Predictive Maintenance im Mittelstand: Ohne Millionen-Budget

32 Prozent der Industrieunternehmen in Deutschland nutzen bereits intelligente Systeme zur Maschinenüberwachung. Was aber, wenn das Unternehmen 45 Mitarbeiter hat und der Geschäftsführer selbst die Wartungsplanung koordiniert? Auch dann ist Predictive Maintenance kein fernes Ziel. Sie ist eine pragmatische Maßnahme, die mit vorhandenen Daten startet und sich in wenigen Wochen amortisiert.

Das Problem: Ausfälle, die teurer sind als Wartung

Ein ungeplanter Maschinenausfall ist im Mittelstand ein Ereignis mit Dominoeffekt. Die Maschine steht still. Der Auftrag verzögert sich. Ersatzteile werden per Express bestellt. Die Mitarbeiter müssen umgeschichtet werden. Überstunden entstehen, wenn der Auftrag trotzdem termingerecht fertig werden soll.

Die direkten Kosten einer Reparatur sind oft nur die Spitze des Eisbergs. Indirekte Kosten durch ungeplante Ausfälle im Mittelstand betragen das Drei- bis Fünffache der reinen Reparaturkosten. Bei einem Fertigungsbetrieb mit einer Jahresproduktion von vier Millionen Euro kann ein dreitägiger Stillstand schnell 25.000 bis 40.000 Euro verursachen.

Das paradoxe Element ist, dass viele dieser Ausfälle vermeidbar gewesen wären. Die Maschine hat Signale gesendet. Längere Zykluszeiten, leicht erhöhte Temperaturen, zunehmende Qualitätsschwankungen. Doch niemand hat diese Signale als Zusammenhang erkannt. Sie lagen in verschiedenen Systemen. Ohne eine verbindende Intelligenz-Schicht bleiben sie isolierte Datenpunkte.

Für den Geschäftsführer bedeutet das ein permanentes Risiko. Ein ungeplanter Ausfall stört Liefertermine, Cashflow und Personalplanung gleichzeitig.

Warum klassische Wartungsstrategien versagen

Die meisten mittelständischen Fertigungsbetriebe arbeiten mit einer zeitbasierten Wartung. Alle 6.000 Stunden wird das Hauptlager gewechselt. Alle zwölf Monate wird die Hydraulik gewartet. Diese Strategie ist einfach nachvollziehbar, ignoriert aber den tatsächlichen Zustand der Maschine.

In der Praxis führt das zu zwei Problemen. Entweder wird ein Bauteil zu früh ausgetauscht, obwohl es noch funktionsfähig war. Oder ein Bauteil versagt vor dem geplanten Termin, weil die Belastung höher war als erwartet. Dann entsteht genau der ungeplante Ausfall, den die Wartung verhindern sollte.

Die zustandsbasierte Wartung ist theoretisch überlegen. Die Umsetzung ist im Mittelstand jedoch schwierig. Professionelle Condition-Monitoring-Systeme kosten oft mehrere zehntausend Euro pro Maschine. Sie erfordern spezielle Sensoren, proprietäre Software und geschultes Personal. Für ein Unternehmen mit fünf bis zehn Anlagen ist das wirtschaftlich nicht darstellbar.

Hinzu kommt die Insellösung. Viele Condition-Monitoring-Systeme sind herstellerspezifisch und verbinden sich nicht mit dem ERP-System. Der Meister muss in ein separates System schauen. Die Produktionsplanung erfährt vom drohenden Ausfall erst, wenn der Meister es meldet. Die Daten bleiben fragmentiert.

Was Predictive Maintenance wirklich bedeutet

Predictive Maintenance wird oft mit teuren IoT-Sensoren und Echtzeit-Dashboards assoziiert. Das ist ein Mythos, der vor allem von Anbietern proprietärer Hardware gepflegt wird. Die Kernidee ist viel einfacher. Predictive Maintenance bedeutet, aus vorhandenen Daten Rückschlüsse auf die verbleibende Nutzungsdauer von Bauteilen zu ziehen. Dafür sind nicht immer neue Sensoren nötig. Oft sind die relevanten Daten bereits vorhanden.

