Woher weiß eine Maschine, dass sie kurz vor dem Ausfall steht?
In Teil 2 unserer Predictive-Maintenance-Serie haben wir ein konkretes Szenario betrachtet: Zustandsdaten deuten darauf hin, dass ein Lager in einer kritischen Produktionsanlage voraussichtlich innerhalb der nächsten 30 Tage ausgetauscht werden muss.
Diese Vorwarnzeit verschafft der Instandhaltung wertvolle Zeit, um das richtige Ersatzteil zu identifizieren, seine Verfügbarkeit zu prüfen und den Eingriff vorzubereiten. Doch wie kommen diese 30 Tage eigentlich zustande?
Eine Maschine kann uns nicht sagen, dass sie kurz vor einem Ausfall steht. Veränderungen in ihrem Verhalten können jedoch frühzeitig darauf hinweisen, dass etwas nicht stimmt. Eine Komponente beginnt möglicherweise anders zu vibrieren, entwickelt mehr Wärme oder zeigt andere Verschleißerscheinungen, lange bevor ihre Funktion tatsächlich beeinträchtigt ist.
Condition Monitoring erfasst diese Veränderungen. Predictive Maintenance geht einen Schritt weiter und nutzt die verfügbaren Informationen, um abzuschätzen, was als Nächstes passieren könnte.
Maschinen zeigen Anzeichen, bevor sie ausfallen
Kehren wir zu unserem Lager zurück. Ein intaktes Lager weist im Betrieb ein charakteristisches Verhalten auf. Beginnt es zu verschleißen, kann sich dieses Verhalten verändern, lange bevor das Lager seine Funktion nicht mehr erfüllt.
Vibrationen sind eines der bekanntesten Beispiele. Veränderungen im Schwingungsverhalten können auf sich entwickelnde Probleme bei rotierenden Maschinen hindeuten. Je nach Anlage und möglichem Fehlermodus können auch Temperatur, Schmierstoffzustand, akustische Signale oder elektrische Messwerte zusätzliche Hinweise liefern.
Das bedeutet jedoch nicht, dass Hersteller einfach möglichst viele unterschiedliche Sensoren installieren sollten. Unterschiedliche Fehlermodi verursachen unterschiedliche physikalische Veränderungen. Entscheidend ist deshalb, welche Informationen dabei helfen, genau die Art von Verschleiß zu erkennen, nach der gesucht wird.
Dieses Prinzip findet sich auch in ISO 17359, der internationalen Norm mit allgemeinen Leitlinien für die Zustandsüberwachung von Maschinen. Sie berücksichtigt unter anderem Parameter wie Vibration, Temperatur, Tribologie, Verunreinigungen, Leistung und Drehzahl und stellt einen Zusammenhang zwischen der gewählten Überwachungsmethode und den zu untersuchenden Fehlermodi her.
Die Ausgangsfrage sollte daher nicht einfach lauten: Welche Sensoren können wir installieren?
Sondern: Was könnte ausfallen – und welche Anzeichen würden darauf hindeuten?
Ein Sensor sagt keinen Ausfall voraus
Diese Unterscheidung haben wir bereits in Teil 1 angesprochen. Für das Verständnis von Predictive Maintenance ist sie entscheidend.
Ein Vibrationssensor misst Schwingungen, ein Temperatursensor die Temperatur. Keiner dieser Messwerte sagt für sich genommen voraus, dass ein Lager in 30 Tagen ausgetauscht werden muss. Aussagekräftig werden die Daten erst, wenn wir verstehen, wie sie sich über die Zeit verändern und was diese Veränderungen im jeweiligen Anlagenkontext bedeuten.
Vielleicht weicht das aktuelle Schwingungsverhalten deutlich vom Normalzustand der Maschine ab oder die Vibrationen nehmen seit mehreren Wochen kontinuierlich zu. Möglicherweise ähnelt das Muster auch dem Verhalten, das bereits vor früheren Lagerausfällen beobachtet wurde. Gleichzeitig muss der Betriebszustand berücksichtigt werden: Eine veränderte Vibration aufgrund von Verschleiß ist nicht dasselbe wie eine Veränderung, die durch eine andere Belastung oder Drehzahl entsteht.
Condition Monitoring, Diagnose und Prognose sind deshalb keine austauschbaren Begriffe, sondern aufeinander aufbauende Schritte. Sensoren liefern Messwerte, die Analyse bewertet deren Bedeutung und Predictive Maintenance nutzt die verfügbaren Informationen, um einzuschätzen, wie sich der Zustand der Anlage voraussichtlich weiterentwickeln wird.
Hier kommt KI ins Spiel
An diesem Punkt kann KI einen entscheidenden Beitrag leisten. Moderne Industrieanlagen erzeugen große Mengen an Zustandsdaten. Über einen gesamten Produktionsstandort oder mehrere Werke hinweg müssen schnell Informationen aus Hunderten oder Tausenden von Anlagen ausgewertet werden.
Machine-Learning-Modelle können dabei helfen, Muster und Anomalien in diesen Daten zu erkennen und Bewertungen kontinuierlich zu aktualisieren, sobald neue Informationen verfügbar sind.
Eine systematische Studie von Abdulrahman Alamin und seinen Co-Autoren aus dem Jahr 2025 untersuchte 60 wissenschaftliche Publikationen zu Predictive Maintenance aus den Jahren 2020 bis 2024. Die Autoren zeigen, dass Machine Learning unter anderem für Fehlererkennung, Diagnose und die Schätzung der Remaining Useful Life eingesetzt wird. Gleichzeitig verweisen sie auf weiterhin bestehende Herausforderungen bei Datenqualität, Interpretierbarkeit, Skalierbarkeit und dem Einsatz unter realen Produktionsbedingungen.
