ihr Schiff. Wenn das KI-System ihre Beobachtungen nicht einbeziehen kann, verliert man eine wertvolle Signalquelle. Praktisch bedeutet das: Besatzung muss wissen, wie sie ungewöhnliche Beobachtungen ins System einspeisen kann (“Chief-Notiz” als strukturiertes Datenfeld, nicht nur Freitext im Logbuch). Und: Wenn das System eine Anomalie erkennt, die die Besatzung bereits bemerkt hatte, sollte das System das widerspiegeln — als Bestätigung und Lernfeedback.

Was mit der Einführung wirklich passiert — und was nicht

Predictive Maintenance ist das technisch anspruchsvollste Use Case in dieser Kategorie — und es ist das, bei dem Hersteller-Hype am stärksten von der Realität abweicht.

Was in Pilotprojekten regelmäßig passiert:

Monat 1–6: Datenchaos aufräumen. Die meisten Schiffe haben mehr Sensoren als gedacht, aber weniger strukturierte Daten als erwartet. Sensoren ohne Kalibrierung, fehlende Zeitstempel, inkonsistente Einheiten zwischen Systemen. 70 Prozent des initialen Projektaufwands gehen laut Branchenerfahrungen in Datenaufbereitung — nicht in KI.

Monat 6–12: Erstes Modell, erste Enttäuschungen. Das erste Modell ist zu sensitiv (zu viele Fehlalarme) oder zu unempfindlich (erkennt nichts, was nicht sowieso im Grenzwert-Alarm wäre). Das Kalibrieren braucht Zeit und Feedback aus dem realen Betrieb. Chief Engineers, die nach dem dritten Fehlalarm innerhalb einer Woche aufhören, das System ernst zu nehmen, sind der häufigste Einführungsabbruch.

Monat 12–18: System wird nützlich. Wenn Modell und Betriebsrealität kalibriert sind, beginnen echte Frühwarnungen. In dieser Phase kippt die Stimmung — plötzlich ist das System kein “teures Experiment”, sondern ein Werkzeug, auf das die Besatzung aktiv wartet.

Was konkret hilft:

• Realistische Erwartungssteuerung von Tag 1: Das System ist in den ersten sechs Monaten primär ein Datenqualitätsverbesserungsprojekt
• Fehlalarmrate als explizite KPI führen und mit dem Anbieter wöchentlich besprechen
• Erste echte Frühwarnung kommunizieren — wenn das System zum ersten Mal einen potenziellen Ausfall vorhersagt, der dann beim Öffnen des Teils bestätigt wird, ist das die wichtigste Werbemaßnahme für das System an Bord

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Unsere Schiffe sind zu alt für Predictive Maintenance.” Ältere Schiffe haben weniger eingebaute Sensoren — das stimmt. Aber das bedeutet nicht, dass kein System möglich ist. Für kritische Komponenten (Hauptlager, Turbolader, Getriebe) lassen sich Nachrüst-Sensorpakete relativ einfach installieren. Der Nutzen für ältere Schiffe ist sogar oft höher, weil die Ausfallwahrscheinlichkeit höher ist und damit die Abwendung eines Ausfalls mehr wert ist.

“Wir haben schon ein Alarmsystem — reicht das nicht?” Klassische Alarmsysteme reagieren auf überschrittene Grenzwerte — sie melden, wenn die Temperatur 90 Grad übersteigt. Predictive Maintenance erkennt den Trend, der zu 90 Grad führt, bevor er eintritt. Das sind fundamentell andere Aussagen. Der Turboladerfall in der Eingangsgeschichte hatte keine Grenzwertüberschreitungen — aber einen klaren Trendverlauf in den Vibrationsdaten.

“Die Hersteller-Lösung (Wärtsilä, Kongsberg) ist zu teuer.” Herstellerlösungen haben ihren Preis — aber sie haben auch den Vorteil, dass der OEM seine eigene Maschine am besten kennt. Die Alternative (eigenentwickeltes ML-Modell) ist günstiger im Lizenzpreis, aber teurer im Aufbau. Das Kalkül hängt stark davon ab, wie viele Schiffe die gleichen Motoren haben: Bei zehn Schiffen mit gleicher Motorklasse amortisiert sich der Aufbau eines eigenen Modells schnell.

