Hauptantrieb Predictive Maintenance: Vibrationsanalyse MAN/Wärtsilä-Motor

Das echte Ausmaß des Problems

Hauptantriebe auf Seeschiffen sind die zuverlässigsten Großmotoren, die die Welt kennt. Ein MAN B&W Zweitaktmotor läuft typisch 100.000 bis 200.000 Betriebsstunden ohne Generalüberholung. Wärtsilä-Viertakter auf Fähren und RoRo-Schiffen kommen auf ähnliche Zahlen. Das schafft eine irreführende Sicherheit: Was selten ausfällt, scheint keine besondere Überwachung zu brauchen.

Wenn es ausfällt, ist die Rechnung brutal.

Ein ungeplanter Motorstillstand auf See bedeutet: Schlepperkosten von 50.000 bis 200.000 Euro je nach Position und Wetterbedingung. Dazu Hafen- und Liegegebühren, Charterverzugszahlungen von typisch 10.000 bis 30.000 Euro pro Tag, Passagiererstattungen bei Fähren und — falls eine Trockendock-Reparatur nötig wird — direkte Reparaturkosten von 300.000 bis über einer Million Euro bei Kolbenringwechsel oder Lageraustausch am laufenden Kurbelgehäuse.

Laut einer Analyse von MarineInspection.app (2024) verlieren Reedereien durch ungeplante Maschinenausfälle 10 bis 30 Prozent ihrer jährlichen Betriebskosten. Für ein mittelgroßes Containerschiff mit Jahresbetriebskosten von 8 bis 12 Millionen Euro bedeutet das: 800.000 bis 3,6 Millionen Euro jährlich, die nicht für Transportleistung, sondern für Ausfälle aufgewendet werden.

Die klassische Antwort ist TBO — Time-Based Overhaul. Teile werden nach Betriebsstundenplan ersetzt, unabhängig von ihrem tatsächlichen Zustand. Das überwartete Teile, die noch gut wären, und übersieht gleichzeitig Anomalien, die außerhalb des Wartungsintervalls entstehen. Kolbenringe, Lager und Injektoren folgen nicht dem Kalender — sie folgen Lastprofilen, Treibstoffqualitäten und Kühlung.

Der Schritt von TBO zu Predictive Analytics-basierter Wartung ist in der maritimen Industrie keine Theorie mehr. Wärtsilä, MAN Energy Solutions (jetzt Everllence), DNV und Lloyd’s Register haben in den letzten fünf Jahren konkrete Programme entwickelt — und die frühen Ergebnisse zeigen, dass Frühwarnung bei Lagerverschleiß, Turboladerproblemen und Injektordrift mit ausreichend Sensordaten 4 bis 16 Wochen vor einem messbaren Ausfall möglich ist.

Mit vs. ohne KI — ein ehrlicher Vergleich

Daten aus: MarineInspection.app (2024), Wärtsilä Expert Insight Fallstudien (2021–2024), eigene Aufbereitung.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der direkte Zeitgewinn entsteht nicht an Bord, sondern in der Wartungsplanung an Land. Statt Teile auf Verdacht zu öffnen, plant die Reederei Eingriffe nach tatsächlichem Bedarf — das spart Engineerstunden und Reisekosten für Servicetechniker. Verglichen mit anderen Anwendungsfällen im Schiffbau (Dokumentationskompilierung: 5/5, Schweißnahtprüfung: 5/5) ist der direkte Zeiteffekt kleiner — das System arbeitet passiv und schlägt nur bei Bedarf an.

Kosteneinsparung — sehr hoch (5/5) Das ist der stärkste Hebel in der gesamten Schiffbau-Kategorie. Ein einziger vermiedener ungeplanter Motorstillstand auf See spart zwischen 100.000 und 500.000 Euro — Schleppkosten, Charterausfälle, Notfallreparatur kombiniert. Für Flotten mit fünf oder mehr Schiffen bedeutet das bei realistischer Ausfallstatistik 500.000 bis 2,5 Millionen Euro jährlich, die durch bedarfsgerechte Wartung vermieden werden können. Kein anderer Schiffbau-Anwendungsfall hat dieses absolute Einsparpotenzial.

Schnelle Umsetzung — niedrig (2/5) Sensorinstallation, Datenaufbau und Modellkalibrierung dauern 6 bis 12 Monate, bevor das System verlässliche Prognosen liefert. Für Schiffe ohne bestehende digitale Sensorinfrastruktur kommt die physische Nachrüstung hinzu, die nur im Hafen oder Dock möglich ist. Das ist die ehrlichste Einstufung: Wer sofort eine Warnung braucht, bekommt sie nicht — das Modell muss zuerst den Normalzustand kennen.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist real und dokumentiert. Das Grundproblem ist das Gegenteil-Beweisproblem: Wenn das System eine Anomalie erkennt und die Reederei den Motor öffnet und nichts Kritisches findet — war es ein Fehlalarm? Oder war die Prävention erfolgreich? Anders als bei der Bunkeroptimierung, wo jede Tonne Brennstoff direkt messbar ist, bleibt der Nachweis vermiedener Schäden eine Schätzung. Die DNV CBM-Notation und klare Protokolle für erkannte Anomalien stärken die Dokumentationslage, lösen das Problem aber nicht vollständig.

