Predictive Maintenance im Mittelstand verschiebt die Instandhaltung von starren Wartungsintervallen hin zu einer Wartung nach tatsächlichem Zustand einer Maschine, gestützt auf Sensordaten, Schwingungsanalysen und statistische Modelle. Während klassische vorbeugende Wartung Bauteile nach festen Kalenderintervallen tauscht, unabhängig davon, ob sie tatsächlich verschlissen sind, nutzt vorausschauende Instandhaltung kontinuierlich erfasste Betriebsdaten, um den optimalen Wartungszeitpunkt vorherzusagen, bevor ein ungeplanter Ausfall eintritt. Für produzierende Mittelständler mit kapitalintensiven Anlagen ist das mehr als ein Digitalisierungsprojekt: Ungeplante Stillstände verursachen nicht nur Reparaturkosten, sondern auch Produktionsausfälle, Konventionalstrafen bei Lieferverzug und in Serienfertigungen häufig Folgekosten in nachgelagerten Prozessschritten. Der folgende Beitrag ordnet ein, welche technische Grundlage vorausschauende Wartung benötigt, welche Algorithmen in der Praxis zum Einsatz kommen, wie sich die Wirtschaftlichkeit belastbar berechnen lässt, welche Anbieteroptionen bestehen und mit welchem Vorgehen sich ein erstes Pilotprojekt sinnvoll aufsetzen lässt, ohne die gesamte Instandhaltungsorganisation auf einmal umzustellen.
Von reaktiver zu vorausschauender Instandhaltung: Begriffsabgrenzung
In der industriellen Praxis existieren mehrere Instandhaltungsstrategien nebeneinander, die häufig unscharf verwendet werden. Eine saubere Abgrenzung ist Voraussetzung dafür, den tatsächlichen Mehrwert von Predictive Maintenance im Mittelstand realistisch einzuschätzen.
Reaktive, präventive und zustandsorientierte Wartung im Vergleich
Reaktive Wartung repariert eine Anlage erst, wenn sie ausgefallen ist. Das verursacht die höchsten Folgekosten, da Ausfälle selten planbar zum günstigsten Zeitpunkt auftreten. Präventive Wartung tauscht Bauteile nach festen Intervallen, unabhängig vom tatsächlichen Verschleißzustand, was zu unnötigem Bauteiltausch bei noch funktionsfähigen Komponenten führt. Zustandsorientierte Wartung (Condition Monitoring) misst physikalische Kenngrößen wie Vibration, Temperatur oder Ölzustand kontinuierlich und löst Wartung erst bei Grenzwertüberschreitung aus.
Was Predictive Maintenance zusätzlich leistet
Predictive Maintenance geht über reines Condition Monitoring hinaus, indem statistische oder maschinelle Lernverfahren auf die erfassten Zeitreihendaten angewendet werden, um eine Restnutzungsdauer (Remaining Useful Life) vorherzusagen. Statt nur zu erkennen, dass ein Grenzwert überschritten wurde, prognostiziert das Modell, wann dieser Grenzwert voraussichtlich erreicht wird, sodass Wartungstermine planbar in reguläre Produktionsfenster gelegt werden können.
Technische Grundlage: Sensorik, IIoT und Datenpipeline
Die Datengrundlage für Predictive Maintenance im Mittelstand entsteht aus mehreren Sensortypen, die je nach Maschinentyp kombiniert werden. Schwingungssensoren erkennen Lagerschäden und Unwuchten an rotierenden Bauteilen, Temperatursensoren zeigen Reibungsprobleme oder Kühlungsausfälle an, und die Strommessung des Antriebs (Motor Current Signature Analysis) liefert Hinweise auf mechanische Belastungsänderungen, ohne dass zusätzliche mechanische Sensoren am Bauteil selbst angebracht werden müssen. Die erfassten Rohdaten werden über ein industrielles IoT-Gateway aggregiert, vorverarbeitet und an eine Auswertungsplattform übertragen, entweder lokal am Edge oder in einer Cloud-Umgebung.
