Von der Wartung zur Analyse – was ist Predictive Maintenance?

Von der Wartung zur Analyse: Predictive Maintenance schafft planbare Verfügbarkeit, weniger Stillstände und bessere Ressourcennutzung – datenbasiert statt kalendergetrieben. ⚙️📈

Was ist Predictive Maintenance?

Predictive Maintenance (vorausschauende Instandhaltung) nutzt Zustandsdaten von Anlagen, um Ausfallwahrscheinlichkeiten und die verbleibende Restnutzungsdauer (Remaining Useful Life, RUL) zu prognostizieren. Im Unterschied zu:

• Reaktiver Wartung (erst handeln, wenn etwas bricht) und
• Zeit- oder Zyklen-basierter präventiver Wartung (fixe Intervalle), arbeitet Predictive Maintenance zustands- und risikobasiert: Sensorik, Prozessdaten und Historie ergeben ein laufendes Bild des Anlagenzustands und der nächsten sinnvollen Instandhaltungsmaßnahme. Ziel sind planbare Eingriffe mit ausreichender Vorwarnzeit, minimalen Opportunitätskosten und maximaler Verfügbarkeit.

Use-Case: Kreiselpumpen in einer Produktionslinie

Ausfalltreiber: Lager- und Dichtungsschäden, Kavitation, Fehlausrichtung. Datengrundlage:

• Schwingungen gemäß ISO 20816 (Messpunkte radial/axial, breitbandig und spektral)
• Motorstromsignatur und Leistungsaufnahme
• Temperatur (Lager, Medium), Druckpulsationen, Durchfluss
• Instandhaltungs- und Ersatzteilhistorie aus dem Instandhaltungssystem (Computerized Maintenance Management System, CMMS)
• Betriebsbedingungen (Last, Start/Stopp-Zyklen, Mediumseigenschaften)

Typischer Nutzenhebel:

• Früherkennung von Lagerdefekten (Hüllkurvenanalyse, Kurtosis)
• Kavitationserkennung (charakteristische Frequenzbänder + Druckfluktuationen)
• Erkennung von Fehlausrichtung/Unwucht (1×, 2×, 3× Drehfrequenz im Spektrum)

Metriken und Methodik

Ziel ist Messbarkeit – technisch und wirtschaftlich.

• Technische Zustandsmetriken
• Schwinggeschwindigkeit RMS und Spitzenfaktor; Hüllkurvenamplitude; spektrale Peaks bei Lagerfrequenzen
• Temperaturanstieg-Gradient, Druck- und Durchflussstabilität
• Ölzustand/Partikelzahl nach ISO 4406 (wenn relevant)
• Modellgüte und Vorhersagequalität
• Vorwarnzeit (Lead Time) bis zum Ereignis
• Trefferquote (Recall) und Präzision (Precision) bei Alarmen; Verhältnis von Fehlalarmen zu bestätigten Fällen
• Prognosefehler der Restnutzungsdauer (z.B. mittlerer absoluter Fehler)
• Geschäftsmetriken
• Verfügbarkeitssteigerung und Beitrag zur Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE)
• Reduktion ungeplanter Stillstandsstunden und Eilaufträge
• Teile- und Fremdleistungskosten je Anlage und je Tonne/Los
• Termintreue und Durchlaufzeitwirkung

Methodisch bewährt (praxisnah und skalierbar):

1. Kritikalitäts- und Risikoanalyse je Aggregat (Sicherheit, Umwelt, Kosten, Liefertermin).
2. Sensorik-Design nach Normempfehlungen (z.B. ISO 20816 Messpunkte, Abtastraten, Montage).
3. Datenarchitektur nach ISO 13374 (Datenerfassung, Vorverarbeitung, Feature-Generierung, Zustandsbewertung, Diagnose/Prognose).
4. Modelle passend zur Datenlage: von Schwellenwertlogik und Trendanalytik bis zu hybriden Verfahren (physikalische Merkmale + maschinelles Lernen).
5. Validierung im Zeitverlauf mit Blindperioden, definierte Entscheidungsregeln (Wann Auftrag im CMMS? Welche Vorwarnzeit?).
6. Visuelle Diagnose: Trendkurven, Spektren, Heatmaps, Asset-Hierarchien.
7. Integration in Prozesse: Arbeitsaufträge, Ersatzteillogistik, Rückmeldung zur Modellverbesserung. 🔄

Konkretes Beispiel mit Zahlen

Ausgangslage:

• 60 Pumpen, 12 ungeplante Stillstände pro Jahr
• Dauer je Stillstand: 8 Stunden
• Stillstandskosten: 3.000 € pro Stunde

Baseline-Kosten ungeplanter Stillstand: 12 × 8 × 3.000 € = 288.000 € pro Jahr

Pilot „Predictive Maintenance“:

• Sensorik + Anbindung: 60.000 € einmalig
• Plattform + Betrieb: 10.000 € pro Jahr
• Nach 9 Monaten: 50 % weniger ungeplante Stillstände, 20 % mehr planbare Fenster (Kombinieren von Maßnahmen)

Einsparung: 144.000 € pro Jahr gegenüber Baseline Return on Investment im ersten Jahr (vereinfachter Cashflow): 144.000 € − 60.000 € − 10.000 € = 74.000 € Ab Jahr 2 (ohne Erstinvest): 134.000 € p. a. positiver Effekt, zusätzlich Qualitäts- und Terminsicherheit.