Skalierbarkeit — gut (4/5) Für homogene Flotten mit demselben Motortyp auf ähnlichen Routen skaliert das System sehr gut: Das Basismodell einer Motorklasse transferiert, individuelle Kalibrierung pro Schiff dauert Wochen statt Monate. Für Mischflotten mit unterschiedlichen Motorgenerationen und Betriebsprofilen braucht jedes Schiff seine eigene Baseline — das macht die initiale Ausrollung aufwändiger. Dass Bunkeroptimierung auf 5/5 kommt, liegt an der direkten Algorithmus-Übertragbarkeit: Ein besserer Trimm gilt für alle ähnlichen Rümpfe sofort. Bei PdM entscheidet die individuelle Motorhistorie über die Modellqualität.

Richtwerte — stark abhängig von Flottengröße, Motorbaujahr, bestehender Sensorinfrastruktur und Konnektivität auf den Fahrtrouten.

Was das System konkret macht

Machine Learning-basierte Predictive Maintenance für Schiffsmotoren arbeitet auf Zeitreihendaten. Vereinfacht: Das System lernt, wie sich ein gesunder Motor verhält — und erkennt, wenn das Verhalten davon abweicht.

Was gemessen wird

Für einen MAN B&W-Zweitaktmotor mit typisch 6 bis 12 Zylindern erfassen Systeme wie Everllence CEON oder nachgerüstete Sensorsysteme folgende Daten je Zylinder und Betriebszyklus:

• Zylinderdruck-Zeitreihe: Druckverlauf über den Kolbenhub — Kompressionsratio, Verbrennungsbeginn, Peakdruck. Abweichungen zeigen Kolbenringverschleiß, Ventilprobleme oder Einspritztiming-Drift.
• Abgastemperatur je Zylinder: Gleichmäßige Verteilung ist das Normalziel. Hotspots oder kalte Zylinder zeigen ungleiche Verbrennung.
• Turboladerschwingungen: ICP-Beschleunigungssensoren auf Verdichtergehäuse und Lager erkennen Unwucht, Lagerverschleiß und Fouling an den Schaufeln — Wochen bevor der Leistungsabfall messbar wird.
• Lagertemperaturen (Haupt- und Kurbelwellenlager): Anstieg über Wochen ist ein frühes Lagerverschleißzeichen.
• Kühlwasserdurchsatz und -temperatur je Zylinder: Ungleichmäßigkeit zeigt Ablagerungen oder Kühlwasserverschmutzung.
• Schmierölparameter: Druck, Durchsatz, Viskosität — Anomalien hier sind oft die frühesten Hinweise auf mechanischen Verschleiß.

Das Anomalie-Modell

Ein klassischer Ansatz für maritime Zeitreihendaten ist ein Autoencoder-Netzwerk oder LSTM (Long Short-Term Memory): Das Modell lernt aus Monaten historischer Normaldaten, wie der Motor in jedem Betriebszustand (Volllast, Teillast, Manöver, Kaltstart) aussieht. Abweichungen werden als Anomaliescores ausgegeben — je höher der Score, desto mehr weicht der aktuelle Zustand vom gelernten Normalzustand ab.

Die kritische Schwäche: Piston-Ring vs. Einspritzsystem

Piston-Ring-Verschleiß und Einspritzsystemfehler erzeugen im Druckverlauf ähnliche Signaturen — beide reduzieren den Spitzendruck im betroffenen Zylinder und erhöhen die Abgastemperatur. Eine reine Vibrationsanalyse kann nicht zuverlässig zwischen diesen beiden Fehlerursachen unterscheiden, wie Forschungsarbeiten auf Basis von Druckindikatordiagrammen zeigen. Folge: Ein System, das auf „Druckabfall in Zylinder 3” anspringt, löst manchmal einen Fehlalarm aus — und die Reederei öffnet den Zylinder, findet intakte Ringe, und bemerkt erst dann, dass ein Injektor die eigentliche Ursache war.

Gut konfigurierte Systeme kombinieren deshalb Vibrationsanalyse mit Zylinderdruckmessungen und Schmierölanalyse — erst die Kombination mehrerer Parameter macht die Fehlerursache unterscheidbar. Das erhöht die Systemkomplexität, ist aber für die Praxis unerlässlich.

