Predictive Maintenance mit IIoT: Datengetriebene Instandhaltung in der Fertigung

16. Juni 2026

Artikel teilen

Predictive Maintenance auf Basis von Industrial Internet of Things (IIoT) und systematischer Datenanalyse verändert die Art, wie Fertigungsunternehmen ihre Anlagen betreiben. Statt auf geplante Wartungsintervalle oder den ungeplanten Ausfall zu warten, liefern Sensordaten kontinuierliche Zustandsinformationen, aus denen sich Wartungsbedarf ableiten lässt, bevor ein Schaden eintritt. Für mittelständische Produktionsbetriebe mit engen Kapazitäten und hohem Kostendruck bietet dieser Ansatz erhebliches Potenzial: Ungeplante Stillstände verursachen in vielen Fertigungsumgebungen Kosten im vier- bis fünfstelligen Bereich je Stunde, und reaktive Instandhaltung bindet Techniker in Notfalleinsätzen, die sorgfältigere Inspektionen verhindern. Der vorliegende Beitrag beschreibt die technischen Grundlagen, die zentralen Analyseverfahren, den Einführungsprozess sowie typische Stolperfallen bei der Umsetzung von Predictive Maintenance auf IIoT-Basis.

Begriffliche Einordnung: Predictive Maintenance im Kontext der Instandhaltungsstrategien

Instandhaltungsstrategien lassen sich in drei Grundtypen gliedern. Korrektive Instandhaltung reagiert auf den Ausfall und ist mit hohen Folgekosten verbunden. Präventive Instandhaltung arbeitet mit festen Intervallen, oft nach Herstellervorgaben oder Betriebsstunden, ohne den tatsächlichen Verschleisszustand zu berücksichtigen. Zustandsorientierte Instandhaltung (Condition-Based Maintenance) überwacht ausgewählte Parameter wie Temperatur oder Vibration und löst Wartungsmaßnahmen aus, wenn Grenzwerte überschritten werden.

Predictive Maintenance geht einen Schritt weiter: Sie nutzt historische und aktuelle Sensordaten, um den Zeitpunkt eines drohenden Ausfalls mit statistischen oder maschinellen Lernverfahren vorherzusagen. Das Wartungsfenster wird dadurch gezielt geplant, ohne unnötig früh einzugreifen oder einen Ausfall zu riskieren. In der Praxis ist Predictive Maintenance daher eine Erweiterung der zustandsorientierten Instandhaltung um eine prognostische Komponente.

Strategie	Auslöser	Datenbasis	Typische Kostentreiber
Korrektiv	Ausfall	Keine	Stillstand, Folgeschäden, Eillieferungen
Präventiv (intervallbasiert)	Zeit oder Betriebsstunden	Herstellervorgaben	Überinstandhaltung, Ressourcenbindung
Zustandsorientiert	Schwellenwertüberschreitung	Messwerte (Sensor)	Sensorinfrastruktur, Kalibrierung
Predictive Maintenance	Vorhergesagtes Ereignis	Zeitreihen, Modelle	Dateninfrastruktur, Modellpflege

Technische Grundlagen: Sensorik, Edge Computing und Datenplattformen

Die Datenerfassung beginnt an der Maschine. Typische Sensortypen für Predictive Maintenance umfassen Schwingungssensoren (zur Erkennung von Lagerungs- oder Unwuchtproblemen), Temperatursensoren (für thermische Anomalien in Motoren, Lagern und Getrieben), Stromsensoren (zur Erkennung von Motorbelastungsanomalien), Drucksensoren (in pneumatischen und hydraulischen Systemen) sowie Schallsensoren oder akustische Emissionssensoren (für hochfrequente Materialermüdungsphänomene).

Nicht alle Anlagen lassen sich ohne Weiteres nachrüsten. Für ältere Maschinen ohne integrierte Steuerungsschnittstelle kommen externe Retrofitlösungen in Form von kabelgebundenen oder drahtlosen Sensormodulen zum Einsatz, die direkt an Gehäusen, Wellen oder Leitungen befestigt werden. Die Kommunikation erfolgt dann über industrielle Protokolle wie OPC UA, MQTT oder Modbus, je nach Infrastruktur und Anforderung an Echtzeitfähigkeit.

