Wann amortisiert sich die prädiktive Wartung?

Ein Lagerschaden ist selten die größte Kostenursache. Der eigentliche Verlust entsteht, wenn die Produktionslinie unerwartet stillsteht, die Schicht umorganisiert wird, der Auftrag verzögert wird, das Ersatzteil nicht auf Lager ist und das Wartungsteam hektisch versucht, die Produktion wiederherzustellen. Prädiktive Instandhaltung kann auf diese Situation eine Antwort geben, jedoch nur, wenn sie nicht lediglich als Sensorprojekt behandelt wird.

In vielen Betrieben werden bereits heute Daten von Maschinen gesammelt. Die SPS zeichnet Zustände auf, der Frequenzumrichter sendet Fehlercodes, der Bediener notiert ungewöhnliche Geräusche und im Wartungsprotokoll steht die letzte Reparatur. Dennoch bleiben diese Informationen oft in separaten Systemen oder werden nicht beachtet, bis die Anlage ausfällt. In solchen Fällen fehlt es nicht an Daten, sondern an einem nutzbaren Entscheidungsprozess.

Was bedeutet prädiktive Instandhaltung wirklich?

Das Ziel der prädiktiven Instandhaltung ist es, den erwarteten Ausfall eines Geräts vor dem Funktionsverlust vorherzusagen. Die Frage ist nicht, ob eine Maschine jemals ausfällt, sondern ob es erkennbare Anzeichen für den Verschleiß gibt, wie früh diese sichtbar sind und ob Zeit für geplante Eingriffe bleibt.

Diese Anzeichen können Schwingungswerte, Temperaturanstieg, Stromaufnahmeänderung, Druckschwankungen, Zykluszeitverschlechterung oder häufigeres Auftreten eines bestimmten Fehlertyps sein. Bei einer Verpackungsmaschine kann beispielsweise der Anstieg der Ausschussrate und die Verlangsamung der Zykluszeit auf mechanischen Verschleiß hinweisen. Bei einer Pumpe können Schwingungen und Temperatur gemeinsam anzeigen, dass sich der Zustand des Lagers verschlechtert.

Dies unterscheidet sich von der korrektiven Instandhaltung, bei der der Eingriff nach dem Ausfall erfolgt, und auch von der zeitbasierten präventiven Instandhaltung, bei der Bauteile in vorab festgelegten Intervallen ausgetauscht werden. Letzteres ist oft gerechtfertigt, insbesondere bei sicherheitskritischen oder gesetzlich geregelten Geräten. Der prädiktive Ansatz kann dort stark sein, wo der Zustand tatsächlich messbar ist, der Ausfall kostspielig ist und das Timing des Eingriffs geschäftlich relevant ist.

Nicht jede Maschine benötigt die gleiche Lösung

Der häufigste Fehler ist, dass ein Unternehmen alle scheinbar wichtigen Geräte sofort messen möchte. Dies kann schnell zu einem teuren, komplexen und schwer zu wartenden System führen. Es ist ratsam, zunächst zu untersuchen, welche Geräteausfälle das größte Geschäftsrisiko darstellen.

Eine kritische Maschine muss nicht unbedingt die größte oder modernste sein. Es kann ein älterer Kompressor ohne Reserve sein, eine Etikettiermaschine, ohne die keine Lieferung erfolgen kann, oder ein Engpass bildendes Bearbeitungszentrum. Wenn dieses Gerät ausfällt, wie viel Produktion geht verloren? Wie lange dauert die Reparatur? Sind Ersatzteile verfügbar? Gibt es einen Umgehungsprozess oder wartet die gesamte Schicht?

Bei der Auswahl zählt auch der Fehlermodus. Einige Fehler entwickeln sich allmählich und sind daher gut vorhersehbar. Andere treten plötzlich auf, verursacht durch ein externes Ereignis, Bedienfehler oder Materialfehler. Es ist nicht ratsam, ein Vorhersagemodell zu versprechen, für das es nicht genügend Vorzeichen oder interpretierbare Daten gibt. In solchen Fällen kann ein zuverlässiger Alarm, ein Ersatzteil oder ein durchdachtes Notfallverfahren besseren Schutz bieten.

Die Wartungshistorie ist genauso wichtig wie der Sensor

Wenn Reparaturen nur in freien Textnotizen erfasst werden, ist es schwierig zu bestimmen, was tatsächlich mit einer Maschine passiert ist. Der Eintrag „Lager repariert“ sagt beispielsweise nicht aus, welche Einheit defekt war, welche Symptome dem Austausch vorausgingen, wie lange die Maschine stillstand und ob das Problem behoben wurde.

Für eine nutzbare Vorhersage ist am ersten Tag keine perfekte Datenbank erforderlich. Es braucht jedoch eine konsequente Identifikation: um welches Gerät handelt es sich, welches Fehlersymptom trat auf, welche Arbeit wurde durchgeführt, welches Ersatzteil wurde verwendet und wie hoch war der Ausfall. Aus diesen Informationen kann sich im Laufe der Zeit ein Muster entwickeln, das der Schichtleiter, der Wartungstechniker und der Produktionsleiter interpretieren können.

