Ausfallprognose ohne Machine Learning: Wann Schwellwerte und Trends reichen

Ausfallprognose ohne Machine Learning: Wann Schwellwerte und Trends reichen

Eine Ausfallprognose beginnt in den meisten Industriebetrieben mit einem Grenzwert und einer Kurve. Ein Temperatursensor meldet 68 Grad, der Schwellwert liegt bei 70, die Kurve steigt seit elf Tagen gleichmäßig an. Erst wenn diese einfachen Mittel an eine Grenze stoßen, lohnt sich der Aufwand für ein lernendes Modell.

Anbieter von Machine-Learning-Plattformen werben mit Ausfallwahrscheinlichkeiten auf zwei Nachkommastellen. Für einen Maschinenpark mit zwanzig Anlagen und drei Jahren Störhistorie ist das selten der richtige Einstieg. Die Frage vor jeder Investition lautet, ob Schwellwerte und Trendanalysen das eigentliche Problem schon lösen.

Kurz beantwortet

Schwellwerte und Trendanalysen reichen, wenn die Ausfallursache bekannt ist, ein einzelner Messwert das Symptom zuverlässig zeigt und sich der Verlauf über Tage oder Wochen ankündigt. Sie stoßen an Grenzen, wenn mehrere Parameter gleichzeitig wirken oder ein Ausfall ohne erkennbaren Vorlauf eintritt. Für die meisten mechanischen Komponenten wie Lager, Pumpen und Antriebe deckt die einfache Methode einen Großteil der Fälle ab. Ein lernendes Modell lohnt sich erst, wenn genug dokumentierte Störfälle vorliegen.

Was ein Schwellwert von einer Trendanalyse unterscheidet

Ein Schwellwert ist ein fester Grenzwert. Überschreitet die Lagertemperatur 70 Grad, löst das System einen Alarm aus. Eine Trendanalyse betrachtet zusätzlich die Geschwindigkeit der Veränderung. 58 Grad sind unauffällig, wenn dieser Wert seit Monaten stabil ist. Derselbe Wert ist ein Warnsignal, wenn er innerhalb von drei Wochen von 42 auf 58 Grad gestiegen ist.

Die internationale Norm DIN ISO 17359 beschreibt genau dieses Vorgehen, von der Auswahl der Messgröße bis zur Festlegung von Alarmkriterien (DIN ISO 17359, Ausgabe 2018). Sie verlangt kein lernendes Modell. Zustandsüberwachung mit Schwellwert und Trend ist seit Jahrzehnten etablierte Praxis, keine Vorstufe zu einem Modell.

Wann eine Ausfallprognose ohne Machine Learning reicht

Vier Bedingungen sprechen für den einfachen Weg. Erstens ist die Ausfallursache bekannt oder lässt sich aus der Erfahrung der eigenen Instandhaltung herleiten, etwa Lagerschaden durch Schmierungsausfall. Zweitens zeigt ein einzelner Messwert das Symptom zuverlässig. Drittens kündigt sich der Schaden über Tage oder Wochen an, nicht in Sekunden. Viertens reicht die Menge historischer Störfälle nicht für ein Training aus. Treffen diese Punkte zu, liefert ein gut kalibrierter Schwellwert einen Großteil des Nutzens, den ein komplexeres Modell verspricht. Was Predictive Maintenance grundsätzlich leisten kann, beschreibt der Beitrag Predictive Maintenance: Was es leistet und was nicht.

Die drei Reifestufen der Zustandsüberwachung

In der Praxis entwickelt sich Zustandsüberwachung stufenweise. Auf der ersten Stufe steht die reine Schwellwertüberwachung mit einem Alarm bei Grenzwertüberschreitung. Auf der zweiten Stufe kommt die Trendanalyse hinzu, die Geschwindigkeit und Richtung einer Veränderung bewertet. Erst auf der dritten Stufe folgt die Mustererkennung, die mehrere Messgrößen gleichzeitig betrachtet und untypische Kombinationen erkennt.