Interpretation:

• Die Reduktion ungeplanter Fälle ist der Haupttreiber. Wichtig ist die ausreichende Vorwarnzeit (z.B. Median 10–14 Tage) und eine niedrige Fehlalarmrate, damit Kapazitäten nicht unnötig gebunden werden.
• Bei zu kurzen Vorwarnzeiten (< 48 h) kippt der Vorteil, weil Ersatzteile/Personal nicht verfügbar sind.
• Normgerechte Messpunkte und stabile Betriebsfenster sind entscheidend für robuste Merkmale.

Typische Fallstricke und wie man sie vermeidet

• Fehlende Ground-Truth: Ohne saubere Rückmeldungen aus dem Instandhaltungssystem (Befund, Ursache, Maßnahme) lernen Modelle falsch. Lösung: Pflichtfelder und klare Codierung.
• Daten-Drift: Änderungen an Anlagen, Sensoren oder Prozessen verschieben Signaturen. Lösung: Versionsmanagement, Re-Training, Monitoring von Verteilungsänderungen.
• Zu komplex starten: Black-Box-Modelle ohne erklärbare Merkmale erschweren Akzeptanz. Lösung: Start mit nachvollziehbaren Features, dann graduell erweitern.
• Insel-Lösungen: Keine Integration in Arbeitsaufträge und Ersatzteilprozesse. Lösung: Ereignis- und Schwellenlogik direkt mit dem Instandhaltungssystem (CMMS) verbinden.
• Cybersecurity vernachlässigt: Sensorik und Gateways sind OT-Systeme. Lösung: Netzwerksegmentierung und Zugriffskontrolle entlang IEC 62443.

Handlungsempfehlung für den Einstieg

1. Use-Case priorisieren: Kritikalität, Ausfallhistorie, Ersatzteil- und Stillstandskosten transparent machen.
2. Messkonzept festlegen: Normgerechte Sensorik, Messpunkte, Sampling und Kalibrierung; Datenqualität vor Modellkomplexität.
3. Metriken vorab definieren: Trefferquote, Fehlalarme, Vorwarnzeit, vermiedene Stillstandsstunden und Euro-Nutzen.
4. Pilot mit klaren Spielregeln: 3–6 Monate, definierte Anlagen, feste Review-Termine mit Technik, Produktion und Instandhaltung.
5. Visualisieren für Entscheidungen: Zustandsindex, Trend, Spektrum, prognostizierte Restnutzungsdauer; wenige, klare Dashboards.
6. Prozessintegration: Automatischer Arbeitsauftrag bei Schwellwerten, Ersatzteilreservierung, Kapazitätsplanung; Lessons Learned zurück ins Modell.
7. Skalieren und standardisieren: Asset-Typen-Bibliothek, wiederverwendbare Features, Governance für Daten und Modelle.

Kurz: Was gehört in ein gutes PdM-Dashboard?

• Asset-Hierarchie mit Ampellogik
• Trend + Spektrum je Aggregat mit Normbezug (z.B. Grenzbereiche gemäß ISO 20816)
• Prognostizierte Restnutzungsdauer mit Konfidenzband
• Ticket-Status aus dem Instandhaltungssystem und dokumentierte Maßnahmen

Klarer nächster Schritt: Starten Sie mit einem fokussierten Pilot für 1–2 kritische Aggregat-Typen. Wir moderieren die Zieldefinition, das Messkonzept und die Metrikvereinbarung, implementieren ein belastbares Datenfundament und schaffen sichtbaren Nutzen innerhalb eines Quartals. Kontaktieren Sie uns für einen praxisnahen Workshop – Ihre Fragen sind ausdrücklich willkommen. 🔍

Quellen

• ISO 17359:2018 – Condition monitoring and diagnostics of machines — General guidelines (iso.org)
• ISO 20816-1:2016 – Mechanical vibration — Measurement and evaluation of machine vibration — Part 1: General guidelines (iso.org)
• ISO 13374-1:2015 – Condition monitoring and diagnostics of machines — Data processing, communication and presentation — Part 1: General guidelines (iso.org)
• Deloitte (2021) – Predictive maintenance and the smart factory (deloitte.com)