MAN B&W vs. Wärtsilä: Zwei Sensorökosysteme, zwei Integrationsansätze

Wer einen MAN B&W Zweitaktmotor betreibt und wer eine Wärtsilä-Viertaktanlage einsetzt, stehen vor strukturell unterschiedlichen Datenzugangssituationen. Das ist kein Marketing-Detail — es hat direkte Auswirkung auf Implementierungsaufwand und empfohlene Systemwahl.

MAN B&W ME-Motoren (Zweitakt)

Neuere ME-B und ME-C-Motortypen (Baujahr ca. 2008 und später) haben eine volldigitale Steuerung — Einspritzung, Auslass und Zündung werden elektrisch-hydraulisch geregelt und erzeugen dabei automatisch präzise Druckzeitreihen je Zylinder. Diese Daten fließen in das motorinterne MAN-Kontrollsystem, auf das Everllence CEON (früher MAN CEON) direkt aufsetzt.

Ältere MC-Typen (Betriebszustand vor 2005) sind mechanisch-hydraulisch gesteuert und erzeugen diese Daten nicht von sich aus. Hier ist Nachrüstung mit externen Druckwandlern an jedem Zylinder erforderlich — aufwändiger und wartungsintensiver.

Typische Datenarchitektur: Bordcomputer → MAN CEON-Edge-Gateway → Satelliten-Link (VSAT) → Everllence/MAN Expertise Center → PrimeServ Assist-Überwachung.

Wärtsilä RT-flex und W-X Motoren (Zweitakt und Viertakt)

Wärtsilä-Motoren der RT-flex-Generation (Zweitakt, Baujahr ab 2002) und der W-X-Reihe haben integrierte Sensoren für Common-Rail-Einspritzdrücke und Abgastemperaturen. Wärtsilä Expert Insight nutzt diese OEM-Datenpipeline direkt und ergänzt sie mit KI-Algorithmen und Regelwerkdiagnosen aus dem Wärtsilä Expertise Center.

Viertakt-Hilfsmotoren und Generatoranlagen sind meist nachrüstbar, erfordern aber oft proprietäre Sensorschnittstellen.

Unterschied bei Schaufelverschleiß: Wärtsilä-Turbolader der Typ SEMT/Napier-Lizenzfamilie zeigen Fouling und Schaufelverschleiß früher als MAN-Abgasturbolader im thermischen Profil — der Anomalie-Schwellenwert ist damit motorspezifisch und nicht übertragbar.

Herstellerunabhängige Nachrüstung

Für gemischte Flotten oder ältere Motoren, die weder von MAN CEON noch Wärtsilä Expert Insight abgedeckt werden, ist eine herstellerunabhängige Lösung möglich:

• Sensorschicht: ICP-Beschleunigungssensoren (PCB Piezotronics oder Kistler) auf Hauptlagern, Turboladergehäuse und Zylinderkopf; Thermoelemente je Zylinder
• Edge-Computing: Lokaler Prozessor (z.B. Siemens Industrial Edge oder Raspberry Pi-basiert) aggregiert Daten und führt lokale Anomalie-Vorfilterung durch
• Cloud-ML: Amazon Lookout for Equipment oder Azure Machine Learning trainieren das Anomalie-Modell auf den historischen Motordaten des jeweiligen Schiffs
• Kosten Sensorpaket Nachrüstung: 10.000 bis 50.000 USD je nach Motortyp und Anzahl überwachter Punkte (laut MarineInspection.app 2024)

Der Nachteil des herstellerunabhängigen Ansatzes: Kein OEM-Wissen fließt automatisch ins Modell. Ein Wärtsilä-Ingenieur kennt die typischen Frühzeichen eines RT-flex-Lagerschadens aus tausenden Motordatensätzen — ein generisches ML-Modell muss diese Muster aus den eigenen Schiffsdaten erst lernen, was mehr Zeit und mehr Fehlalarme in der Anlaufphase bedeutet.

Klassifikationsgesellschaften: Von der Pflichtinspektion zur konditionellen Survey

Das wirtschaftlich interessanteste Argument für Predictive Maintenance im maritimen Bereich kommt nicht aus der Technik, sondern aus der Regulierung.

Klassifikationsgesellschaften wie DNV, Bureau Veritas und Lloyd’s Register schreiben Hauptinspektionen des Hauptantriebs im 5-Jahres-Rhythmus vor — verbunden mit Trockendockpflicht. Eine Trockendockung kostet je nach Schiffsgröße und Werft 500.000 bis 3 Millionen Euro, ohne Reparaturen, nur die Dockgebühr plus Liegezeit. Das macht die regulatorische Pflicht zum dominanten Kostenpunkt in der langfristigen Wartungsplanung.

DNV Condition-Based Maintenance (CBM)

DNV bietet seit mehreren Jahren die CBM-Zusatznotation an. Das Prinzip: Wenn ein Schiff ein anerkanntes Condition-Monitoring-System betreibt und dokumentiert, dass der Motorzustand laufend überwacht und Anomalien systematisch verfolgt werden, kann DNV Inspektionsintervalle verlängern und bestimmte Öffnungsinspektionen durch Zustandsnachweise ersetzen.