Woran du merkst, dass das zu dir passt

• Du hast in den letzten fünf Jahren mindestens einen ungeplanten Maschinenraumausfall auf See erlebt, der zu Liegezeit oder Notschlepp geführt hat
• Deine Schiffe sind 8 oder mehr Jahre alt und haben eine Wartungshistorie, die in einem CMMS dokumentiert ist
• Du betreibst eine homogene Flotte (mindestens drei Schiffe gleichen Typs oder gleicher Motorklasse), was die Modell-Kalibrierung deutlich einfacher macht
• Du hast einen langfristigen Servicevertrag mit Wärtsilä, Kongsberg oder einem anderen OEM, der Remote-Monitoring anbietet — das könnte der einfachste Einstieg sein

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

1. Bei einer einzelnen Einheit ohne Flottenkontext. Ein ML-Modell braucht Daten. Wenn du nur ein Schiff betreibst und die Motorklasse nirgendwo sonst in der Flotte vorkommt, ist der Modell-Aufbau unverhältnismäßig. Die Alternative: Wärtsilä- oder Kongsberg-Servicevertrag mit Remote-Monitoring, der auf OEM-Flottendaten trainierte Modelle liefert.

2. Wenn kein CMMS existiert, in das Frühwarnungen einfließen können. Predictive Maintenance ohne Wartungsmanagement-System bedeutet: Das System sendet Frühwarnungen, die niemand systematisch aufnimmt und in Arbeitsaufträge überführt. Das Ergebnis ist das gleiche wie ohne System — außer dass jetzt ein ungenutztes KI-Tool existiert, das monatlich Kosten produziert.

3. Wenn die Besatzung nicht in die Einführung eingebunden wird. Das klingt weich, ist aber hart gemeint: Ein Predictive-Maintenance-System, das von der Besatzung nicht akzeptiert wird, wird nach dem ersten Fehlalarm ignoriert. Die Maschinenraumwächter und Chief Engineers müssen das System verstehen, seine Grenzen kennen und ihre eigenen Beobachtungen einbringen können. Ohne das ist die technischste KI wertlos.

Das kannst du heute noch tun

Falls du noch kein strukturiertes CMMS nutzt: Fang mit AMOS by SpecTec an, eine Demo für deine Flottengröße anzufragen. Die Frist-Tracking- und Wartungshistorie-Funktionen haben auch ohne KI unmittelbaren Wert.

Falls du bereits CMMS nutzt: Prüfe, ob du historische Sensordaten aus dem letzten Jahr in exportierbarer Form hast. Das ist der erste Schritt für eine Bedarfsanalyse mit einem Predictive-Maintenance-Anbieter.

Für einen sofortigen ersten Nutzen ohne Systemintegration: Du kannst manuelle Wartungsberichte aus dem letzten Jahr in ChatGPT oder Claude laden und eine Musteranalyse durchführen lassen:

Quellen & Methodik

• Maschinenbezogene Schiffsunfälle: European Maritime Safety Agency (EMSA), Annual Overview of Marine Casualties and Incidents 2024; International Chamber of Shipping
• Anteil vermeidbarer Ausfälle 40–70 %: MDPI Applied Sciences, „AI-Driven Predictive Maintenance in Modern Maritime Transport” (2024), doi:10.3390/app14209439; SmartSeas AI, Maritime Predictive Analytics Studie 2024
• Liegetagkosten: Branchenübliche Schätzwerte auf Basis Baltic Dry Index und Charter-Marktberichten; variieren stark je nach Schiffstyp und Charter-Konditionen
• Wärtsilä PCMS: Wärtsilä Propulsion Condition Monitoring Service, Produktdokumentation 2024
• Kongsberg Condition Monitoring: Kongsberg Maritime, Condition Monitoring Solutions Produktdokumentation 2024
• CMMS-Marktvergleich: BoatOn, State of Marine CMMS 2024; SpecTec AMOS Marktdaten
• IMO Cybersecurity: IMO Resolution MSC-FAL.1/Circ.3 (2017) — Maritime Cyber Risk Management in Safety Management Systems
• Implementierungsaufwand Datenaufbereitung 70 %: Branchenerfahrungswerte aus digitalen Transformationsprojekten im maritimen Sektor; bestätigt durch SmartSeas AI Implementierungsberichte