Predictive Maintenance (vorausschauende Instandhaltung) prognostiziert Wartungsbedarf an Maschinen und Anlagen anhand von Sensordaten und ML-Modellen. Statt zeitbasierter (preventive) oder reaktiver Wartung wird Wartung dann durchgeführt, wenn die Daten zeigen, dass sie tatsächlich nötig wird.
Bausteine einer Predictive-Maintenance-Lösung
Sensorik: Schwingung, Temperatur, Druck, Strom, Akustik
ERP-/CMMS-Integration für Wartungsauftrags-Erzeugung
ROI-Logik
Studien zeigen für Predictive Maintenance:
Reduktion ungeplanter Stillstände um 30–50 Prozent
Verlängerung der Maschinenlebenszeit um 20–40 Prozent
Reduktion der Wartungskosten um 10–40 Prozent
Reduktion des Ersatzteilbestands um 20–30 Prozent
Voraussetzung: konsistente Sensordaten über mindestens 6 bis 12 Monate, um robuste ML-Modelle zu trainieren.
Anbieter
Plattformen mit ERP-Integration: SAP Predictive Asset Insights, IBM Maximo, Microsoft Azure IoT mit Predictive Maintenance, PTC ThingWorx, Bosch IoT Suite, Siemens MindSphere, Cassantec.
Praxis-Beispiel: Predictive Maintenance in einer Fertigung
Ein Maschinenbauer hat seine 18 CNC-Bearbeitungszentren mit IoT-Sensoren ausgestattet — Vibration, Temperatur, Strom-Verbrauch, Spindel-Drehzahl werden kontinuierlich erfasst. Eine ML-basierte Predictive-Maintenance-Plattform analysiert die Daten in Echtzeit und erkennt Muster, die typisch 2-6 Wochen vor einem Maschinen-Ausfall auftreten. Bei einer kritischen Anomalie wird automatisch ein Wartungs-Auftrag im ERP angelegt, Ersatzteile bestellt und ein Wartungs-Slot im Schichtplan reserviert. Ergebnis: ungeplante Stillstände sind um 65 % reduziert, OEE (Overall Equipment Effectiveness) ist von 78 % auf 86 % gestiegen. ROI der Investition: ~14 Monate. Plattformen: Siemens MindSphere, Bosch IoT Suite, GE Digital Predix, AWS IoT Analytics.
Häufige Fragen zu Predictive Maintenance
Wie unterscheidet sich Predictive von Preventive Maintenance? Preventive folgt festen Wartungs-Intervallen (z. B. alle 1.000 Betriebsstunden) — unabhängig vom tatsächlichen Verschleiß. Predictive analysiert tatsächliche Maschinen-Daten und sagt Wartungen genau dann vor, wenn nötig. Vorteil: weniger zu früh durchgeführte Wartungen (Kosten-Sparung), gleichzeitig weniger ungeplante Ausfälle (Produktivitäts-Sicherung). Brauche ich KI für Predictive Maintenance? Bei einfachen Fällen reichen Regelwerke ("wenn Vibration über X für Y Sekunden, dann Wartung"). Bei komplexen Maschinen mit vielen Parametern wird ML überlegen — typisch Anomaly-Detection-Algorithmen. Was kostet eine Implementierung? Pro Maschine 5.000-20.000 € für Sensorik plus 50.000-300.000 € für die Analytics-Plattform-Anbindung. ROI typisch 12-24 Monate bei Maschinen mit hohen Stillstandskosten.