Voraussetzung für die CBM-Notation:

• Genehmigter Condition-Monitoring-Serviceanbieter (approved service supplier)
• Dokumentierter Datenpfad: Sensor → Alarm → Untersuchung → Befund
• Regelmäßige Zustandsberichte an den DNV-Surveyor
• Historiennachweis über 12 bis 24 Monate vor der Antragsstellung

Die mögliche Intervallverlängerung von 5 auf 7,5 Jahre Trockendock-Rhythmus spart bei einem mittelgroßen Schiff direkt 300.000 bis 600.000 Euro pro vermiedenem Dock — plus die 15 bis 25 Betriebstage, die das Schiff stattdessen in Fahrt ist.

Bureau Veritas und Lloyd’s Register

Bureau Veritas hat ein vergleichbares Programm unter dem Begriff CBM+ — die Anforderungen ähneln denen von DNV, die Dokumentationsanforderungen sind etwas ausgeprägter. Lloyd’s Register bietet unter ihrer CMEMS-Initiative (Condition Monitoring Equipment Management System) einen ähnlichen Ansatz.

Wichtig: Keine der Klassifikationsgesellschaften genehmigt eine Inspektionsverlängerung auf Basis eines bloßen KI-Alarms. Was zählt, ist der vollständige Nachweis: Welcher Parameter wich ab, wann, wie wurde reagiert, was wurde bei der Inspektion gefunden, und was wurde instand gesetzt. PdM ohne lückenlose Dokumentation bringt keine Klassevorteile.

Trockendock-Kostenrechnung: Was du wirklich sparst

Die nüchternste Rechnung für den Business Case ist die Trockendock-Vermeidung, weil sie auf messbaren Fakten basiert:

Direkte Dockkosten (Richtwerte, 2024)

Hinzu kommen: Charterausfall (10.000–60.000 € pro Tag je nach Schiff), Brennstoffkosten für Hafenaufenthalt und Umleitungen sowie eventuelle Reparaturkosten.

Was Predictive Maintenance direkt ermöglicht

1. Ungeplante Notfall-Docks vermeiden: Das teuerste Szenario ist der unplanmäßige Dock-Einlauf auf der Route. Mit PdM-Frühwarnung kann der nächste geplante Werftaufenthalt um die Reparatur erweitert werden — Differenzkosten statt Notfallkosten.

2. Wartungsumfang beim Pflichtdock optimieren: Wenn das System zeigt, dass Lager und Kolbenringe in gutem Zustand sind, kann der geplante Austausch verschoben werden. Eingesparte Teile und Arbeitskosten: 50.000 bis 200.000 € pro Dock-Zyklus.

3. DNV CBM-Notation anstreben: Für geeignete Schiffe kann die Notierung den 5-Jahres-Pflichtrhythmus auf 7,5 Jahre strecken. Eine zusätzliche Dockung alle 7,5 statt 5 Jahre zu vermeiden spart — über 15 Jahre gerechnet — zwei komplette Dock-Ereignisse.

Konservatives Szenario

Ein Schiff mit 8 Millionen Euro Jahresbetriebskosten, einem ungeplanten Motorausfall auf See alle 3 Jahre (Schlepperkosten + 7 Tage Liegezeit + Notfallreparatur = 350.000 €): PdM-System kostet 30.000 € im Jahr (Sensorpaket amortisiert über 5 Jahre + Cloud-Service). Wenn es 2 von 3 Notfällen verhindert: Jährliche Einsparung ca. 233.000 € gegen jährliche PdM-Kosten von 30.000 €. ROI im Verhältnis 7,8 zu 1.

Das setzt voraus, dass der Ausfall ohne PdM tatsächlich eingetreten wäre — was niemand beweisen kann. Der Gegenbeweis-Vorbehalt bleibt ein strukturelles Problem jedes PdM-Business-Case.

Konkrete Werkzeuge — was wann passt

Die Werkzeugwahl hängt primär davon ab, welche Motoren du betreibst und ob deine Flotte homogen ist.

Wärtsilä Expert Insight — wenn du reine Wärtsilä-Flotte hast Der OEM-Weg ist der schnellste Weg zum verlässlichen System: Wärtsilä-Ingenieure bringen das Motorwissen mit, das ein generisches ML-Modell erst erlernen muss. Der Service funktioniert ab dem ersten Tag nach Kalibrierung ohne eigene ML-Kompetenz an Bord. Nachteil: funktioniert ausschließlich für Wärtsilä-Motoren, Preise nicht öffentlich, du bist Wärtsilä als Servicepartner ausgeliefert.