Die meisten Maschinen in mittelständischen Betrieben sind bereits digital vernetzt. Die SPS speichert Zykluszeiten und Temperaturen. Das ERP-System erfasst Produktionsmengen und Stillstandszeiten. Die Qualitätskontrolle protokolliert Nacharbeitsraten und Ausschussquoten. Die Wartung führt ein Wartungsprotokoll, oft in Excel. Diese vier Datenquellen zusammen ergeben ein vollständiges Bild des Maschinenzustands.

Die Aufgabe der Intelligenz-Schicht ist es, diese isolierten Datenquellen zu verbinden. Als Middleware liest sie die SPS-Daten, das ERP-System und die Wartungshistorie aus. Sie baut daraus eine strukturierte Wissensbasis auf. Jeder Wartungseingriff und jede Störung wird mit den Maschinendaten verknüpft.

Auf dieser Wissensbasis arbeiten zwei Technologien parallel. Die Rules Engine überwacht klare Grenzwerte. Wenn die Temperatur einen Schwellenwert überschreitet, erfolgt ein Alert. Wenn die Zykluszeit um mehr als fünf Prozent vom Soll abweicht, wird die Maschine zur Prüfung freigegeben. Diese Regeln sind transparent und vom Fachbereich selbst konfigurierbar.

Die Muster-Erkennung greift dort, wo starre Regeln nicht ausreichen. Sie analysiert historische Zusammenhänge und identifiziert subtile Abweichungen. Vielleicht steigt die Temperatur nur leicht, während gleichzeitig die Qualität langsam abnimmt. Einzeln sind beide Signale harmlos. In Kombination deuten sie auf einen sich verschlechternden Werkzeughalter hin. Die Muster-Erkennung erkennt diesen Zusammenhang, weil sie in der Vergangenheit ähnliche Kombinationen vor Ausfällen gesehen hat.

Das Ergebnis ist ein transparentes Frühwarnsystem, das klare Alerts mit nachvollziehbaren Begründungen liefert. Der Meister sieht nicht nur, dass ein Ausfall droht. Er sieht auch, welche Daten zu dieser Einschätzung geführt haben.

Drei Signale, die jede Maschine sendet

Sie müssen nicht alle denkbaren Daten erfassen, um mit Predictive Maintenance zu starten. Drei Signaltypen sind in den meisten Betrieben bereits verfügbar.

1. Maschinenstunden und Zyklenzähler

Jede produzierende Maschine erzeugt Zähler. Wie viele Teile wurden gefertigt? Wie viele Stunden lief die Maschine im Lastbetrieb? Diese Daten liegen in der SPS oder im ERP-System vor. Sie sind der Ausgangspunkt für die Verschleißprognose.

Die Rules Engine kann hier einfache Regeln anwenden. Wenn die Laufzeit seit der letzten Wartung 90 Prozent des empfohlenen Intervalls erreicht, wird eine Vorbereitungsmeldung ausgegeben. Die Muster-Erkennung erkennt, ob die aktuelle Belastung vom historischen Durchschnitt abweicht. Eine Maschine mit schweren Teilen verschleißt schneller als eine mit leichten Serien. Die Wartung sollte sich danach richten, nicht nach dem Kalender.

2. Temperatur und Energieverbrauch

Temperatur ist eines der frühesten Indikatoren für mechanische Probleme. Ein Lager, das schlecht läuft, erzeugt Reibung. Reibung erzeugt Wärme. Diese Daten sind in fast jeder modernen SPS vorhanden.

Der entscheidende Unterschied liegt in der Trendanalyse. Ein Temperaturwert von 58 Grad ist harmlos, wenn er seit Monaten konstant bei 55 bis 60 Grad liegt. Derselbe Wert ist kritisch, wenn er in drei Wochen von 42 auf 58 Grad gestiegen ist. Die Muster-Erkennung bewertet die Veränderung im Zeitverlauf. Sie erkennt auch Zusammenhänge zwischen Temperatur und anderen Parametern.

