Predictive Maintenance: Was es leistet und was nicht

Ein Aufzugmotor beginnt zwei Wochen vor dem Ausfall messbar anders zu schwingen. Ein Kompressor zieht mehr Strom als üblich, drei Tage bevor das Lager fest sitzt. Predictive Maintenance nutzt solche Vorzeichen, um Wartungstermine am tatsächlichen Zustand einer Maschine auszurichten, statt an festen Kalenderintervallen.

Warum das Thema auf jeder Instandhaltungsagenda steht

Eine Studie von Fluke mit Censuswide beziffert den jährlichen Schaden deutscher Hersteller durch Ausfälle auf rund 44 Milliarden Euro (Fluke und Censuswide via industr.com, 11/2025). Sensoren messen Schwingung, Temperatur, Strom oder Schall, ein Modell vergleicht die Werte mit dem Normalzustand und meldet eine Abweichung, bevor die Maschine steht. Die Quellenlage steht im Bericht von b-und-i.de.

Was Predictive Maintenance leistet

Diese Spannen erklären sich aus dem Ausgangszustand (KI-Syndikat, 2023). Ein Betrieb, der bisher rein reaktiv gewartet hat, gewinnt mehr als einer mit etablierter vorbeugender Wartung.

Der Hebel liegt in der Vorwarnzeit. Wer weiß, dass ein Lager in drei Wochen ausfällt, plant den Tausch in ein ohnehin geplantes Wartungsfenster. Das spart die Reparatur im Störfall, Eilzuschläge für Ersatzteile und oft auch Folgeschäden an angrenzenden Bauteilen. Instandhalter berichten häufig, dass die Zahl der nächtlichen Notrufe deutlich sinkt, sobald die kritischsten Aggregate überwacht sind. Planbarkeit ist am Ende der eigentliche Gewinn, nicht die Sensorik selbst.

Wofür sich Predictive Maintenance nicht rechnet

Predictive Maintenance ist kein Standardwerkzeug für jede Maschine. Nach einer Auswertung von Evarlink lohnt sich der Aufwand erst ab Ausfallkosten von etwa 20.000 Euro pro Ereignis oder 2.000 Euro pro Stunde Stillstand (Evarlink, 2026). Unterhalb dieser Schwelle übersteigen Sensorik, Modellbildung und laufender Betrieb häufig den Nutzen. Eine einfache Ventilator-Anlage im Nebengebäude braucht kein Vorhersagemodell.

Auch technisch gibt es Grenzen. Ein Modell braucht 12 bis 18 Monate Sensordaten und dokumentierte Ausfälle, um zuverlässige Vorhersagen zu treffen (Industrieanzeiger, 2026). Maschinen, die selten ausfallen, oder deren Fehler sich nicht in Schwingung, Temperatur oder Stromaufnahme zeigen, liefern kein Muster, das ein Modell lernen kann. Software-Fehler, Bedienfehler oder Qualitätsschwankungen im Rohmaterial fallen aus diesem Raster heraus.

Was ein Pilotprojekt braucht

Ein Pilot mit einem Maschinentyp kostet im ersten Jahr üblicherweise zwischen 80.000 und 150.000 Euro, die Amortisation liegt meist unter 18 Monaten (KI-Syndikat und Groenewold, 2026). Darin enthalten sind Sensorik, Anbindung, Modellbildung und die Betreuung in den ersten Monaten, in denen das System noch lernt. Wer diesen Schritt plant, sollte vorher klären, welche Anlage die Produktion am stärksten gefährdet und ob genug historische Daten zu vergangenen Ausfällen vorliegen. Fehlen diese Daten, beginnt das Projekt realistisch erst mit der Sammelphase, nicht mit dem Modell.

Wie wir im Beitrag zur Einführung von Anlagenmonitoring beschreiben, entscheidet die Datenlage oft mehr über den Projekterfolg als die gewählte Software. Genau hier setzt auch unser Anlagenmonitoring an, weil es die Sensordaten sammelt, die ein Vorhersagemodell überhaupt erst braucht.

Wie ein Einstieg realistisch aussieht

1. Bestandsaufnahme. Welche Maschine ist in den letzten zwei Jahren am häufigsten ausgefallen, welche Ausfälle waren am teuersten, und liegen dazu überhaupt Aufzeichnungen vor? In vielen Betrieben existieren diese Daten nur im Kopf oder in Papierform, verteilt auf mehrere Schichten.
2. Sensorauswahl. Abgestimmt auf das erwartete Fehlerbild der Maschine, nicht auf einen Standardkatalog. Ein Getriebemotor zeigt seine Probleme meist in der Schwingung, eine Heizung eher in der Temperaturkurve, ein Frequenzumrichter in der Stromaufnahme. Wer pauschal alle verfügbaren Sensoren verbaut, sammelt viele Daten und wenig Erkenntnis.
3. Betriebsphase. Das Modell lernt, Fehlalarme werden reduziert. Diese Phase dauert erfahrungsgemäß mehrere Monate und braucht jemanden im Betrieb, der die Meldungen prüft und mit der Realität abgleicht. Ohne diese Rückmeldung bleibt das System stumpf, egal wie gut die Sensorik ist.

Häufige Fragen

Was kostet der Einstieg in Predictive Maintenance?

Ein Pilotprojekt mit einem Maschinentyp bewegt sich im ersten Jahr zwischen 80.000 und 150.000 Euro, abhängig von der Zahl der Sensoren und der Komplexität der Anbindung. Viele Betriebe amortisieren diese Investition innerhalb von 18 Monaten (KI-Syndikat und Groenewold, 2026).

Welche Sensoren braucht Predictive Maintenance?

Am häufigsten kommen Vibrationssensoren für rotierende Bauteile, Temperaturfühler, Stromsensoren und Ultraschallmikrofone zum Einsatz. Welche Kombination sinnvoll ist, hängt vom typischen Fehlerbild der jeweiligen Maschine ab. Ein Getriebe zeigt andere Vorzeichen als eine Pumpe.

Funktioniert Predictive Maintenance auch mit Altanlagen?

Ja, über Retrofit-Sensorik lassen sich auch ältere Maschinen ohne eigene Sensorik nachrüsten. Voraussetzung ist, dass sich drohende Ausfälle überhaupt in messbaren Größen wie Schwingung oder Temperatur ankündigen. Bei rein elektronischen oder softwarebedingten Fehlern versagt der Ansatz, egal wie viele Sensoren verbaut sind. Wie ein Retrofit abläuft, steht im Beitrag zu Retrofit statt Neukauf.

Der nächste Schritt

torck entwickelt sein Anlagenmonitoring selbst, mit eigenen Teams in Maxhütte-Haidhof, Wien und Rabat, und kennt aus eigenen Projekten in Industrie und Handel, welche Sensordaten ein Vorhersagemodell tatsächlich braucht. Ob sich Predictive Maintenance für Ihre Anlagen rechnet, lässt sich am besten in einem Erstgespräch klären. Nehmen Sie dafür Kontakt über unsere Seite zum Anlagenmonitoring auf.