Retrofit versus Neuanlagen mit Werksausstattung
Neu beschaffte Anlagen bringen häufig bereits werksseitig verbaute Sensorik und standardisierte Schnittstellen mit, was die Integration in eine Predictive-Maintenance-Plattform erheblich vereinfacht. Bei bestehendem Maschinenpark, der in vielen Mittelständlern den überwiegenden Anlagenwert ausmacht, ist ein Retrofit mit nachgerüsteten Sensoren notwendig. Retrofit-Lösungen sind in den vergangenen Jahren deutlich günstiger und einfacher zu montieren geworden, sodass sich auch ältere Anlagen wirtschaftlich vertretbar mit Sensorik nachrüsten lassen, ohne die Produktion für längere Zeit zu unterbrechen.
Datenpipeline: Von der Rohmessung zur nutzbaren Kennzahl
Zwischen Sensor und Auswertungsdashboard liegen mehrere Verarbeitungsschritte, die in der Praxis häufig unterschätzt werden. Rohdaten wie Schwingungsbeschleunigung werden zunächst am Edge, also direkt an der Maschine, vorverarbeitet und in aggregierte Kennwerte wie Effektivwert oder Frequenzspektrum umgerechnet, da eine Übertragung sämtlicher Rohmesswerte in die Cloud sowohl unwirtschaftlich als auch für die Auswertung unnötig wäre. Diese aggregierten Kennwerte werden anschließend in einer Zeitreihendatenbank gespeichert und über eine standardisierte Schnittstelle, häufig auf Basis von OPC UA, für die Auswertungsplattform bereitgestellt. Eine sauber dokumentierte Datenpipeline ist die Voraussetzung dafür, dass spätere Modelle nachvollziehbar bleiben und bei einem Plattformwechsel nicht komplett neu aufgebaut werden müssen.
Algorithmen und Modelle: Von Schwellenwerten zu ML-Verfahren
Die eingesetzten Auswertungsverfahren unterscheiden sich stark in Komplexität, Datenbedarf und Reifegrad. Für den Einstieg eignen sich einfache statistische Verfahren, während komplexere Verfahren erst bei ausreichender Datenhistorie ihren vollen Nutzen entfalten.
| Verfahren | Typischer Anwendungsfall | Datenbedarf |
|---|---|---|
| Schwellenwertalarm | Einfache Grenzwertüberwachung, z.B. Übertemperatur | Gering, kein historisches Training nötig |
| Statistische Trendanalyse | Erkennung schleichender Verschlechterung, z.B. Lagerverschleiß | Mittel, mehrere Monate Historie empfohlen |
| Maschinelles Lernen (z.B. Random Forest, LSTM) | Ausfallprognose bei komplexen, nichtlinearen Mustern | Hoch, idealerweise inklusive dokumentierter Ausfallereignisse |
Für die meisten mittelständischen Einführungsprojekte empfiehlt sich ein stufenweiser Ansatz: zunächst Schwellenwertalarme etablieren, um überhaupt eine kontinuierliche Datenerfassung aufzubauen, anschließend statistische Trendmodelle ergänzen, und erst mit ausreichender Datenhistorie und dokumentierten Ausfallereignissen komplexere Modelle des maschinellen Lernens einführen. Ein verbreiteter Fehler ist der direkte Einstieg mit komplexen ML-Modellen ohne ausreichende Trainingsdaten, was in der Praxis häufig zu unzuverlässigen Prognosen führt.
Datenqualität und Datenhistorie als Erfolgsfaktor
Unabhängig vom gewählten Verfahren entscheidet die Qualität der zugrunde liegenden Daten über den praktischen Nutzen von Predictive Maintenance im Mittelstand. Lückenhafte Messreihen, uneinheitliche Zeitstempel zwischen verschiedenen Sensorquellen oder fehlende Dokumentation tatsächlicher Ausfallereignisse führen dazu, dass selbst ein methodisch sauberes Modell keine belastbaren Prognosen liefert. Vor der Auswahl eines Auswertungsverfahrens sollte deshalb geprüft werden, ob Störmeldungen aus dem bestehenden Instandhaltungssystem konsistent mit Zeitstempel, betroffenem Bauteil und Ausfallursache dokumentiert werden, da diese Verknüpfung die Grundlage jeder späteren Modellvalidierung bildet.