3. Qualitätsabweichung

Die dritte Signalquelle ist oft überraschend mächtig. Die Qualitätsmessungen aus der Endkontrolle sind ein direktes Spiegelbild des Maschinenzustands. Wenn die Toleranzen langsam driften oder die Nacharbeitsrate steigt, spricht die Maschine. Sie sagt: "Ich produziere nicht mehr so gut wie früher."

Dieses Signal ist besonders wertvoll, weil es oft früher verfügbar ist als Temperaturdaten. Ein Werkzeug verschleißt nicht von heute auf morgen. Die ersten Auswirkungen zeigen sich in der Qualität. Die Integration von Qualitätsdaten in die Wissensbasis ist daher ein zentraler Schritt.

Der 5.000-Euro-Einstieg

Das Schlagwort vom 5.000-Euro-Einstieg ist eine realistische Größenordnung für einen schlanken Start. Die Investition setzt sich aus drei Posten zusammen.

Erstens: Datenanbindung. Die Middleware wird an die vorhandenen Systeme angebunden. Das ist die aufwändigste technische Leistung. Es werden keine neuen Sensoren verbaut und keine zusätzliche Hardware angeschafft.

Zweitens: Aufbau der Wissensbasis. Historische Wartungsdaten, Störungsprotokolle und Maschinenparameter werden importiert. Ziel ist ein digitales Gedächtnis, das mindestens sechs bis zwölf Monate an Historie abbildet.

Drittens: Modelltraining und Inbetriebnahme. Die Rules Engine wird mit den ersten Regeln gefüttert. Die Muster-Erkennung lernt anhand der historischen Daten. Nach vier bis sechs Wochen ist das System betriebsbereit.

Die laufenden Kosten liegen typischerweise im unteren dreistelligen Bereich pro Maschine und Monat. Die Amortisation erfolgt mit dem ersten verhinderten Ausfall. Ein dreitägiger Stillstand einer zentralen CNC-Drehmaschine kostet schnell 15.000 bis 25.000 Euro.

Praxisbeispiel: Fertigungsbetrieb mit 45 Mitarbeitern

Die Weber Metallbau GmbH ist ein Fertigungsbetrieb im Südwesten Deutschlands mit 45 Mitarbeitern und einem Jahresumsatz von sechs Millionen Euro. Das Unternehmen fertigt Präzisionsteile für Sondermaschinenbauer. Der Betrieb läuft in zwei Schichten. Fünf CNC-Bearbeitungszentren und drei konventionelle Drehbänke bilden das Produktionszentrum.

Im Herbst 2024 ereignete sich der Ausfall, der alles veränderte. Eine zentrale CNC-Drehmaschine, ein Drei-Achsen-Bearbeitungszentrum mit fünf Jahren Betriebsdauer, stand unerwartet still. Das Hauptlager im Spindelstock war verschlissen. Die Wärmeentwicklung hatte die Schmierschicht zerstört. Die Maschine lief noch, aber mit zunehmenden Vibrationen, die die Oberflächenqualität verschlechterten. Da die Qualitätskontrolle die Abweichungen dem Werkzeugverschleiß zuschrieb, wurde das Werkzeug gewechselt. Das Problem verschwand kurzzeitig, kehrte aber zurück. Drei Tage später blockierte die Spindel. Der Stillstand dauerte vier Werktage.

Die Kosten waren erheblich. Der Ersatz des Spindellagers kostete 4.200 Euro. Die Expresslieferung des Lagers belief sich auf 1.800 Euro. Die externe Montage durch den Maschinenhersteller kostete weitere 2.500 Euro. Hinzu kamen 18.000 Euro an verpassten Umsatz, weil zwei Aufträge nicht termingerecht fertiggestellt werden konnten. Ein Kunde verhängte eine Vertragsstrafe von 3.500 Euro. Die Summe belief sich auf rund 30.000 Euro. Das entspricht der Hälfte des geplanten Jahresgewinns.

