Predictive Maintenance: warten nach Prognose statt nach Kalender
Predictive Maintenance, auf Deutsch vorausschauende Wartung oder vorausschauende Instandhaltung, sagt aus Maschinendaten voraus, wann ein Bauteil ausfallen wird. Du wartest dann, wenn es nötig ist: nicht zu früh wie bei festen Intervallen und nicht zu spät wie nach einem Ausfall.
Der Unterschied zu Condition Monitoring: Condition Monitoring erfasst den aktuellen Zustand und meldet Grenzwertverletzungen. Predictive Maintenance baut darauf auf und leitet aus dem Verlauf ab, wann du eingreifen musst. So planst du Techniker, Ersatzteile und Stillstandsfenster im Voraus.
Auf dieser Seite findest du über 60 Projekte aus dem IoT Use Case Netzwerk. Hier eine Auswahl mit Technik und Ergebnis.
Predictive Maintenance Beispiele aus der Praxis
Pumpen: 70 % weniger Stillstand
CURRENTA hat die Pumpen im Flusswasserwerk Krefeld-Uerdingen im CHEMPARK früher in festen Intervallen gewartet, Schäden kamen trotzdem überraschend. Heute funken batteriebetriebene, ATEX-zertifizierte Sensoren an drei Pumpen Vibration und Temperatur per LoRaWAN in die Cloud, ohne Verkabelung. Unwuchten oder Lagerspiel erkennt das System per FFT-Analyse frühzeitig. Das Ergebnis: 70 % weniger Stillstand und 30 % längere Lebensdauer.
Pumpen mit wechselnder Drehzahl lassen sich mit festen Grenzwerten kaum überwachen. Bei der KI-gestützten Pumpenüberwachung von ifm lernt die Software den Normalzustand aus Durchfluss, Drehzahl, Druck und Schwingung und setzt daraus dynamische Grenzwerte je Betriebszustand. Bei Abweichungen geht automatisch eine Meldung an die Instandhaltung in SAP, ohne Eingriff in die SPS.
Filter: Reinigung zum richtigen Zeitpunkt
WAGO hat die Filter seiner Materialverteilungsanlage früher in festen Intervallen gereinigt. Heute messen Sensoren den Druck vor und hinter dem Filter, eine Prognose zeigt, wann die Förderleistung zu stark sinkt, und das System legt den Wartungsauftrag automatisch in SAP an. Dank Machine Learning sinkt zusätzlich der Zeitaufwand für die Fehlersuche um mehr als die Hälfte (prädiktive Filterüberwachung bei WAGO). Mehr unter Filterüberwachung.
Windenergie: gezielte Einsätze statt Kontrollfahrten
ZF vernetzt als Hersteller von Windturbinengetrieben seine Getriebe gemeinsam mit doubleSlash mit einer Cloud-Plattform auf Microsoft Azure. Aus den Daten entstehen Vorhersagen zum Getriebeverhalten, im Schadensfall ist vorab bekannt, welches Teil getauscht werden muss (Predictive Maintenance für Windanlagen).
Materna hat mit dem Umrichterhersteller Woodward Kempen Frequenzumrichter von Windkraftanlagen an die IoT-Plattform von AWS angebunden, auf See per Kabel oder Satellit. Eine lernfähige Anwendung erkennt Fehlermuster, etwa ungewöhnliche Schwankungen in der Stromerzeugung als Zeichen für ein Generatorproblem. Techniker fahren gezielt mit dem passenden Werkzeug hinaus, unnötige Fahrten entfallen (vorausschauende Wartung für Offshore-Windanlagen).
Produktion: weniger Wartungskosten, höhere OEE
Beim türkischen Automobilhersteller Tofaş haben Anwendungen zur vorausschauenden Wartung auf Basis von PTC ThingWorx die Wartungskosten um 15 % gesenkt, zusammen mit Fehlervorhersage und Prozessoptimierung stieg die OEE um 12 % (Effizienzsteigerung bei Tofaş).
An 2D-Laserschneidemaschinen im Drei-Schicht-Betrieb hat Codestryke eine Sensorbox von Arrow nachgerüstet, die Vibration, Magnetfeld, Akustik und Temperatur misst. Nach einer Störung zeigt die Auswertung sofort, welches Lager beschädigt ist (zustandsorientierte Instandhaltung als Retrofit).
An der Zugwaschanlage der luxemburgischen Bahn CFL messen Sensoren die Kräfte auf den Energieketten von igus. Die Software i.Cee wertet zusätzlich Temperatur, Verfahrgeschwindigkeit und zurückgelegten Weg aus und passt Lebensdauer und Servicezeitpunkt an die tatsächliche Nutzung an. Unvorhergesehene Ausfälle gehören damit der Vergangenheit an (vorausschauende Wartung von Zugwaschanlagen). Mehr unter Zug- und Schubkraftüberwachung.