Everllence CEON (früher MAN CEON) — wenn du MAN B&W ME-Typen betreibst Das Pendant für MAN-Motoren. Bei neueren ME-B und ME-C-Motoren (Baujahr ab ca. 2008) oft bereits vorbereitet und nur zu aktivieren. PrimeServ Assist bringt 24/7-Expertenüberwachung durch MAN-Ingenieure. Für MC-Typen (mechanisch) ist Nachrüstung erforderlich. Ebenfalls: OEM-Bindung, Preise auf Anfrage.

Amazon Lookout for Equipment — für herstellerunabhängige Nachrüstung auf AWS Der wirtschaftlichste Einstieg für Reedereien, die bereits AWS nutzen und eine gemischte oder ältere Motorflotte haben. Lookout for Equipment trainiert automatisch auf historischen Sensordaten und gibt multivariate Anomalie-Scores aus. Erfordert eigene Sensorinfrastruktur an Bord und IT-Kompetenz für die Integration. Kosten: Datenaufnahme + Inferenz nach Verbrauch, typisch 500–3.000 USD/Monat je Schiff.

Siemens Insights Hub — für Reedereien mit Siemens-Automatisierungsinfrastruktur Wer bereits Siemens-Steuerungen und -Sensortechnik an Bord einsetzt, findet mit Insights Hub den natürlichen nächsten Schritt: Maschinendaten aus Siemens-Komponenten fließen direkt in die IIoT-Plattform, ohne proprietäre Middleware. Für reine OEM-Motorüberwachung ist Insights Hub kein Ersatz für CEON oder Expert Insight — aber als Ergänzungsplattform für Hilfsmotoren, Pumpensysteme und Decksmaschinerie sinnvoll.

Azure Machine Learning — für Reedereien, die eigene ML-Modelle entwickeln wollen Für technisch versierte Teams, die volle Kontrolle über Modellarchitektur und Datenpipeline wollen. Azure ML erlaubt LSTM-Netzwerke und Anomalie-Autoencodertraining auf eigenen Motordaten, integriert mit Azure IoT Hub für die Datenkonnektivität. Aufwändiger Einstieg, aber maximale Anpassbarkeit für spezifische Motortypen und Betriebsprofile.

Zusammenfassung: Wann welcher Ansatz

• Reine Wärtsilä-Flotte → Expert Insight
• Reine MAN ME-Flotte (ab ca. 2008) → Everllence CEON
• Gemischte oder ältere Flotte, AWS-Affinität → Lookout for Equipment
• Siemens-Infrastruktur an Bord → Insights Hub ergänzend
• Eigene ML-Kompetenz vorhanden → Azure Machine Learning

Datenschutz und Datenhaltung

Motorbetriebsdaten sind keine personenbezogenen Daten im Sinne der DSGVO — Sensorwerte eines Zweitaktmotors betreffen keine natürliche Person. Dennoch gelten je nach Systemarchitektur Anforderungen, die du vor dem Produktivbetrieb klären solltest.

Wettbewerbs-Sensibilität der Betriebsdaten Betriebsprofile (Geschwindigkeit, Lastverteilung, Routenmuster), Effizienzparameter und Ausfallhistorien sind wettbewerbssensible Geschäftsdaten. Eine Reederei, die diese Daten an einen OEM-Service weitergibt, gibt dem Motorhersteller detaillierte Einblicke in die eigene Betriebsstrategie. Bei Wärtsilä Expert Insight und Everllence CEON sollte vertraglich geregelt sein: Zu welchen Zwecken darf der Anbieter die Daten nutzen? Werden sie für das Training allgemeiner Flottenmodelle verwendet? Wer darf auf welche Rohdaten zugreifen?

Datenhosting

• Wärtsilä Expert Insight: EU-Datenlokalisierung möglich — Expertise Centers in Helsinki, EU-Cloud-Infrastruktur verfügbar. Im Vertrag spezifizieren.
• Everllence CEON: EU-Hosting möglich, Details im Vertrag zu klären.
• AWS Lookout for Equipment: EU-Region Frankfurt (eu-central-1) verfügbar — für maritime Anwendungen ohne DSGVO-Bezug trotzdem die bevorzugte Option aus Latenzgründen.
• Azure Machine Learning: Deutschlanddienste in der Azure Germany Region verfügbar, höchste Datensouveränität für kritische Industrieanwendungen.