Die meisten Betriebe verbessern ihre Instandhaltung messbar, bevor sie überhaupt bei der dritten Stufe ankommen. Wer diese Reihenfolge überspringt und direkt ein Modell bestellt, zahlt für Rechenzeit und Datenwissenschaft ohne Vorteil gegenüber Stufe zwei. Diese Position widerspricht dem Verkaufsargument vieler KI-Anbieter, deckt sich aber mit der Erfahrung aus Anlagenmonitoring-Projekten, in denen ein Modell meist erst nachgerüstet wird, wenn die Datenlage es hergibt.

Wann Machine Learning zusätzlichen Nutzen bringt

Eine Umfrage des VDMA von Anfang 2026 zeigt, wie viele Maschinenbauunternehmen in Deutschland heute bereits Machine Learning einsetzen: 43 Prozent produktiv, ein weiterer Teil in Planung (produktion.de, Februar 2026). Nach Angaben des Anbieters NaveSight erreichen kombinierte Ansätze aus Regelwerk und Mustererkennung in Unternehmen ohne eigene Data-Science-Abteilung nach rund einem Jahr dokumentierter Wartungshistorie eine Trefferquote von 75 bis 85 Prozent bei der Vorhersage kritischer Ereignisse (navesight.com, 2026). Diese Größenordnung zeigt eher, wie viel die Grundlagenarbeit an Datenbasis und Regeln bewirkt, als dass sie ein Argument allein für komplexere Modelle liefert.

Eine Ausfallprognose mit Machine Learning bringt echten Zusatznutzen bei Komponenten, deren Verschleiß über mehrere Parameter gleichzeitig verläuft, etwa Getriebe mit gekoppeltem Temperatur-, Vibrations- und Lastverhalten. Auch bei Anlagen mit hoher Ausfallkostenrelevanz, an denen sich Datenaufbau und Modellpflege schnell rechnen, ist der Sprung sinnvoll. Für einzelne Pumpen oder Standardmotoren mit klarem Fehlerbild bleibt der Aufwand meist unverhältnismäßig zum Zusatznutzen.

43 Prozent

So viele Maschinenbauunternehmen in Deutschland setzen KI- und Machine-Learning-Lösungen bereits produktiv ein, unter anderem für vorausschauende Wartung, ein weiterer Anteil plant den Einstieg.

VDMA-Umfrage, zitiert nach produktion.de, 02/2026

Einführung planen: Anlagen, Daten, Verantwortliche

Der Einstieg gelingt selten über den gesamten Maschinenpark auf einmal. Sinnvoll ist die Priorisierung nach Ausfallhäufigkeit und Ausfallkosten, meist die zehn bis zwanzig kritischsten Anlagen eines Standorts. Für jede dieser Anlagen braucht es eine benannte Person, die Schwellwerte festlegt und regelmäßig prüft. Ein Grenzwert, der bei Inbetriebnahme sinnvoll war, kann nach drei Jahren Betrieb zu eng oder zu weit sein, weil sich Lagerspiel und Schmierzustand verändert haben. Ohne diese Kalibrierung wächst entweder die Zahl der Fehlalarme oder ein Schaden bleibt trotz Überwachung unentdeckt. Wie sich eine Instandhaltung grundsätzlich von kalenderbasierter auf zustandsorientierte Wartung umstellt, behandelt der Beitrag „Zustandsorientierte Wartung: Vom Kalender zum Zustand“.