Wirtschaftlichkeit: OEE, Ausfallkosten und ROI-Berechnung
Die Wirtschaftlichkeit von Predictive Maintenance im Mittelstand lässt sich über die Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE) und die vermiedenen Ausfallkosten greifbar machen. Die OEE-Kennzahl setzt sich aus Verfügbarkeit, Leistungsgrad und Qualitätsrate zusammen; ungeplante Stillstände wirken sich unmittelbar auf die Verfügbarkeitskomponente aus.
Eine überschlägige Beispielrechnung verdeutlicht den Hebel: Verursacht eine kritische Anlage im Jahr durchschnittlich vier ungeplante Stillstände von je acht Stunden, mit einer geschätzten Deckungsbeitragslücke von 1.000 Euro pro Stunde, entstehen daraus jährliche Ausfallkosten in der Größenordnung von 32.000 Euro, zuzüglich der eigentlichen Reparaturkosten. Lässt sich durch vorausschauende Wartung auch nur die Hälfte dieser Stillstände in geplante, kurze Wartungsfenster außerhalb der Kernproduktionszeit verlagern, ergibt sich bereits eine spürbare Einsparung, der die Investition in Sensorik, Auswertungssoftware und Schulung gegenübersteht. Diese Zahlen sind eine illustrative Beispielrechnung und keine belastbare Branchenstatistik, da Ausfallkosten stark von Anlagentyp, Auslastung und Deckungsbeitrag abhängen. Für eine belastbare interne Berechnung empfiehlt es sich, mindestens zwölf Monate historischer Störmeldungen auszuwerten und dabei zwischen geplanten und ungeplanten Stillständen sauber zu trennen, da nur ungeplante Stillstände unmittelbar durch Predictive Maintenance im Mittelstand adressiert werden.
OEE als Ausgangspunkt der Wirtschaftlichkeitsrechnung
Die Gesamtanlageneffektivität ergibt sich aus dem Produkt von Verfügbarkeit, Leistungsgrad und Qualitätsrate. Verfügbarkeit beschreibt das Verhältnis von tatsächlicher Produktionszeit zu geplanter Produktionszeit und sinkt direkt mit jedem ungeplanten Stillstand. Leistungsgrad erfasst, ob eine Anlage mit ihrer Nominalgeschwindigkeit läuft, und Qualitätsrate den Anteil fehlerfreier Produktion. Da beginnende Lager- oder Antriebsschäden häufig zunächst zu Leistungseinbußen führen, bevor es zum vollständigen Ausfall kommt, liefert eine kontinuierliche OEE-Erfassung oft schon vor der eigentlichen Sensorik-Investition erste Hinweise darauf, welche Anlagen für ein Pilotprojekt priorisiert werden sollten. Unternehmen, die ihre OEE-Werte bislang nur grob oder gar nicht erfassen, sollten diese Kennzahl deshalb parallel zum Sensorik-Rollout aufbauen, da sie später als Referenzgröße für die Erfolgsmessung des gesamten Predictive-Maintenance-Vorhabens dient.
Ein in der Instandhaltungspraxis verbreiteter Grundsatz lautet: Nicht jede Maschine braucht Predictive Maintenance, sondern nur jene, deren Ausfall die Produktion tatsächlich spürbar beeinträchtigt.
Anbieterlandschaft: Eigenentwicklung, Plattform oder Service
Mittelständische Unternehmen stehen typischerweise vor drei Beschaffungsoptionen. Bei der Eigenentwicklung baut das Unternehmen Sensorik, Datenpipeline und Auswertungsmodelle selbst auf, was maximale Kontrolle, aber auch den höchsten personellen Aufwand bedeutet und sich meist nur für Unternehmen mit eigener Software- und Data-Science-Kompetenz lohnt. Bei einer Plattformlösung least oder kauft das Unternehmen eine bestehende IIoT-Plattform mit vorkonfigurierten Auswertungsmodellen für gängige Maschinentypen und passt diese an die eigenen Anlagen an. Bei einem Predictive-Maintenance-as-a-Service-Ansatz übernimmt ein externer Dienstleister sowohl die Sensorik-Installation als auch die laufende Auswertung und liefert dem Instandhaltungsteam lediglich priorisierte Handlungsempfehlungen. Für die meisten Mittelständler ohne eigene Data-Science-Abteilung ist die Plattform- oder Service-Option der pragmatischere Einstieg, da sich der Fokus auf die eigentliche Instandhaltungsentscheidung statt auf den Aufbau einer Dateninfrastruktur richten lässt.