Satellitenkonnektivität als Schwachstelle Alle Cloud-basierten PdM-Systeme setzen funktionierende VSAT-Verbindung voraus. Auf Routen mit eingeschränkter Satelliten-Abdeckung (Nordatlantik Extremwetterlagen, Arktis-Routen, Tiefseepassagen) degradiert die Überwachungsqualität — Daten werden gepuffert und verzögert übertragen. Edge-Computing-Lösungen an Bord können lokale Anomalie-Erkennung auch ohne Konnektivität leisten, erfordern aber einen Bordcomputer und lokale Modellpflege.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Laufende Kosten (jährlich pro Schiff)

• OEM-Lifecycle-Vertrag (Wärtsilä/MAN): Typisch 30.000–80.000 EUR/Jahr je nach Servicelevel und Motortyp. Preise nicht öffentlich — nur Richtwert aus Marktberichten.
• AWS Lookout for Equipment (herstellerunabhängig): 6.000–36.000 USD/Jahr je nach Sensoranzahl und Inferenzfrequenz
• Eigene Azure-ML-Infrastruktur: 12.000–60.000 USD/Jahr je nach Datenmenge und Modellkomplexität

Wie du den ROI tatsächlich misst

Der ROI ist am stärksten nachweisbar, wenn du eine Anomaliewarnung erhältst, die Inspektion einen messbaren Befund ergibt und du den geplanten (statt ungeplanten) Eingriff durchführst. Dokumentiere: Was wurde gewarnt? Was wurde gefunden? Welche Reparaturkosten sind dadurch als Plan- statt Notfallkosten entstanden?

Schwieriger: Wenn das System warnt, du öffnest, und nichts Kritisches findest. Das kann ein Fehlalarm sein — oder eine präventive Maßnahme, die einen noch nicht messbaren Schaden verhindert hat. Dieser Fall lässt sich nicht sauber quantifizieren.

Konservative Breakeven-Rechnung

System-Investition 100.000 EUR (Hardware + erstes Jahr). Breakeven, wenn innerhalb von 24 Monaten mindestens ein ungeplanter Motorausfall mit Schleppkosten (70.000 EUR) + Notfalldock (200.000 EUR) verhindert wird. Das entspricht statistisch weniger als einem Ereignis pro Schiff in zwei Jahren — für Schiffe auf langen Routen mit Altmotorenbestand ein realistisches Szenario.

Typische Einstiegsfehler

1. Das Modell mit zu wenig Normaldaten starten

Der häufigste Fehler: System einbauen, nach 6 Wochen in Betrieb nehmen und sich über häufige Fehlalarme wundern. Das Anomalie-Modell braucht 3 bis 6 Monate repräsentative Betriebsdaten, um Normalbetrieb von Abweichungen zu unterscheiden — und dieser Normalbetrieb muss alle relevanten Lastzustände abdecken: Volllast, Teillast, Manöver, Kaltstart nach Hafenliegezeit. Wer das Modell nur mit Volllastdaten einer einzigen Route trainiert, erhält beim nächsten Routenwechsel massenweise Fehlalarme.

2. Die Sensorkalibrierung vernachlässigen

ICP-Beschleunigungssensoren driften über Zeit und temperaturbedingt. Auf einem Schiffsmotor, der bei Volllast 60–70°C Motortemperatur erzeugt und im Hafen auf Umgebungstemperatur abkühlt, ist diese Temperaturdrift erheblich. Ein Sensor, der nicht kalibriert wird, liefert systematisch versetzte Messwerte — das Anomalie-Modell lernt diese Verschiebung als “normal”, bis die Abweichung so groß wird, dass sie Alarm schlägt. Empfehlung: Sensorvergleich aller überwachten Punkte bei jeder Werftunterbrechung.

3. Die Alarmkette nicht definiert haben

Ein PdM-System, das Anomalien erkennt und Alarme sendet, ohne dass klar ist, wer darauf wie und wann reagiert, ist wertlos — und gefährlicher als kein System. Praxisfall: System sendet Anomalie-Alert um 02:00 Uhr Bordzeit. Der Chief Engineer ist in der Koje. Wer wertet den Alert aus? Wer entscheidet, ob Kursänderung nötig ist? Wer informiert die Reederei an Land? Diese Prozesse müssen in einem Reaktionsprotokoll festgelegt sein, bevor das System aktiv ist — nicht danach.

4. Piston-Ring-Verschleiß als einzige Alarmursache behandeln

Das ist der technisch gefährlichste Fehler. Wie oben beschrieben: Piston-Ring-Verschleiß und Einspritzsystemanomalien erzeugen im Druckverlauf ähnliche Abweichungen. Wer bei einem Zylinderdruckalarm automatisch auf Ringe schließt und entsprechend reagiert (Nothafen, Öffnung), riskiert teure Fehldiagnosen. Gut konzipierte Systeme analysieren immer mehrere Parameter gleichzeitig und geben Fehlertyp-Wahrscheinlichkeiten statt binäre Alarme aus.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist der einfachste Teil. Die Überzeugungsarbeit ist härter.

Widerstandsmuster auf dem Schiff

Erfahrene Chief Engineers haben 20 bis 30 Jahre Motor-Intuition entwickelt. Sie kennen ihren Motor am Geräusch, an der Vibration unter den Füßen, an der Art, wie die Abgase riechen. Ein KI-System, das behauptet, eine Anomalie in Lager 5 zu erkennen, die sie noch nicht hören können, begegnet ihnen oft mit Skepsis — zu Recht.

