Predictive Maintenance: Definition, Berechnung und Kosten im Mittelstand

Predictive Maintenance ist eine Instandhaltungsstrategie, die aus Sensordaten, historischen Wartungsprotokollen und Algorithmen den optimalen Zeitpunkt für eine Wartung berechnet, bevor ein Ausfall eintritt. Im Mittelstand unterscheidet sie sich von der klassischen präventiven Wartung dadurch, dass sie nicht nach festen Intervallen arbeitet, sondern auf den tatsächlichen Zustand der Maschine reagiert. Studien zufolge lassen sich durch den Einsatz von Predictive Maintenance 50 bis 70 Prozent der ungeplanten Stillstandszeiten reduzieren und 20 bis 40 Prozent der Wartungskosten einsparen. Gleichzeitig zeigt die Praxis, dass nur 32 Prozent der Produktionsanlagen in der DACH-Region vernetzt sind. Das heißt: Die Technologie ist reif, aber die Mehrheit der Mittelständler nutzt sie noch nicht.

Was ist Predictive Maintenance?

Predictive Maintenance basiert auf drei technischen Säulen, die zusammen eine vorausschauende Instandhaltung ermöglichen.

Erste Säule: Datenerfassung. Sensoren erfassen laufend Maschinendaten wie Vibration, Temperatur, Stromaufnahme, Schall oder Ölqualität. Diese Sensoren sind an kritischen Bauteilen angebracht und senden ihre Messwerte in regelmäßigen Abständen an eine zentrale Datenbank.

Zweite Säule: Datenanalyse. Algorithmen vergleichen die erfassten Werte mit dem definierten Normalzustand der Maschine. Sobald eine Abweichung erkannt wird, klassifiziert das System die Schwere der Abweichung. Einfache regelbasierte Systeme arbeiten mit festen Schwellenwerten, etwa nach ISO 10816 für Vibration. Fortgeschrittene Systeme nutzen statistische Verfahren oder Machine Learning, um auch subtile Muster zu erkennen, die auf einen bevorstehenden Ausfall hindeuten.

Dritte Säule: Prognose und Handlung. Auf Basis der analysierten Daten berechnet das System die Restlebensdauer des Bauteils und empfiehlt einen Wartungszeitpunkt. Diese Empfehlung wird an den Instandhaltungsplaner übermittelt, der daraus einen gezielten Wartungseinsatz ableitet. Ziel ist es, die Maschine genau dann zu warten, wenn es nötig ist, weder zu früh noch zu spät.

Predictive Maintenance ist nicht auf die Fertigung beschränkt. Sie wird erfolgreich in der Energiewirtschaft zur Überwachung von Turbinen und Transformatoren eingesetzt. In der Luftfahrt erfassen Sensoren den Zustand von Triebwerken und hydraulischen Pumpen. Im Schienenverkehr trägt sie dazu bei, Störungen im Betriebsablauf zu minimieren. In der Windkraft lassen sich durch Schwingungsanalysen Ausfallzeiten fast vollständig vermeiden. Im Automobilbereich überwachen Sensoren im Motor und Fahrwerk kritische Komponenten, um teure Reparaturen zu verhindern.

Condition Monitoring und Predictive Maintenance: Wo ist der Unterschied?

Die beiden Begriffe werden oft synonym verwendet, beschreiben aber unterschiedliche Reifegrade der Instandhaltung. Eine klare Unterscheidung hilft bei der Auswahl der richtigen Strategie.

Condition Monitoring ist der logische erste Schritt auf dem Weg zu Predictive Maintenance. Wer den aktuellen Zustand seiner Maschinen noch nicht erfasst, kann auch keine Zukunftsprognosen erstellen. Für den Mittelstand empfiehlt sich daher oft ein stufenweiser Aufbau: Zuerst Condition Monitoring einführen, dann nach drei bis sechs Monaten auf Predictive Maintenance erweitern.

Reactive, Preventive, Condition-Based oder Predictive: Die Strategien im Vergleich

Nicht jede Maschine braucht Predictive Maintenance. Die folgende Tabelle zeigt die vier gängigen Instandhaltungsstrategien und ihre Eignung für den Mittelstand.

Ein Betrieb mit zwei Drehbänken, die bei Ausfall die Produktion nicht stoppen, kann mit reaktiver Wartung auskommen. Ein Unternehmen mit 20 CNC-Maschinen, die rund um die Uhr laufen, profitiert dagegen deutlich von Predictive Maintenance. Die Entscheidung hängt also nicht vom Branchenimage ab, sondern von der Ausfallkosten pro Stunde und der Anzahl kritischer Anlagen.

Die 5 Komponenten einer Predictive-Maintenance-Lösung

Eine funktionierende Predictive-Maintenance-Lösung setzt sich aus fünf Komponenten zusammen, die aufeinander aufbauen.

1. Sensoren und Datenerfassung. Ohne Daten keine Prognose. Die gängigen Sensortypen und ihre Anwendungsbereiche lassen sich wie folgt zusammenfassen:

2. Datenintegration und Konnektivität. Die Sensordaten müssen in eine zentrale Plattform gelangen. Dabei spielen IoT-Protokolle wie OPC UA eine zentrale Rolle. Die Daten müssen aus der Maschinensteuerung, den Sensoren und ggf. bestehenden Systemen wie ERP oder MES zusammengeführt werden. Für ältere Maschinen ohne digitale Schnittstelle gibt es Nachrüstlösungen in Form von externen Sensor-Kits.