Schwellwertüberwachung und Machine Learning im Vergleich
Kriterium Schwellwert und Trend Machine Learning
Benötigte Historie Keine, ein Grenzwert reicht zum Start Meist zwölf Monate dokumentierte Störfälle
Ausfallursache Muss bekannt oder vermutet sein Kann aus Mustern gelernt werden
Vorlaufzeit Tage bis Wochen bei einzelnen Messgrößen Auch bei kombinierten, subtilen Signalen
Pflegeaufwand Regelmäßige Kalibrierung der Grenzwerte Modellpflege und Nachtraining
Typischer Einstieg Wenige Wochen je Anlage Mehrere Monate inklusive Datenaufbau
Wo dieser Ansatz an Grenzen stößt
Schwellwerte versagen bei Fehlerbildern, die erst aus der Kombination mehrerer Messgrößen erkennbar werden, etwa wenn Temperatur und Vibration einzeln unauffällig bleiben, gemeinsam aber ein Muster ergeben. Bei neuen Anlagentypen ohne Erfahrungswerte fehlt der Referenzwert, an dem sich ein sinnvoller Grenzwert überhaupt festlegen lässt. Wie zuverlässig ein trainiertes Modell in der eigenen Anlage wird, lässt sich vor der Einführung kaum vorhersagen, dazu fehlen selbst in der Forschung breit belastbare Langzeitwerte.

Anlagen priorisieren, bevor über Modelle entschieden wird
Wer zuerst die kritischsten Maschinen und die vorhandene Datenlage kennt, wählt zwischen Schwellwert und Machine Learning aus Wissen statt aus Werbeversprechen.

Kontakt aufnehmen

Häufige Fragen

Ab wann lohnt sich Machine Learning für die Wartung?

Eine Ausfallprognose mit Machine Learning lohnt sich, sobald genug dokumentierte Störfälle vorliegen, meist zwölf bis vierundzwanzig Monate Historie, und Schwellwerte allein zu viele Fehlalarme oder zu wenig Vorlaufzeit liefern. Bei Anlagen mit mehreren zusammenwirkenden Verschleißmechanismen, etwa Getrieben mit gekoppeltem Temperatur- und Vibrationsverhalten, erkennt ein trainiertes Modell Muster, die ein einzelner Grenzwert nicht abbildet. Für klar abgegrenzte Fehlerbilder bleibt die einfache Methode meist die wirtschaftlichere Wahl.

Welche Sensoren braucht eine einfache Zustandsüberwachung?

Für die meisten mechanischen Komponenten genügen ein bis zwei Messgrößen, etwa Temperatur und Schwingung bei Lagern und Motoren, ergänzt um Betriebsstunden und Zyklenzahl. Viele Maschinen liefern diese Werte bereits über die vorhandene Steuerung, sodass zusätzliche Sensorik oft entfällt. Wichtiger als die Anzahl der Messpunkte ist die Frage, welcher Wert den drohenden Schaden tatsächlich ankündigt. Diese Zuordnung klärt in der Regel die Instandhaltung gemeinsam mit dem Maschinenhersteller.

Wie oft müssen Schwellwerte angepasst werden?

Ein bei Inbetriebnahme sinnvoller Grenzwert veraltet mit der Zeit, weil sich Lagerspiel, Schmierzustand und Betriebsbedingungen verändern, etwa durch einen Schmierstoffwechsel oder eine höhere Auslastung der Anlage. Betriebe mit funktionierender Zustandsüberwachung prüfen ihre Schwellwerte mindestens einmal jährlich gegen tatsächliche Schadensfälle und nach jedem ungeplanten Stillstand. Bleibt diese Kalibrierung aus, wächst entweder die Zahl der Fehlalarme, oder ein Schaden entsteht, ohne dass vorher ein Alarm ausgelöst wurde.

torck baut Anlagenmonitoring so auf, dass die erste Ausfallprognose nicht von der Verfügbarkeit eines Machine-Learning-Teams abhängt. Jouvoli erfasst Maschinendaten und macht Schwellwerte und Trends für die Instandhaltung sichtbar, das liefert die Datenbasis, auf der sich später auch ein lernendes Modell rechnet. Für Betriebe mit heterogenem Maschinenpark und begrenzter eigener Data-Science-Kapazität ist dieser stufenweise Aufbau der wirtschaftlichere Weg als eine sofortige KI-Bestellung. Mehr zum Einstieg beschreibt die Seite Anlagenmonitoring.