Edge Computing gewinnt in diesem Kontext erheblich an Bedeutung. Da die Rohdatenmengen aus hunderten oder tausenden Sensoren die Kapazitäten zentraler Cloud-Plattformen schnell überlasten und zugleich Latenzanforderungen für zeitkritische Abschaltfunktionen bestehen, werden erste Verarbeitungsschritte bereits lokal am Gerät oder in Steuerungsschränken vorgenommen. Edge-Geräte aggregieren, filtern und komprimieren Sensordaten und senden nur relevante Ereignisse oder komprimierte Zeitreihenpakete in die Cloud oder ein lokales Rechenzentrum.

Auf Plattformebene sind industrielle IoT-Plattformen die zentralen Bausteine. Sie übernehmen die Geräteverwaltung, Datenspeicherung, Visualisierung und Integration in übergeordnete Systeme wie ERP oder CMMS (Computerized Maintenance Management System). Bekannte Plattformkategorien reichen von On-Premises-Lösungen auf Basis von Systemen wie OSIsoft PI über hybride Ansätze bis hin zu vollständig cloudbasierten Diensten. Für den Mittelstand sind häufig Lösungen interessant, die eine schnelle Integration ermöglichen und keine umfangreiche IT-Infrastruktur voraussetzen.

Datenanalyseverfahren: Von der Schwellenwertüberwachung zum maschinellen Lernen

Die Analyseverfahren lassen sich nach Komplexität und Datenanforderung in mehrere Stufen einteilen. Auf der einfachsten Stufe stehen regelbasierte Systeme, die definierte Grenzwerte überwachen und bei Überschreitung Alarme auslösen. Diese Methode ist transparent und leicht zu pflegen, erkennt jedoch nur bekannte Fehlerzustände und liefert keine Vorhersagen über den Ausfallzeitpunkt.

Statistische Zeitreihenverfahren wie gleitende Mittelwerte, Spektralanalysen (Fast Fourier Transform, FFT) oder Autokorrelationsmodelle erlauben die Erkennung von Mustern und Trendverläufen. FFT ist besonders geeignet, um charakteristische Frequenzmuster in Vibrationsdaten mit Referenzspektren zu vergleichen und Verschleisserscheinungen an Lagern oder Zahnrädern frühzeitig zu identifizieren.

Maschinelle Lernverfahren ermöglichen die Erkennung komplexer Muster in hochdimensionalen Datensätzen, die mit statistischen Methoden nicht erfassbar sind. Überwachte Lernansätze (Supervised Learning) erfordern historische Daten mit bekannten Ausfallzeitpunkten als Trainingsbasis, was bei Anlagen mit seltenen Fehlerzuständen eine Herausforderung darstellt. Unüberwachte Verfahren wie Anomalieerkennung (Isolation Forest, Autoencoder) identifizieren Abweichungen vom Normalzustand, ohne dass Fehlerdaten vorliegen müssen. In vielen mittelständischen Anwendungen ist der Ansatz der halbüberwachten Anomalieerkennung praxisnäher, weil er mit wenigen bekannten Fehlerfällen auskommt.

Ein weiteres relevantes Verfahren ist die Remaining Useful Life (RUL) Schätzung. Auf Basis von Degradationsmodellen und historischen Verlaufsdaten wird der verbleibende Nutzungszeitraum einer Komponente geschätzt. Dieses Ergebnis ist die Grundlage, um Wartungsmaßnahmen präzise im Produktionsplan zu verankern.

Implementierung: Schritt für Schritt zur Predictive-Maintenance-Lösung

Schritt 1: Kritikalitätsanalyse und Pilotauswahl

Nicht jede Anlage ist für Predictive Maintenance geeignet oder wirtschaftlich sinnvoll. Der erste Schritt ist eine Kritikalitätsbewertung der Produktionsmittel nach den Kriterien Ausfallhäufigkeit, Stillstandskosten und Ersatzteilverfügbarkeit. Anlagen mit hoher Ausfallwirkung, langen Lieferzeiten für Ersatzteile und bekannten Verschleissmechanismen sind bevorzugte Kandidaten für einen Piloten.

Schritt 2: Datenerfassung und Baseline-Messung

Vor der Implementierung von Analysemodellen muss ein solides Datenfundament aufgebaut werden. Das bedeutet: Sensorinstallation, Kalibrierung, Protokollierung des Normalbetriebs über einen repräsentativen Zeitraum (typischerweise sechs bis zwölf Monate) und Dokumentation bekannter Fehlerereignisse. Ohne diese Baseline sind lernbasierte Modelle nicht trainierbar.