Was hilft: Das System nicht als Ersatz für diese Intuition positionieren, sondern als Gedächtniserweiterung. Ein Chief Engineer kann sich nicht gleichzeitig an die Druckverläufe aller zwölf Zylinder der letzten 90 Tage erinnern. Das System kann es. Wer das System so erklärt, gewinnt die erfahrenen Engineers — wer es als “besseres Wissen” darstellt, verliert sie.

Widerstandsmuster in der Reederei-Leitung

Der häufigste Einwand von Reederei-Kaufleuten: „Wir haben in 20 Jahren keinen Totalausfall gehabt — warum brauchen wir das?” Die Antwort liegt in der Kostenrechnung, nicht in der Technik: Nicht ob der Ausfall kommt, sondern was er kostet, wenn er kommt. Ein ungeplanter Motorstillstand auf See trifft nicht nur die Reparaturrechnung — er trifft Charterverträge, Liefertermine, Versicherungsprämien und Ruf.

Was tatsächlich passiert

In den ersten 3 bis 6 Monaten lernt das System. Fehlalarme sind normal. Ein gut vorkalibriertes System hat in dieser Phase typisch 15 bis 25 Prozent False-Positive-Rate. Das klingt schlecht, ist aber Teil des Prozesses — jeder False-Positive gibt Feedback, das die Alarmschwellen verbessert. Reedereien, die diese Phase abbrechen, weil „das System zu oft falsch liegt”, entziehen dem Modell genau die Daten, die es für Präzision braucht.

Ab Monat 6 bis 12 stabilisiert sich die Alarmrate. Echte Anomalien werden zuverlässiger erkannt, Fehlalarme nehmen ab. Ab diesem Zeitpunkt wird das System zum tatsächlichen Planungsinstrument.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser Motor hatte in 20 Jahren keinen Ausfall — warum sollten wir jetzt investieren?” Das Argument verwechselt Verlässlichkeit mit Vorhersehbarkeit. MAN- und Wärtsilä-Motoren sind hochzuverlässig — das ist ihr Wert. Aber wenn sie ausfallen, ist der Zeitpunkt nicht vorhersehbar und der Schaden überproportional teuer. Das Kostenargument für PdM ist nicht „wir vermeiden jeden Ausfall”, sondern „wir machen den unvermeidlichen Verschleiß sichtbar, bevor er zur Krise wird”. Der Chief Engineer mit 30 Jahren Erfahrung hört viel — aber er hört nicht Lager 7 in Zylinder 9 aus dem Abgastemperaturtrend der letzten acht Wochen.

„Wir verstehen die KI nicht — wie sollen wir dem Alarm vertrauen?” Das ist der richtige Einwand. Ein Alarm ohne Erklärung ist kein nutzbares Werkzeug. Gut konzipierte Systeme zeigen nicht nur “Anomalie erkannt”, sondern “Parameter X weicht seit 14 Tagen um 8 Prozent vom Normalmodell ab, mit steigendem Trend” — und geben die konkrete Messgröße an, die den Alarm ausgelöst hat. Das macht den Alarm überprüfbar und gibt dem Chief Engineer die Grundlage für eine eigene Einschätzung. Ein System, das das nicht kann, ist in der Tat nicht vertrauenswürdig.

„Der OEM-Vertrag bedeutet Abhängigkeit.” Korrekt. Bei Wärtsilä Expert Insight und Everllence CEON kaufst du nicht nur Software, sondern einen Managed Service mit starker Anbieterbindung. Wenn Wärtsilä den Servicepreis erhöht oder die Servicebedingungen ändert, hast du wenig Verhandlungsmacht, wenn das System tief in deine Wartungsplanung integriert ist. Die Alternative — herstellerunabhängiges System mit eigener ML-Kompetenz — gibt dir mehr Kontrolle, erfordert aber mehr Eigenaufwand und hat in den ersten 12 bis 18 Monaten typisch mehr Fehlalarme als ein OEM-System mit Vorabwissen.

Woran du merkst, dass das zu dir passt

Das Konzept lohnt sich ernsthaft zu prüfen, wenn:

• Du eine Flotte von 3 oder mehr Schiffen mit ähnlichem Motortyp betreibst — dann amortisiert sich die Infrastrukturinvestition auf mehrere Einheiten
• Deine Schiffe auf langen Strecken ohne kurzfristige Hafenmöglichkeit fahren — Atlantik, Pazifik, Indischer Ozean — wo ein Motorproblem nicht einfach zum nächsten Hafen führt
• Deine Motoren über 10 Jahre alt sind und die Wartungshistorie Lücken hat — ältere Motoren profitieren mehr, weil ihr Ausfallrisiko mit dem Alter steigt
• Du bereits einen Anbieter-Servicevertrag mit OEM hast und dieser die Grundlage für Expert Insight oder CEON legen kann
• Du einen Trockendock-Termin in den nächsten 24 Monaten hast und prüfen willst, ob die DNV CBM-Notation den Rhythmus strecken kann

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

1. Einzelschiff-Betreiber mit Neumotor und gutem TBO-Vertrag. Für eine Reederei mit einem einzigen Schiff und einem neuen Motor (Baujahr ab 2018) unter laufendem OEM-Wartungsvertrag ist das Risikoprofil zu gering und der Investitionsaufwand zu hoch relativ zum Nutzen. Das ändert sich ab Jahr 8 bis 10 des Motorbetriebs deutlich.