Service: Maschinen beim Kunden im Blick
SPALECK überwacht seine Siebmaschinen beim Kunden über die IXON Cloud und die KI-Software Dataray AI von aiXbrain. Eine teilüberwachte Drift-Erkennung läuft auf den Echtzeitdaten mit und alarmiert den Service per E-Mail. Falsch erkannte Bereiche markieren die Techniker im Dashboard, so lernt das Modell weiter. SPALECK hat damit sein Ersatzteilmanagement optimiert (KI-Drift-Erkennung für Förder- und Separiertechnik).
Novoferm erkennt gemeinsam mit Smartsquare anhand der Stromverläufe seiner Torantriebe frühzeitig Verschleiß an Kugellagern oder Riemen (cloudbasierte Wartung für Toranlagen).
Ultraschall findet, was die Sichtprüfung übersieht
Auf einer Bohrplattform in der Nordsee meldete ein Multisensor von Asystom nach wenigen Tagen Anlernzeit eine Anomalie im Ultraschallsignal am Topdrive. Die Sichtprüfung ergab nichts, beim nächsten geplanten Bohrstopp fanden die Techniker gebrochene Tellerfedern und reparierten ohne zusätzlichen Stillstand (rotierende Maschinen vorausschauend warten). Mehr dazu unter Akustiküberwachung.
Welche Daten und Sensoren du für Predictive Maintenance brauchst
Die Messgröße richtet sich danach, wie ein Bauteil versagt:
- Vibration und Schwingung für Lager, Unwuchten und Ausrichtung rotierender Maschinen (Vibrations- und Schwingungsüberwachung)
- Temperatur für Motoren, Lager und Leistungselektronik (Temperaturmessung)
- Druck und Differenzdruck für Filter, Pumpen und Druckluftnetze (Leckage-Erkennung)
- Stromaufnahme für Antriebe, wie bei den Torantrieben von Novoferm
- Ultraschall und Akustik für Reibung und beginnende Schäden
- Kräfte für Energieketten, Leitungen und bewegte Achsen
Aurubis hat für seine Kupferproduktion gemeinsam mit azeti aus insgesamt 1.500 Prozessparametern die wirklich kritischen ausgewählt und einige Bestandsmaschinen zusätzlich mit Sensoren nachgerüstet (kritische Anlagenparameter in der Kupferproduktion). Die Auswahl entscheidet, nicht die Menge.
Vom Grenzwert zum KI-Modell: so entsteht die Vorhersage
Die Auswertung wächst meist in drei Stufen:
- Feste Grenzwerte sind schnell eingerichtet, kennen aber keine Betriebszustände.
- Anomalieerkennung lernt den Normalzustand und meldet Abweichungen, wie bei ifm oder bei der Drift-Erkennung von SPALECK.
- Prognosemodelle errechnen aus dem Verlauf, wann ein kritischer Wert erreicht wird, wie bei WAGO und igus.
Für Prognosen brauchst du Historie. Die Mikroskope von ZEISS Microscopy laufen so zuverlässig, dass kaum Ausfälle als Trainingsdaten vorlagen. Gemeinsam mit doubleSlash entstand deshalb zuerst eine einheitliche Datenbasis, der erste Gerätetyp war nach ein bis zwei Monaten vernetzt, Predictive Maintenance folgte schrittweise. Heute bündelt der Service Wartungstermine gezielt (planbare Wartung für Mikroskope).
Predictive Maintenance einführen: Schritt für Schritt
1. Mit der teuersten Ausfallursache beginnen. Pumpen, Lüfter, Antriebe und Filter sind typische Einstiege, weil sich ihr Verschleiß gut messen lässt.
2. Vorhandene Daten nutzen, fehlende nachrüsten. Steuerungsdaten kommen über OPC UA, Profinet oder Modbus, zusätzliche Sensoren werden per Retrofit angebracht, oft batteriebetrieben und ohne Kabel.
3. Konnektivität passend zum Standort wählen. Im Werk das Netzwerk, auf größeren Flächen LoRaWAN, bei verteilten Anlagen Mobilfunk oder Satellit.
4. Normalzustand aufzeichnen und Historie aufbauen. Für eine erste Anomalieerkennung reichen oft wenige Tage, für belastbare Prognosen brauchst du eher Monate.
5. Vorhersage mit einem Ablauf verknüpfen. Den Nutzen bringt erst der automatische Auftrag im ERP, die Ersatzteilbestellung oder der eingeplante Technikereinsatz.