Schritt 3: Modellauswahl und Pilotbetrieb

Im Pilotbetrieb werden Analysemodelle auf den gesammelten Daten entwickelt oder konfiguriert. Für KMU empfiehlt sich ein pragmatischer Einstieg mit regelbasierten und statistischen Verfahren, die transparent und wartungsarm sind. Maschinelle Lernverfahren können in einem zweiten Schritt hinzukommen, wenn ausreichend Trainingsdaten vorliegen. Der Pilotbetrieb sollte die Vorhersagegüte anhand definierter Kennzahlen (Erkennungsrate, Fehlalarmrate) messen.

Schritt 4: Integration in CMMS und Produktionsplanung

Predictive-Maintenance-Alarme entfalten ihren Nutzen nur, wenn sie direkt in Wartungsaufträge im CMMS und in den Produktionsplan überführt werden. Die Integration erfordert definierte Schnittstellen und klare Prozesse für die Priorisierung und Bearbeitung von Vorhersagemeldungen. Ein Predictive-Maintenance-Alarm, der im Posteingang des Instandhaltungsleiters landet, aber nicht in Planung und Ressourcenzuweisung überführt wird, ist wertlos.

Schritt 5: Kontinuierliche Modellpflege

Modelle verschleißen. Wenn sich Betriebsbedingungen, Fertigungsprodukte oder Maschinenparameter ändern, müssen Analysemodelle angepasst werden. Die Modellpflege ist ein oft unterschätzter Aufwandstreiber, der bei der Ressourcenplanung berücksichtigt werden muss.

Wirtschaftlichkeit: Kosten, Nutzen und eine Beispielrechnung

Die Wirtschaftlichkeit von Predictive Maintenance hängt stark vom Einzelfall ab. Als Orientierungsrahmen für eine Beispielrechnung: Bei einer Produktionsanlage mit typischen Stillstandskosten von 5.000 Euro je Stunde, zwei ungeplanten Stillständen pro Jahr mit durchschnittlich vier Stunden Dauer und Investitionskosten für Sensorik, Plattform und Implementierung von 60.000 Euro ergibt sich folgendes Bild.

Ohne Predictive Maintenance entstehen jährlich 40.000 Euro ungeplante Stillstandskosten. Gelingt es, durch frühzeitige Erkennung drei von vier Ausfällen zu vermeiden (was bei geeigneten Fehlerzuständen und guter Datenbasis realistisch ist), reduzieren sich die Stillstandskosten auf 10.000 Euro. Die Einsparung beträgt 30.000 Euro jährlich. Bei einmaligen Investitionskosten von 60.000 Euro und jährlichen Betriebskosten (Plattform, Wartung, Modellpflege) von 8.000 Euro ergibt sich eine Break-Even-Zeit von etwa drei Jahren. Diese Rechnung ist stark vereinfacht, zeigt aber die Grundlogik: Hohe Stillstandskosten und verlässlich erkennbare Fehlerzustände machen den Ansatz wirtschaftlich.

„Predictive Maintenance ist keine Technologieentscheidung, sondern eine Organisationsentscheidung. Wer Vorhersagen erzeugt, aber keine Prozesse hat, um darauf zu reagieren, hat nur die Kosten, nicht den Nutzen.“Sinngemäß aus Industriepraxis-Literatur zur zustandsorientierten Instandhaltung

Typische Stolperfallen bei der Einführung

Die häufigsten Fehler bei der Einführung von Predictive Maintenance lassen sich in vier Kategorien fassen. Erstens: unzureichende Datenqualität. Sensoren, die schlecht kalibriert, falsch positioniert oder mit Übertragungsunterbrechungen behaftet sind, liefern Daten, auf denen keine verlässlichen Modelle aufgebaut werden können. Die Datenqualität muss vor Modellentwicklung systematisch geprüft und gesichert werden.

Zweitens: zu hohe Erwartungen an Machine-Learning-Modelle. In vielen Pilotprojekten werden Algorithmen eingeführt, ohne ausreichende Trainingsdaten mit bekannten Fehlerzuständen zur Verfügung zu haben. Das Ergebnis sind Modelle mit hoher Fehlalarmrate, die das Vertrauen der Instandhaltungsteams schnell beschädigen. Eine schrittweise Einführung mit statistischen Basisverfahren ist oft nachhaltiger.