2. Flotte ohne VSAT-Konnektivität und ohne Budget dafür. Alle sinnvollen PdM-Systeme für Schiffsmotoren setzen permanente Satelliten-Datenverbindung voraus. Wer keine VSAT-Anlage hat und sie auch nicht installieren will (typisch 15.000–40.000 EUR Installation, 1.500–4.000 EUR/Monat laufend), kann kein Cloud-basiertes PdM betreiben.

3. Keine Datenkompetenz an Land und kein Managed-Service-Budget. PdM-Alarme brauchen Auswertung. Weder der Chief Engineer auf See noch ein Assistent an Land mit keiner technischen Ausbildung kann Anomalie-Scores zuverlässig interpretieren. Wer kein eigenes Condition-Monitoring-Team hat und sich keinen OEM-Managed-Service leisten kann, wird mit rohen Alarmdaten keine Mehrwert-Entscheidungen treffen.

Das kannst du heute noch tun

Bevor du einen Vertrag unterschreibst: Lass dir von deinem Motorenhersteller (MAN oder Wärtsilä) die letzten 12 Monate Betriebsdaten deines Flaggschiffs zeigen. Frage konkret: Welche Parameter haben im letzten Jahr auffällige Trendverläufe gezeigt? In welchem Format liegen die Daten vor?

Wenn du AWS-Zugang hast, kannst du diese Daten in 30 Minuten in eine Lookout-for-Equipment-Instanz laden und den Onboarding-Flow durchlaufen — ohne Kosten bis zur ersten Inferenz. Das zeigt dir, ob deine Datenqualität für einen ML-Ansatz ausreicht, bevor du größere Summen investierst.

Für eine strukturierte erste Einschätzung deiner Motorflotte, lass diesen Prompt von einem Sprachmodell auswerten:

Quellen & Methodik

• Wärtsilä Expert Insight — LNG-Tanker MMS Co., Ltd.: Wärtsilä case study „Expert insight solves engine issue before it causes a breakdown” (wartsila.com/insights/case-study/mms-co-ltd); Lubrication-Anomalie erkannt, Linerschaden verhindert, potenzielle Kosten im „zig- bis hunderttausende Euro”-Bereich.
• Wärtsilä KMTC Lifecycle Agreement (2024): Wärtsilä Pressemitteilung März 2024 — 5-Jahres-Vertrag für zwei Post-Panamax-Containerschiffe (Wärtsilä 12RT-flex96C-B), Expert Insight-Überwachung aktiv seit Januar 2024.
• MarineInspection.app Predictive Maintenance Guide (2024): Sensor-Retrofit-Kosten 10.000–50.000 USD je Schiff; 25% Downtime-Reduktion als typisches Verbesserungspotenzial; 92% Fehlererkennungsgenauigkeit bei führenden maritimen KI-Diesel-Diagnose-Plattformen.
• DNV Condition-Based Maintenance (CBM): DNV Services-Seite (dnv.com/services/condition-based-maintenance-cbm—12179); CBM als Survey-Arrangement mit anerkanntem Serviceanbieter; Möglichkeit der Inspektionsintervall-Verlängerung dokumentiert.
• Piston-Ring vs. Einspritzsystem-Diagnoseproblem: SciRP „Diesel Engine Fault Diagnosis with Vibration Signal” (2020); ResearchGate „Fuel Injection Fault Detection in a Diesel Engine Based on Vibration Signature Analysis” (2019); Bestätigung, dass Vibrationsanalyse allein Piston-Slap von Einspritzeranomalien nicht zuverlässig trennt.
• Everllence CEON / MAN PrimeServ Assist: MAN Energy Solutions / Everllence Produktseite (everllence.com/services/offerings/marine-power/digital-solutions/primeserv-assist); 70% Motoranomalien im Schmieröl erkennbar; 24/7-Expertenüberwachung.
• Trockendockkosten: Branchenrichtwerte aus shipfinex.com „Ship Operating Costs 2026” und eigener Zusammenstellung aus Marktberichten; keine repräsentative Studie, Richtwerte für Kostenvergleiche.

Du willst wissen, ob deine Motorflotte das richtige Profil für PdM hat und welches System konkret zu eurer Infrastruktur passt? Meld dich — wir schauen uns das gemeinsam an.