3. Datenspeicher und Historisierung. Je mehr historische Daten verfügbar sind, desto genauer arbeiten die Prognosemodelle. Wartungsprotokolle, Ausfalldaten und Maschinendokumentation bilden die Grundlage für die Mustererkennung. Ein einziges Ausfallereignis, das mit den zugehörigen Sensordaten verknüpft ist, kann das Modell für alle zukünftigen Prognosen verbessern.

4. Regelbasierte Überwachung. Bevor Machine Learning zum Einsatz kommt, sollten Schwellenwerte definiert werden. Ein Beispiel ist die Norm ISO 10816 für Vibration: Überschreitet die gemessene Vibration einen Wert von 4,5 Millimetern pro Sekunde, löst das System einen Alarm aus. Diese Regeln sind transparent, nachvollziehbar und bauen Akzeptanz bei den Mitarbeitern auf.

5. Prognosemodelle. Sobald genügend historische Daten vorliegen, können statistische Verfahren oder Machine-Learning-Algorithmen die Restlebensdauer berechnen. Diese Modelle erkennen nicht nur Einzelabweichungen, sondern kombinieren mehrere Messgrössen zu einem Gesamtbild. Das Fraunhofer-Institut IESE weist darauf hin, dass die Beschaffung qualitativ hochwertiger Daten eine der grössten Herausforderungen bei der Umsetzung ist. Unvollständige oder ungenaue Daten führen zu unzuverlässigen Prognosen.

Wie gut ist meine Predictive Maintenance? Die 5-Reifegrad-Bewertung

Der Reifegrad der Instandhaltung lässt sich in fünf Stufen einteilen. Jede Stufe hat einen klaren nächsten Schritt und zeigt, wo der Betrieb steht.

Die meisten Mittelständler befinden sich auf Stufe 2 und können innerhalb von sechs bis zwölf Monaten auf Stufe 3 oder 4 aufsteigen. Der Sprung von Stufe 4 auf Stufe 5 erfordert dagegen eine tiefe Integration in alle Unternehmenssysteme und ist für den typischen Mittelstand oft nicht erforderlich.

Was kostet Predictive Maintenance im Mittelstand?

Preistransparenz ist für Predictive-Maintenance-Lösungen selten. Die folgende Tabelle zeigt drei Szenarien mit Einmal- und laufenden Kosten für den typischen Mittelstand.

Zusätzlich sind Einrichtungskosten, Schulungen und ggf. IT-Integrationsleistungen zu berücksichtigen. Diese können je nach Datenqualität und bestehendem Systemumfeld 2.000 bis 10.000 Euro betragen.

ROI-Beispiel: Fertigungsbetrieb mit 8 CNC-Maschinen

Bisheriger Zustand: Zwei Ausfälle pro Jahr à 15.000 Euro Ausfallkosten plus 5.000 Euro für Notfall-Ersatzteile. Das sind 35.000 Euro jährliche Kosten durch ungeplante Stillstände.

Mit Predictive Maintenance: Ein Ausfall wird vollständig verhindert, ein zweiter wird frühzeitig erkannt und zu einem geplanten Wartungsfenster verschoben. Die Ausfallkosten sinken auf 7.500 Euro, die Notfall-Ersatzteilkosten auf 1.000 Euro. Die Einsparung beträgt 26.500 Euro.

Abzüglich der Predictive-Maintenance-Kosten im Szenario B (rund 12.000 Euro im ersten Jahr inklusive Hardware) bleibt eine Netto-Einsparung von 14.500 Euro im ersten Jahr. Ab dem zweiten Jahr entfallen die Hardwarekosten, sodass die Netto-Einsparung auf etwa 26.500 Euro steigt.

Diese Rechnung gilt für Maschinen, deren Ausfall die Produktion stoppt. Bei unkritischen Maschinen mit geringen Ausfallkosten rechnet sich Predictive Maintenance nicht.

Ist mein Betrieb bereit für Predictive Maintenance? Der 10-Punkte-Check

Der folgende Selbsttest zeigt, ob Predictive Maintenance für Ihren Betrieb aktuell sinnvoll ist. Die Fragen basieren auf den Anforderungen, die das Fraunhofer IESE und die Plattform Industrie 4.0 für eine erfolgreiche Umsetzung definieren.

Der 90-Tage-Einstieg in 4 Phasen

Der Einstieg in Predictive Maintenance muss nicht mit einer Grossinvestition beginnen. Die folgende Roadmap zeigt einen pragmatischen Weg über 90 Tage, der auf den fünf Umsetzungsschritten des Fraunhofer IESE aufbaut.

Die 5 häufigsten Fehler bei Predictive Maintenance im Mittelstand

Die folgenden Fehler zeigen sich in der Praxis immer wieder. Sie lassen sich vermeiden, wenn man sie vor der Umsetzung kennt.

Verwandte Begriffe

• Condition Monitoring - Die kontinuierliche Zustandserfassung als Basis für Predictive Maintenance
• OEE - Overall Equipment Effectiveness, die Kennzahl für Anlagenverfügbarkeit
• Instandhaltung - Die Gesamtheit aller Massnahmen zur Erhaltung und Wiederherstellung des funktionsfähigen Zustands
• Maschinenausfall - Der ungeplante Stillstand einer Maschine mit wirtschaftlichen Folgen
• Predictive Quality - Die Vorhersage von Qualitätsabweichungen vor der Produktion

Verwandte Inhalte

• KI in der Produktion: Was Mittelständler wirklich umsetzen können
• Smart Factory ohne Milliardenbudget: Ein pragmatischer Leitfaden
• Maschinendaten nutzen statt nur sammeln
• Produktionsplanung optimieren mit Daten
• Qualitätsmanagement digital: Vom Papier zur Echtzeit