Daten werden wertvoll, wenn jemand daraus Entscheidungen treffen kann

Ein Dashboard allein reduziert keine Ausfälle. Wenn das System eine Anomalie meldet, muss klar sein, wer die Benachrichtigung erhält, welcher Schwellenwert als dringend gilt, wer den Eingriff genehmigt und wie all dies in den Produktionsplan passt.

Betrachten wir eine einfache Situation. Das System zeigt an, dass die Schwingungen eines Motors seit drei Wochen allmählich ansteigen. Das Wartungsteam ist informiert, aber die Produktion will nicht anhalten, daher wird die Aufgabe jede Woche auf die nächste verschoben. Schließlich fällt der Motor am Freitagnachmittag aus, wenn die Ersatzteilbeschaffung langsamer ist und die Wochenendbestellungen von dem Ausfall betroffen sind. Dies ist kein Vorhersagefehler. Es ist ein Entscheidungs- und Verantwortungsfehler.

Ein guter Prozess muss nicht unbedingt kompliziert sein. Die Benachrichtigung kann ein Risikoniveau, eine Überprüfungsaufgabe, eine Zielzeit und eine dokumentierte Entscheidung umfassen. Bei einer Abweichung mit geringem Risiko kann eine Untersuchung während des nächsten geplanten Stillstands ausreichen. Bei einem kritischen Zustand müssen jedoch der Produktionsplan, das benötigte Ersatzteil und die Verfügbarkeit des Fachpersonals koordiniert werden.

Hier wird die Systemintegration wichtig. Wenn die Maschinendaten in einem industriellen Überwachungssystem, die Wartungsaufgabe in einer anderen Anwendung und der Ersatzteilbestand in einer dritten Anwendung gespeichert sind, übertragen die Menschen die Informationen wieder manuell. Das Risiko von Verzögerungen und Missverständnissen kehrt zurück. Das Ziel ist nicht, alle Systeme zu ersetzen, sondern die kritischen Informationen zur richtigen Zeit an die richtige Person zu bringen.

Wie sollte man mit der prädiktiven Instandhaltung beginnen?

Der erste Schritt ist nicht der Kauf von Sensoren, sondern eine kurze, sachliche Untersuchung. Welche Geräte haben in den letzten 12 Monaten die meisten ungeplanten Ausfälle verursacht? Wie hoch waren die direkten und indirekten Kosten? Welche Daten existieren über sie? Wie wird heute eine Entscheidung über einen anormalen Zustand getroffen?

Danach ist es ratsam, einen klar abgegrenzten Piloten zu bestimmen. Eine Maschinen- oder Fehlergruppe oder ein kritischer Engpass reicht aus, damit das Unternehmen lernt, welche Daten wirklich benötigt werden. Der Erfolg des Piloten zeigt sich nicht daran, wie viele Diagramme erstellt wurden, sondern daran, ob ein Eingriff geplant durchgeführt werden konnte, um einen Stillstand zu vermeiden oder zu verkürzen.

Bereits zu Beginn müssen die folgenden vier Fragen klar beantwortet werden:

• Welches Geschäftsrisiko wollen wir reduzieren: Ausfall, Ausschuss, dringende Reparatur oder Bestandsunsicherheit?
• Welche Messdaten und Wartungshistorien stützen diese Entscheidung?
• Wer interpretiert die Benachrichtigung und innerhalb welcher Zeit muss gehandelt werden?
• Wie messen wir, ob die Einführung tatsächlich die Leistung verbessert hat?

Bei der Messung sollten nicht nur die Anzahl der Ausfälle betrachtet werden. Wichtig können auch die ungeplante Stillstandszeit, die durchschnittliche Reparaturzeit, der Anteil der dringenden Ersatzteilbestellungen, der Ausschuss sowie die Planbarkeit der Wartungsarbeiten sein. Ein gut funktionierendes System ist oft nicht auffälliger, sondern berechenbarer: weniger nächtliche Anrufe, weniger außerplanmäßige Beschaffungen und der Produktionsplan wird seltener gestört.

KI hilft nur, wenn die Grundlagen des Betriebs in Ordnung sind

Künstliche Intelligenz kann Muster in großen Mengen von Zeitreihendaten finden, Anomalien melden oder die Texte von Wartungstickets kategorisieren. Dies kann nützlich sein, insbesondere bei komplexen Maschinenparks. Sie ersetzt jedoch nicht das Maschinenwissen, die Wartungsdisziplin und die betriebliche Entscheidungsstruktur.

Wenn Fehler nicht konsequent erfasst werden, Sensordaten unvollständig sind oder auf Benachrichtigungen nicht reagiert wird, erzeugt die KI nur schneller unsichere Ergebnisse. Zuerst muss der Prozess in Ordnung gebracht werden: einheitliche Geräteidentifikation, zuverlässige Datenerfassung, Wartungsarbeitsplan und klare Verantwortlichkeiten. Darauf kann später eine Analyse aufgebaut werden, die die Entscheidungsfindung tatsächlich unterstützt.

Der Wert der prädiktiven Instandhaltung lässt sich letztlich nicht daran messen, wie viele Daten das Unternehmen sammelt, sondern daran, ob es in der Lage ist, vor dem nächsten kritischen Stillstand ruhig und geplant zu handeln. Dies ist der Punkt, an dem die Technologie nicht mehr ein separates Projekt bleibt, sondern Teil eines zuverlässigeren Betriebs wird.