Gespräch vereinbaren

Frage zu diesem Beitrag?

Zwei Sätze zu Ihrer Situation genügen. Es antwortet jemand, der solche Systeme selbst baut.

Antwort innerhalb eines Werktags.torck · Code mit Drehmoment
Florian Blischke
Geschäftsführer torck · über 20 Jahre Softwareentwicklung
Florian Blischke ist Geschäftsführer von torck mit Sitz in Maxhütte-Haidhof bei Regensburg. Er ist seit über 20 Jahren in der Softwareentwicklung tätig. Seine Schwerpunkte sind individuelle Software, Daten und KI für Industrie und Handel, von der Anbindung physischer Prozesse über IoT bis zu Cloud-Architektur und daten- sowie KI-gestützten Systemen. torck arbeitet mit einem eigenen Nearshore-Team in Rabat. Bei torck begleitet er unter anderem die Energieplattform Jouvoli und das Fleet-Management-Produkt KVM Fleet. torck entwickelt an den Standorten Maxhütte-Haidhof, Wien und Rabat und legt Wert auf Software, die im Betrieb tatsächlich funktioniert.

Steht bei Ihnen dieselbe Frage an?

Wir bauen seit 2017 Software für Industrie und Handel, von Maxhütte-Haidhof bei Regensburg aus, mit Teams in Wien und Rabat. Ein Erstgespräch dauert 30 Minuten und kostet nichts. Danach wissen Sie, ob sich das Vorhaben lohnt, auch wenn die Antwort nein lautet.

Weitere Beiträge

Maschinenverordnung Cybersecurity: Was Maschinenbauer bis zum 20. Januar 2027 bei der Steuerungssoftware, beim Update-Prozess und beim Eingriffsprotokoll umsetzen müssen

Maschinenverordnung Cybersecurity: Was Maschinenbauer bis zum 20. Januar 2027 bei der Steuerungssoftware, beim Update-Prozess und beim Eingriffsprotokoll umsetzen müssen

Ab dem 20. Januar 2027 müssen neue Maschinen nach Anhang III der Maschinenverordnung gegen Korrumpierung geschützt sein. Behörden müssen bis zu fünf Jahre auf ein Protokoll zugreifen können, das Eingriffe und Versionen der Sicherheitssoftware dokumentiert. Eine Modellrechnung zeigt den Aufwand für Steuerung, HMI und Fernwartung. Vier Wege kommen bis zum Stichtag infrage.

Weiterlesen »
SAP ECC Ablösung: Wann sich ein anderes ERP lohnt, wann Wartung bis 2030 hilft und wann der Umbau der Satellitensysteme genügt

SAP ECC Ablösung: Wann sich ein anderes ERP lohnt, wann Wartung bis 2030 hilft und wann der Umbau der Satellitensysteme genügt

Für einen Aufschlag von 2 Prozentpunkten verlängert SAP die Wartung für SAP ECC bis Ende 2030. Die Verlängerung gilt für alle Systeme im Vertrag gemeinsam. Der Zusatzvertrag muss vor Jahresende 2027 unterschrieben sein. Der Beitrag vergleicht Aufwand, Kosten und Risiken für vier Optionen: auf S/4HANA umsteigen, ein anderes ERP einführen, die Wartung verlängern oder Satellitensysteme herauslösen.

Weiterlesen »
KI-Förderung in Österreich: Programme und Fristen 2026

KI-Förderung in Österreich: Programme und Fristen 2026

Für KI-Vorhaben in Österreich laufen Ende 2026 zwei befristete Programme: Industrial AI Upper Austria für oberösterreichische Konsortien bis 10. Dezember und die Wiener Förderung Digitalisierung bis 31. Dezember. Das themenoffene FFG-Basisprogramm nimmt jederzeit Anträge an. Das Budget von KMU.DIGITAL ist ausgeschöpft. Der Überblick zeigt, welches Förderprogramm zum jeweiligen Projekt passt.

Weiterlesen »