Häufig gestellte Fragen
Was ist der Unterschied zwischen Predictive Maintenance und vorbeugender (präventiver) Instandhaltung?
Die präventive Instandhaltung wartet nach festen Zeit- oder Laufzeitintervallen, unabhängig vom realen Zustand einer Maschine, und tauscht Bauteile teils unnötig früh oder zu spät aus. Predictive Maintenance leitet den Wartungszeitpunkt stattdessen aus tatsächlich gemessenen Betriebsdaten ab und prognostiziert, wann ein Ausfall droht. Eine Zwischenstufe ist die zustandsorientierte Instandhaltung (Condition-Based Maintenance), die bei Überschreiten fester Schwellenwerte alarmiert, aber im Gegensatz zur vorausschauenden Wartung noch keine Trendprognose über den künftigen Verlauf erstellt. Predictive Maintenance verbindet damit die Zustandsmessung mit einer Vorhersage der verbleibenden Nutzungsdauer.
Reicht ein einfaches Condition Monitoring oder braucht es echte Predictive Maintenance?
Für viele Anwendungen genügt ein reines Condition Monitoring, das bei Überschreiten definierter Schwellenwerte einen Alarm auslöst und akute Probleme sichtbar macht. Predictive Maintenance geht einen Schritt weiter und nutzt statistische oder KI-gestützte Modelle, um aus dem Datenverlauf eine Restnutzungsdauer und einen wahrscheinlichen Ausfallzeitpunkt zu prognostizieren. Der zusätzliche Aufwand für Modellbildung und Datenpflege rechnet sich vor allem dort, wo ungeplante Stillstände hohe Folgekosten verursachen und ein zeitlicher Planungsvorlauf echten Mehrwert bietet. Bei unkritischen oder günstig zu ersetzenden Anlagen ist die einfachere Schwellenwert-Überwachung oft die wirtschaftlichere Wahl.
Welche Daten und Sensoren werden für Predictive Maintenance benötigt?
Typische Messgrößen sind Schwingung beziehungsweise Vibration, Temperatur, Druck, Stromaufnahme, Akustik sowie die Qualität von Schmierstoffen, wobei die Vibrationsanalyse als besonders aussagekräftig für die Früherkennung von Lager- und Unwuchtschäden gilt. Diese Werte werden von Sensoren in kurzen Abständen erfasst und über Standards wie OPC UA oder Anbindungen an Steuerungs- und SCADA-Systeme weitergegeben. Entscheidend ist nicht allein die Datenmenge, sondern die Datenqualität: Verlässliche Prognosen setzen eine saubere Messung und ausreichend historische Betriebs- und Schadensdaten voraus, an denen die Modelle trainiert werden. Ohne diese Datenbasis lässt sich kein belastbares Vorhersagemodell aufbauen.
Welche Normen und Standards sind für Predictive Maintenance relevant?
Den allgemeinen Rahmen für zustandsbasierte Instandhaltung setzt die ISO 17359 (Condition monitoring and diagnostics of machines – General guidelines), die Schritte von der Anlagenbewertung über Alarmkriterien bis zur Prognose strukturiert. Die Normenreihe ISO 13374 beschreibt ergänzend die Datenverarbeitungs-Architektur mit aufeinander aufbauenden Schichten von der Datenerfassung über die Zustandserkennung bis zur prognostischen Bewertung und Handlungsempfehlung. Für einzelne Verfahren existieren spezifischere Normen, etwa zur Schwingungsmessung an rotierenden Maschinen. Diese Standards sind keine gesetzliche Pflicht, schaffen aber eine gemeinsame fachliche Grundlage und erleichtern die Integration von Sensorik, Analyse und betriebswirtschaftlichen Systemen.
Wie viel lässt sich mit Predictive Maintenance einsparen?
Branchen- und Beratungsstudien nennen erhebliche Potenziale, deren konkrete Höhe jedoch stark vom Anwendungsfall abhängt. McKinsey beziffert mögliche Reduktionen der Wartungskosten in einer oft zitierten Größenordnung von etwa 10 bis 40 Prozent und nennt zugleich eine deutliche Senkung ungeplanter Stillstände sowie eine höhere Anlagenverfügbarkeit. Solche Zahlen sind Spannen aus günstigen Einzelfällen und keine garantierten Werte, da der tatsächliche Effekt von Anlagenpark, Datenlage und Ausfallkosten abhängt. Sinnvoll ist es daher, vorab anhand der teuersten ungeplanten Stillstände eine eigene Wirtschaftlichkeitsrechnung aufzustellen, statt pauschale Prozentwerte zu übernehmen.
Wie lange dauert ein Predictive-Maintenance-Pilot und wann lohnt er sich?
Ein Pilotprojekt erstreckt sich realistisch über etwa 6 bis 12 Monate, wobei ein erheblicher Teil der Zeit auf Datenerhebung und Modelltraining entfällt, weil belastbare Prognosen eine ausreichende Datenhistorie benötigen. Sinnvoll ist der Einstieg vor allem an wenigen kritischen Anlagen, bei denen ungeplante Ausfälle besonders hohe Folgekosten verursachen, statt den gesamten Maschinenpark gleichzeitig auszurüsten. Wichtigster Hebel für Termintreue und Ergebnisqualität ist ein dedizierter interner Verantwortlicher mit Entscheidungsbefugnis sowie eine saubere, ausreichend lange Datenbasis. Ob und wie schnell sich die Investition amortisiert, hängt maßgeblich davon ab, wie teuer ein vermiedener Stillstand im konkreten Betrieb tatsächlich ist.