Bei der Anbieterauswahl lohnt sich ein genauer Blick auf drei Kriterien: die Kompatibilität mit der vorhandenen Maschinensteuerung und den gängigen Feldbusprotokollen, die Möglichkeit eines zeitlich begrenzten Pilotvertrags ohne langfristige Bindung, und die Transparenz darüber, welche Rohdaten das Unternehmen im eigenen Zugriff behält, falls später ein Anbieterwechsel notwendig wird.
Schritt-für-Schritt: Einführung eines Predictive-Maintenance-Piloten
- Kritische Anlagen identifizieren: Anlagen mit hoher Ausfallwirkung auf den Gesamtprozess priorisieren, statt flächendeckend zu starten.
- Bestehende Ausfalldaten sichten: Historische Störmeldungen und Reparaturprotokolle als erste Datenbasis auswerten.
- Sensorik nachrüsten oder aktivieren: Vorhandene, aber ungenutzte Sensordaten in der Steuerung prüfen, bevor neue Hardware beschafft wird.
- Datenpipeline aufbauen: Einheitliche Datenerfassung und -speicherung etablieren, idealerweise mit Anbindung an das bestehende Instandhaltungssystem.
- Pilotzeitraum definieren: Mindestens einen vollständigen Produktionszyklus laufen lassen, um saisonale Effekte zu erfassen.
- Ergebnisse bewerten und skalieren: Erkenntnisse aus dem Piloten dokumentieren, bevor eine Ausweitung auf weitere Anlagen erfolgt.
Integration in bestehende Instandhaltungsprozesse
Predictive Maintenance entfaltet ihren Nutzen erst, wenn die Prognosen in die operative Instandhaltungsplanung einfließen, etwa über eine Anbindung an ein bestehendes Instandhaltungsmanagementsystem (Computerized Maintenance Management System, CMMS) oder ein Asset-Management-System nach dem internationalen Rahmenwerk der ISO-55000-Normenreihe für Asset Management. Ohne diese Anbindung bleiben Prognosen isolierte Dashboards, die von der Instandhaltungsmannschaft im Tagesgeschäft nicht konsequent genutzt werden. Wichtig ist außerdem eine klare Zuständigkeit: Wer entscheidet auf Basis einer Prognose über einen vorgezogenen Wartungstermin, und wie wird diese Entscheidung dokumentiert, damit sich das Modell im Zeitverlauf anhand tatsächlicher Ausfälle weiter kalibrieren lässt.
Neben der technischen Anbindung ist die organisatorische Einbindung des Instandhaltungsteams entscheidend für den Erfolg von Predictive Maintenance im Mittelstand. Erfahrene Instandhalter verfügen häufig über implizites Wissen zu Verschleißmustern einzelner Anlagen, das bei der Interpretation von Modellprognosen wertvoll ist und in die Modellkalibrierung einfließen sollte. Wird das Team nicht von Anfang an eingebunden, entsteht leicht Skepsis gegenüber automatisierten Handlungsempfehlungen, insbesondere wenn ein Modell in der Anfangsphase Fehlalarme produziert. Ein begleitendes Schulungskonzept, das Grundlagen der Sensordatenauswertung vermittelt und die Instandhaltungsmannschaft aktiv in die Bewertung erster Prognosen einbindet, erhöht die Akzeptanz deutlich stärker als eine rein technische Einführung ohne organisatorische Begleitung.