6. Ausrollen, wenn sich der Pilot rechnet. Wie All for One beschreibt, lohnen sich schon die Zwischenstufen: Transparenz in Echtzeit, kürzere Reaktionszeiten und eine Ersatzteilplanung auf Basis echter Verschleißdaten.
Woran du einen passenden Partner erkennst
- Er hat ein vergleichbares Projekt an deinem Maschinentyp umgesetzt und kann Ergebnisse nennen.
- Er bindet deine Bestandsanlagen per Retrofit an, auf Wunsch ohne Eingriff in die Steuerung.
- Er zeigt, wie Warnungen in deine Instandhaltung gelangen, etwa als Auftrag in SAP.
- Er setzt auf offene Schnittstellen wie MQTT oder OPC UA, damit du flexibel bleibst.
Jedes Projekt auf dieser Seite nennt Anwender, Umsetzungspartner und Technik. Beschreibst du dein Vorhaben kurz über das Kontaktformular, bringen wir dich mit Anbietern zusammen, die Predictive Maintenance in einem vergleichbaren Umfeld schon umgesetzt haben.
Häufige Fragen zu Predictive Maintenance
Was ist der Unterschied zwischen Predictive Maintenance und Condition Monitoring?
Condition Monitoring erfasst den aktuellen Zustand einer Maschine und meldet, wenn ein Grenzwert überschritten wird. Predictive Maintenance nutzt diese Daten weiter und sagt voraus, wann ein Bauteil voraussichtlich ausfällt, damit du die Wartung im Voraus planst. An der Zugwaschanlage der CFL arbeiten beide zusammen: Kraftsensoren schalten bei einem Vorfall sofort ab, die Software berechnet den nächsten Servicezeitpunkt.
Welche IIoT-Geräte eignen sich für Predictive Maintenance?
Bewährt haben sich nachrüstbare Sensoren für Vibration, Temperatur, Druck und Ultraschall, dazu ein Edge-Gateway, das die Daten vorverarbeitet und weiterleitet. Für verteilte oder schwer zugängliche Anlagen eignen sich batteriebetriebene Funksensoren mit LoRaWAN, wie an den Pumpen von CURRENTA. Steuerungsdaten liest ein Gateway über OPC UA, Profinet oder Modbus aus. Entscheidend ist, dass die Messgröße zum Ausfallmechanismus passt.
Welche IoT-Plattformen werden für Predictive Maintenance eingesetzt?
In den Projekten auf dieser Seite laufen unter anderem Microsoft Azure (ZF), AWS (Woodward Kempen), PTC ThingWorx (Tofaş), die IXON Cloud mit KI-App (SPALECK), ifm moneo und die azeti IoT-Plattform (Aurubis). Wichtiger als der Name: Die Plattform versteht deine Protokolle, bindet Modelle für Anomalieerkennung oder Prognose ein und gibt Warnungen an dein ERP- oder Instandhaltungssystem weiter.
Welche Systeme unterstützen die Fernüberwachung von Anlagen?
Fast alle Lösungen für vorausschauende Wartung bringen Fernüberwachung mit: Dashboards im Browser, Alarme per E-Mail oder Messenger und Fernzugriff für den Service. Bei verteilten Anlagen kommen die Daten per Mobilfunk, LoRaWAN oder Satellit, etwa von Offshore-Windkraftanlagen. Hersteller wie SPALECK oder Novoferm überwachen so ihre Maschinen direkt beim Kunden und planen die Wartung rechtzeitig.
Wie führe ich Predictive Maintenance ein?
Starte mit einer kritischen Anlage, deren Ausfall teuer ist, und einer Messgröße, die ihren Verschleiß zeigt. Rüste Sensoren nach, zeichne den Normalzustand auf und verknüpfe Warnungen mit einem festen Ablauf in der Instandhaltung. Transparenz und Anomalieerkennung bringen schon früh Nutzen, Ausfallprognosen mit automatischem Auftrag im ERP folgen, sobald genug Historie vorliegt.
Lohnt sich Predictive Maintenance auch für Fuhrpark und mobile Maschinen?
Ja. Rail Cargo Austria wartet seine Güterwagen auf Basis von Telematikdaten nutzungsabhängig und vorausschauend, obwohl die Wagen keine eigene Stromversorgung haben. Energieautarke Geräte von A1 Digital senden Position, Stöße, Geschwindigkeit und Temperatur per Mobilfunk an eine IoT-Plattform. Das Prinzip ist dasselbe wie im Werk: Nutzungsdaten erfassen und die Wartung nach tatsächlicher Beanspruchung planen statt nach festen Intervallen.