Der Geschäftsführer, der selbst die Produktionsplanung und Wartungskoordination übernahm, war fest entschlossen, einen zweiten Vorfall zu verhindern. Er ließ die Maschine nicht einfach reparieren. Er suchte nach einer Lösung, die früher warnt. Nach einem Gespräch mit einem Operations-Experten und einem Maturity Check entschied er sich für das Operations-, Einkaufs- und Supply-Modul von NaveSight mit Predictive-Maintenance-Funktion.

Die Umsetzung war bewusst schlank gehalten. Zuerst wurden die SPS-Daten der drei wichtigsten CNC-Maschinen angebunden. Temperatur, Spindeldrehzahl und Zykluszeit standen nun in der Wissensbasis zur Verfügung. In Woche zwei wurden die Wartungsprotokolle der vergangenen drei Jahre importiert. Jeder Wartungseingriff, jede Störung und jedes qualitätsrelevante Ereignis wurde mit den Maschinendaten verknüpft.

In Woche drei wurde die Rules Engine konfiguriert. Klare Grenzwerte für Temperatur und Zykluszeit wurden festgelegt. In Woche vier startete die Muster-Erkennung mit dem Training auf den historischen Daten. Nach sechs Wochen ging das System in den Live-Betrieb über.

Der erste Erfolg zeigte sich bereits nach drei Monaten. Die Muster-Erkennung identifizierte bei der gleichen CNC-Drehmaschine, die im Herbst ausgefallen war, ein ähnliches Signalbild. Die Temperatur im Spindelstock stieg leicht an, während gleichzeitig die Oberflächenqualität bei einem bestimmten Maß langsam driftete. Das System ordnete die Kombination als "potenzielles Lagerproblem" ein und empfahl eine Inspektion innerhalb von zehn Tagen.

Der Meister führte die Inspektion durch und fand tatsächlich erste Anzeichen von Lagerverschleiß. Die Schmierung wurde erneuert und das Lager vorsorglich gewechselt. Die Wartung wurde in eine geplante Stillstandszeit verlegt. Die Maschine stand nicht eine Stunde länger still als geplant. Die Kosten für den vorbeugenden Tausch betrugen 800 Euro. Ein Vergleich mit dem Vorfall im Herbst zeigt die Relation. 800 Euro statt 30.000 Euro. Das ist keine theoretische Rechnung. Das ist der praktische Nutzen einer Intelligenz-Schicht, die vorhandene Daten verbindet und interpretiert.

Nach acht Monaten hat das System bei der Weber GmbH vier weitere Frühwarnungen ausgelöst. Drei davon führten zu vorbeugenden Maßnahmen, die ungeplante Stillstände verhinderten. Eine Warnung erwies sich als harmlos. Das System lernte dazu und passte seine Bewertung an. Insgesamt wurde seit Einführung kein einziger ungeplanter Ausfall mehr verzeichnet.

Häufig gestellte Fragen

Fazit

Predictive Maintenance ist kein Luxus für Großkonzerne. Es ist eine Versicherung gegen ungeplante Ausfälle, die gerade im Mittelstand existenzielle Bedeutung haben können. Die gute Nachricht ist, dass der Einstieg nicht teuer sein muss und nicht mit einer umfassenden Sensorinstallation beginnen muss. Die meisten Betriebe haben bereits alle Daten, die sie brauchen. Sie liegen nur in verschiedenen Systemen und warten darauf, verknüpft zu werden.

Die Kombination aus einer schlanken Middleware, einer transparenten Rules Engine und einer lernfähigen Muster-Erkennung schafft eine Intelligenz-Schicht, die Maschinendaten in handlungsrelevante Alerts übersetzt. Der Einstieg ist in wenigen Wochen realisierbar und amortisiert sich typischerweise mit dem ersten verhinderten Ausfall.