Typische Stolperfallen bei der Einführung
- Zu breiter Projektstart: Predictive Maintenance wird gleich für den gesamten Maschinenpark eingeführt, statt mit wenigen kritischen Anlagen zu beginnen.
- Fehlende Datenhistorie: Ohne dokumentierte Ausfallereignisse lassen sich Modelle nicht sinnvoll trainieren und validieren.
- Silo zwischen IT und Instandhaltung: Die Datenplattform wird von der IT-Abteilung betrieben, ohne dass die Instandhaltungsmannschaft in die Modellinterpretation eingebunden wird.
- Unklare Reaktionsprozesse: Prognosen liegen vor, es gibt aber keinen definierten Ablauf, wer daraufhin welche Wartungsmaßnahme auslöst.
- Unterschätzter Schulungsbedarf: Instandhaltungspersonal wird nicht ausreichend im Umgang mit den neuen Dashboards und Alarmschwellen geschult.
Checkliste vor dem Rollout auf weitere Anlagen
Bevor ein erfolgreicher Pilot auf weitere Maschinen im Werk übertragen wird, lohnt sich eine strukturierte Abschlussprüfung des Pilotprojekts.
- Wurden die im Pilotzeitraum aufgetretenen Störungen korrekt vom Modell vorhergesagt, und wie hoch war die Fehlalarmquote?
- Ist die Datenpipeline dokumentiert und für weitere Anlagentypen ohne Neuentwicklung übertragbar?
- Wurde die Instandhaltungsmannschaft in die Bewertung der Prognosen eingebunden und akzeptiert die vorgeschlagenen Wartungstermine?
- Liegt eine belastbare Wirtschaftlichkeitsrechnung auf Basis der tatsächlich vermiedenen Stillstände vor, nicht nur der ursprünglichen Schätzung?
- Ist geklärt, welche vertraglichen und datenschutzrechtlichen Anforderungen bei einer Skalierung auf weitere Standorte gelten, insbesondere wenn ein externer Anbieter die Auswertung übernimmt?
FAQ
Ab welcher Anlagengröße lohnt sich Predictive Maintenance im Mittelstand?
Eine pauschale Größengrenze gibt es nicht. Entscheidend ist die Ausfallwirkung: Anlagen, deren Stillstand die Gesamtproduktion spürbar beeinträchtigt oder hohe Konventionalstrafen auslöst, rechtfertigen den Aufwand eher als unkritische Nebenaggregate.
Reicht vorhandene Sensorik in der Steuerung aus, oder muss neue Hardware beschafft werden?
Viele moderne Steuerungen erfassen bereits Strom-, Temperatur- oder Drehzahlwerte, die bislang ungenutzt bleiben. Eine Bestandsaufnahme der vorhandenen, aber ungenutzten Daten sollte immer vor einer Neuinvestition in Sensorik erfolgen.
Wie lange dauert es, bis ein Predictive-Maintenance-Modell zuverlässige Prognosen liefert?
Je nach Anlagentyp und Datenqualität sind mehrere Monate bis zu einem Jahr Datenerfassung realistisch, insbesondere wenn saisonale Effekte oder seltene Ausfallmuster erfasst werden müssen.
Welche Rolle spielt das bestehende Instandhaltungssystem?
Ohne Anbindung an ein CMMS oder Asset-Management-System bleiben Prognosen isolierte Zusatzinformationen. Erst die Verknüpfung mit der operativen Wartungsplanung erschließt den wirtschaftlichen Nutzen vollständig.
Ist Predictive Maintenance im Mittelstand auch ohne eigene Data-Science-Abteilung umsetzbar?
Ja, viele Anbieter liefern vorkonfigurierte Auswertungsplattformen mit Standardmodellen für gängige Maschinentypen, sodass ein Pilotprojekt auch ohne interne Data-Science-Ressourcen gestartet werden kann.
Was ist der Unterschied zwischen Condition Monitoring und Predictive Maintenance?
Condition Monitoring überwacht den aktuellen Zustand und meldet Grenzwertüberschreitungen, während Predictive Maintenance zusätzlich eine Restnutzungsdauer prognostiziert und so eine vorausschauende Terminplanung ermöglicht.