Drittens: fehlende Prozessintegration. Predictive-Maintenance-Ausgaben, die nicht automatisch Wartungsaufträge generieren und in die Personalplanung einfließen, werden im Alltag ignoriert. Die organisatorische Einbettung ist mindestens so wichtig wie die technische Umsetzung.

Viertens: unterschätzter Pflegeaufwand. Modelle müssen bei Betriebsänderungen, Maschinenumbauten oder Produktwechseln angepasst werden. Wer Predictive Maintenance als einmalige Implementierung betrachtet, wird nach kurzer Zeit mit veralteten Modellen und sinkender Vorhersagegüte konfrontiert sein.

Normen und Frameworks als Orientierung

Für Unternehmen, die Predictive Maintenance in ein strukturiertes Instandhaltungsmanagement einbetten wollen, bieten DIN EN 13306 (Instandhaltungsbegriffe) und DIN EN 15341 (Instandhaltungskennzahlen) eine begriffliche und methodische Grundlage. ISO 55000 (Asset Management) beschreibt übergeordnete Prinzipien für die Verwaltung physischer Anlagen, in die Predictive Maintenance als operative Methode eingebettet werden kann. Im Kontext der IIoT-Sicherheit ist zudem IEC 62443 relevant, wenn Produktionsnetzwerke mit externen Plattformen verbunden werden.

Organisatorische Einbettung: Rollen, Verantwortlichkeiten und Qualifikation

Technologie allein erzielt keine Wirkung. Predictive Maintenance erfordert die Zusammenarbeit von Instandhaltung, Produktion, IT und in vielen Fällen Einkauf. Eine klare Rollenverteilung ist Voraussetzung für den Betrieb im Regelbetrieb. In der Praxis hat sich bewährt, einen dedizierten Ansprechpartner oder ein kleines Team zu benennen, das für Modellpflege, Alarmverarbeitung und Systemkommunikation verantwortlich ist.

Die Qualifikationsanforderungen für das beteiligte Personal unterscheiden sich je nach Rolle. Instandhaltungstechniker benötigen kein tiefes Data-Science-Wissen, müssen aber verstehen, wie Alarme zu interpretieren sind und welche Handlungsoptionen sich daraus ergeben. IT-Verantwortliche müssen die Systemarchitektur überblicken und die Cybersicherheitsanforderungen umsetzen. Data Scientists oder externe Spezialisten werden für Modellentwicklung und -pflege benötigt, können aber in vielen mittelständischen Unternehmen als externer Service eingekauft werden.

Ein unterschätzter Aspekt ist das Vertrauen der Instandhaltungsteams in die Systemausgaben. Wenn Techniker Alarme erhalten, aber im Feld keinen sichtbaren Defekt feststellen, sinkt die Akzeptanz schnell. Die Einführung eines Feedback-Prozesses, bei dem Techniker Alarmvalidierungen in das System zurückmelden, verbessert nicht nur die Modellqualität, sondern stärkt auch das Vertrauen in die Technologie durch transparente Lernmechanismen.

Fördermittel und Unterstützungsangebote für den Mittelstand

Mittelständische Unternehmen können bei der Einführung von Predictive-Maintenance-Systemen verschiedene Förderprogramme in Anspruch nehmen. Das Bundesministerium für Wirtschaft und Klimaschutz unterstützt Digitalisierungsvorhaben über das Programm „Digital Jetzt“, das Zuschüsse für Investitionen in digitale Technologien und Qualifizierungsmaßnahmen bereitstellt. Auf Länderebene existieren ergänzende Programme, deren Konditionen und Förderschwerpunkte variieren.

Darüber hinaus bieten Fraunhofer-Institute und das Mittelstand-Digital-Netzwerk niedrigschwellige Beratungsleistungen an, die häufig kostenfrei oder zu stark reduzierten Konditionen verfügbar sind. Diese Unterstützungsangebote eignen sich insbesondere für die Phase der technischen Konzeption und der Machbarkeitsprüfung, bevor eigene Investitionen getätigt werden. Die Nutzung solcher Angebote ist vor allem für Unternehmen sinnvoll, die ohne eigene Data-Science-Kapazitäten in das Thema einsteigen.