KI ersetzt damit weder technisches Know-how noch verlässliche Zustandsdaten. Ihr Mehrwert liegt darin, deutlich größere Datenmengen häufiger und über mehr Anlagen hinweg auszuwerten, als dies mit manuellen Analysen praktikabel wäre.
Braucht jede Maschine mehr Sensoren?
Nicht unbedingt. Mehr Sensoren führen nicht automatisch zu besserer Predictive Maintenance. Welche Monitoring-Strategie sinnvoll ist, hängt von der jeweiligen Anlage, ihrer Kritikalität, möglichen Fehlermodi und der Frage ab, ob eine frühere Erkennung tatsächlich genügend Zeit schafft, um zu handeln.
Auch ISO 17359 verfolgt diesen umfassenderen Ansatz. Bei der Entwicklung eines Condition-Monitoring-Programms werden unter anderem die Kritikalität der Anlage, mögliche Fehlermodi, Betriebsbedingungen und die Umsetzbarkeit unterschiedlicher Überwachungsmethoden berücksichtigt.
Bei besonders kritischen Anlagen kann eine kontinuierliche Überwachung sinnvoll sein. In anderen Fällen reichen möglicherweise regelmäßige Messungen, Inspektionen oder bereits vorhandene Maschinendaten aus. Ziel ist nicht, möglichst viele Daten zu sammeln, sondern die Informationen zu erfassen, die der Instandhaltung bessere Entscheidungen ermöglichen.
Vom Maschinensignal zur Instandhaltungsentscheidung
Kehren wir noch einmal zu unserem Lager zurück. Sein Schwingungsverhalten verändert sich über einen längeren Zeitraum so deutlich, dass eine genauere Untersuchung notwendig wird. Die Analyse der verfügbaren Zustandsdaten deutet auf zunehmenden Verschleiß hin. Weitere Messungen bestätigen diese Einschätzung, und die Instandhaltung kommt zu dem Schluss, dass voraussichtlich innerhalb der nächsten 30 Tage ein Eingriff erforderlich sein wird.
Damit ist aus einem technischen Signal eine konkrete Information für die Instandhaltungsplanung geworden. Und sofort stellen sich Fragen, die über den Zustand der Maschine hinausgehen: Welches Lager wird benötigt? Ist es verfügbar? Wie lange würde die Beschaffung dauern? Und sollte die erwartete Instandhaltungsmaßnahme künftig auch Einfluss darauf haben, wie dieses Ersatzteil geplant wird?
Die ersten Fragen haben wir in Teil 2 betrachtet. Später in dieser Serie werden wir uns ausführlicher damit beschäftigen, wie Informationen über den Zustand einer Anlage in eine dynamischere Ersatzteilplanung einfließen können. Denn je genauer ein Unternehmen weiß, wann eine Komponente voraussichtlich benötigt wird, desto fundierter kann es entscheiden, ob diese Komponente bereits verfügbar sein sollte.
Wenn der Sensor mobil wird
Bisher sind wir vor allem davon ausgegangen, dass Zustandsdaten von Sensoren erfasst werden, die direkt an einzelnen Maschinen installiert sind. Doch zunehmend erproben Hersteller auch Technologien, bei denen nicht jede Anlage mit eigener Monitoring-Hardware ausgestattet werden muss, sondern die Messtechnik zur Anlage kommt.
Drohnen, Computer Vision und autonome Inspektionsroboter können Zustandsdaten an unterschiedlichen Anlagen erfassen und Bereiche erreichen, die für Menschen schwer zugänglich, gefährlich oder schlicht aufwendig regelmäßig zu kontrollieren sind.
Und manche dieser Inspektionsroboter haben sogar vier Beine.
Als Nächstes in unserer Serie: Robot Dogs, Drones and Smart Sensors: Meet the New Maintenance Team.
Ganze Serie lesen
- Teil 1 – Von Wartungsplänen zu KI: Wir haben betrachtet, wie sich Predictive Maintenance von klassischen Zuverlässigkeitsmethoden und Condition Monitoring hin zu KI-gestützten Prognosen entwickelt hat.
- Teil 2 – Predictive Maintenance gibt Ihnen 30 Tage. Und jetzt?: Wir haben gezeigt, was nach einer Frühwarnung passieren muss – von der Identifikation des richtigen Ersatzteils über die Prüfung der Verfügbarkeit bis hin zu aktuellen Lieferzeiten.
- Teil 4 – Roboterhunde, Drohnen und smarte Sensoren: Wir haben uns angesehen, wie mobile Inspektionstechnologien die Möglichkeiten erweitern, Zustandsdaten über eine größere Zahl von Anlagen hinweg zu erfassen. (kommt bald)
- Teil 5 – Von Predictive Maintenance zur vorausschauenden Ersatzteilplanung: Wir sind der Frage nachgegangen, ob Informationen über erwartete Instandhaltungsbedarfe auch die Ersatzteilplanung vorausschauender machen können. (kommt bald)
- Teil 6 – Die autonome Fabrik: Kann eine Maschine ihr eigenes Ersatzteil bestellen?: Wir führen die Themen der Serie zusammen und gehen der Frage nach, wie weit sich der Prozess von der Erkennung eines sich anbahnenden Ausfalls über die Identifikation und Verfügbarkeitsprüfung des richtigen Ersatzteils bis hin zur Beschaffung künftig automatisieren lässt. (kommt bald)