Checkliste: Voraussetzungen für einen erfolgreichen Pilot

Kritikalitätsanalyse der Produktionsanlagen abgeschlossen und Pilotanlage ausgewählt
Sensoren für relevante Zustandsgrößen installiert und kalibriert
Datenkommunikation zwischen Anlage und Datenplattform stabil und gesichert
Historische Betriebsdaten und dokumentierte Fehlerereignisse vorhanden
Datenplattform mit CMMS-Integration eingerichtet
Verantwortlichkeiten für Modellpflege und Alarmverarbeitung definiert
KPIs zur Messung der Pilotleistung festgelegt (Erkennungsrate, Fehlalarmrate, Stillstandsreduktion)
IT- und OT-Sicherheitsanforderungen nach IEC 62443 geprüft

FAQ

Was kostet ein Predictive-Maintenance-Pilot im Mittelstand?

Die Kosten variieren stark je nach Anzahl der zu überwachenden Anlagen, Komplexität der Sensorinstallation und gewählter Plattformlösung. In der Praxis liegen Pilotprojekte für eine bis drei Anlagen häufig im Bereich von 30.000 bis 100.000 Euro einmalig, zuzüglich laufender Plattform- und Lizenzkosten. Anbieter im Mittelstandsumfeld bieten zunehmend modulare Pakete an, die einen kostengünstigeren Einstieg ermöglichen.

Welche Datenmengen erzeugt ein Predictive-Maintenance-System?

Das hängt stark von der Abtastrate der Sensoren und der Anzahl der Messpunkte ab. Vibrationssensoren mit hoher Abtastrate können mehrere Gigabyte je Tag erzeugen. Edge-Computing-Lösungen reduzieren diese Datenmenge durch lokale Vorverarbeitung erheblich. Für die Planung ist eine Datenmengenabschätzung im Rahmen der technischen Konzeption unerlässlich.

Wie lange dauert es, bis ein Predictive-Maintenance-Modell zuverlässig arbeitet?

Als Orientierung gilt: Sechs bis zwölf Monate Baseline-Datenerfassung, danach drei bis sechs Monate Modellentwicklung und Validierung. Die Vorhersagegüte verbessert sich mit der Datenmenge und dem Vorliegen von Fehlerereignissen im Trainingsset. Unrealistische Zeiterwartungen sind einer der häufigsten Ursachen für Frustration in frühen Projektphasen.

Können ältere Maschinen ohne digitale Schnittstelle nachgerüstet werden?

Ja, durch externe Retrofitsensoren, die mechanisch am Gehäuse, an Wellen oder Leitungen angebracht werden. Kabelgebundene oder drahtlose Übertragung (zum Beispiel via LoRaWAN, Wi-Fi oder Mobilfunk) überbrückt die Lücke zur Datenplattform. Die Nachrüstbarkeit hängt von der Zugänglichkeit der Messpunkte und den Umgebungsbedingungen (Temperatur, Staub, elektromagnetische Störungen) ab.

Wie ist Predictive Maintenance datenschutzrechtlich zu bewerten?

Predictive Maintenance verarbeitet in der Regel keine personenbezogenen Daten, da Maschinenzustandsdaten im Vordergrund stehen. Werden jedoch Protokolldaten erfasst, die auf einzelne Bediener schließen lassen, oder Rüstzeiten auf Mitarbeiterebene analysiert, sind die Anforderungen der DSGVO und des Betriebsverfassungsgesetzes (Mitbestimmungsrechte nach § 87 BetrVG) zu berücksichtigen. Eine Abstimmung mit dem Betriebsrat und dem Datenschutzbeauftragten ist in diesen Fällen erforderlich.

Welche Rolle spielt der Mensch in einem Predictive-Maintenance-System?

Predictive Maintenance ersetzt nicht das Fachwissen erfahrener Instandhaltungstechniker, sondern ergänzt es. Die Interpretation von Modellausgaben, die Einschätzung von Fehlalarmen und die Entscheidung über konkrete Wartungsmaßnahmen bleiben menschliche Aufgaben. Unternehmen, die dies unterschätzen und rein auf Automatisierung setzen, riskieren blinde Flecken in ihrer Instandhaltungsstrategie.