Von Wartungsplänen zur KI: Wie wir lernten, Maschinenausfälle vorherzusagen

Tauschen Sie eine Komponente zu früh aus, verschenken Sie wertvolle Nutzungsdauer. Tauschen Sie sie zu spät aus, riskieren Sie einen ungeplanten Anlagenstillstand.

Instandhaltungsteams bewegen sich seit jeher in genau diesem Spannungsfeld.

Lange Zeit war ein fester Wartungsplan die sicherste Antwort: Anlagen alle sechs Monate inspizieren. Ein Lager nach einer festgelegten Anzahl an Betriebsstunden austauschen. Die Pumpe beim nächsten geplanten Stillstand überholen.

An diesem Ansatz ist grundsätzlich nichts falsch. Für viele Anlagen ist die präventive Instandhaltung nach wie vor die richtige Strategie. Bei einer kostengünstigen, unkritischen und leicht austauschbaren Komponente kann es sogar wirtschaftlich sein, sie einfach bis zum Ausfall zu betreiben.

Doch feste Wartungsintervalle haben eine entscheidende Schwachstelle: Sie sagen Ihnen, wann Sie eine Maßnahme geplant haben – nicht, in welchem Zustand sich die Komponente tatsächlich befindet.

Ein Lager, dessen Austausch für nächsten Monat vorgesehen ist, kann noch über erhebliche Restnutzungsdauer verfügen. Ein baugleiches Lager direkt nebenan zeigt dagegen vielleicht schon erste Verschleißerscheinungen.

Reliability Engineers beschäftigen sich seit Jahrzehnten mit genau diesem Unterschied. Das grundlegende Ziel hat sich dabei nicht verändert – wohl aber die Datenbasis, auf deren Grundlage Entscheidungen getroffen werden.

Entdecken Sie die Serie zur vorausschauenden Wartung (Predictive Maintenance):

Teil 1: Von Wartungsplänen zur KI: Wie wir lernten, Maschinenausfälle vorherzusagen
Wie sich Reliability Engineering von historischen Ausfallmodellen und Condition Monitoring hin zu KI-gestützter Predictive Maintenance entwickelt hat.

Teil 2: Predictive Maintenance verschafft Ihnen 30 Tage. Und jetzt?
Was nach der Erkennung eines potenziellen Ausfalls passiert – vom Identifizieren des richtigen Ersatzteils über die Bestandsprüfung und Beschaffung bis zur Vorbereitung des Eingriffs.

Teil 3: Woher weiß eine Maschine, dass sie kurz vor dem Ausfall steht?
Wie Vibration, Temperatur, akustische Signale, Ölanalysen und weitere Condition-Monitoring-Technologien erste Anzeichen von Verschleiß erkennen.

Teil 4: Roboterhunde, Drohnen und intelligente Sensoren: Das neue Instandhaltungsteam
Wie autonome Inspektionen, Computer Vision, Robotik und andere innovative Technologien die Anlagenüberwachung in der Produktion verändern.

Teil 5: Von der vorausschauenden Wartung zur vorausschauenden Ersatzteilplanung
Wie Ausfallwahrscheinlichkeiten, Anlagenzustand, Lieferzeiten und operative Daten dynamischere Entscheidungen in der Ersatzteilplanung ermöglichen.

Teil 6: Die autonome Fabrik: Kann eine Maschine ihre Ersatzteile selbst bestellen?
Was passiert, wenn Ausfallvorhersage, Instandhaltung, Lagerhaltung und Beschaffung zunehmend vernetzt sind und wie nah Hersteller einem wirklich autonomen Wartungs-Workflow bereits sind.

Ausfälle wurden schon lange vor KI vorhergesagt

Predictive Maintenance begann keineswegs erst mit künstlicher Intelligenz.

Lange bevor Maschinen mit IoT-Plattformen vernetzt wurden, nutzten Reliability Engineers historische Ausfalldaten und statistische Modelle, um das Verhalten von Anlagen abzuschätzen.

Ein bekanntes Beispiel ist die Mean Time Between Failures (MTBF). Wenn eine Gruppe von Motoren eine MTBF von 10.000 Stunden aufweist, bedeutet das nicht, dass jeder einzelne Motor nach genau 10.000 Stunden ausfällt. Die MTBF beschreibt die durchschnittliche Zuverlässigkeit einer Grundgesamtheit. Sie sagt nicht voraus, wann eine konkrete Maschine ausfallen wird.

Deshalb kommen im Reliability Engineering je nach Anwendungsfall weitere statistische Verfahren zum Einsatz. Eines der bekanntesten ist die Weibull-Verteilung. Das NIST Engineering Statistics Handbook beschreibt Weibull als ein besonders flexibles Modell zur Abbildung von Lebensdauern, da sich damit unterschiedliche Ausfallverläufe darstellen lassen – etwa Situationen, in denen das Ausfallrisiko im Zeitverlauf sinkt, konstant bleibt oder steigt.

Der entscheidende Punkt ist nicht die mathematische Formel an sich. Es ist die Tatsache, dass Ingenieure schon lange Daten nutzen, um Instandhaltungsentscheidungen von bloßem Bauchgefühl zu lösen.

Auch in Excel lässt sich ein anspruchsvolles Zuverlässigkeitsmodell aufbauen. Die eigentliche Hürde liegt selten in der Mathematik der Tabelle – sondern darin, wie viele dynamische Informationen Menschen realistisch in ein solches Modell einpflegen können, wie häufig sie dies tun können und für wie viele Anlagen gleichzeitig.

Darauf hat auch Reliability Engineer Sanjib Das in unserer Interviewserie zur Ersatzteilplanung hingewiesen: Mathematische Modelle können Bauchgefühl durch nachvollziehbare Entscheidungen ersetzen. Doch die zugrunde liegenden Parameter stehen niemals still. Ausfallverhalten verändert sich. Betriebsbedingungen verändern sich. Lieferzeiten verändern sich.

Eine Berechnung kann zum Zeitpunkt ihrer Erstellung völlig korrekt sein – und mit jedem Tag weiter von der Realität abweichen.

Zudem können historische Ausfalldaten nur bedingt Aussagen über den aktuellen Zustand einer einzelnen Maschine treffen. Ein Modell kann aufzeigen, wann eine Komponente statistisch gesehen eher ausfällt. Ob genau dieses Bauteil aktuell bereits Verschleiß zeigt, verrät es nicht.

Hier verändert Condition Monitoring die Informationsgrundlage grundlegend.

Von der Ausfallhistorie zum aktuellen Maschinenzustand

Kommen wir noch einmal auf unser Lager zurück.

Alter und historische Ausfalldaten deuten vielleicht darauf hin, dass es noch ausreichend Nutzungsdauer vor sich hat. Doch die gemessenen Vibrationen beginnen sich zu verändern. Die Temperatur steigt. Das akustische Signal weicht zunehmend vom normalen Betriebsmuster ab.

Diese Veränderungen sind frühe Warnzeichen dafür, dass sich der Zustand des Lagers verschlechtert – selbst wenn es seine Funktion aktuell noch einwandfrei erfüllt. Im Reliability Engineering wird dieser Zeitraum zwischen der ersten Erkennbarkeit eines potenziellen Ausfalls und dem tatsächlichen Funktionsausfall mithilfe der P-F-Kurve beschrieben.

• „P“ (Potential Failure) steht für den Zeitpunkt, an dem eine angehende Störung erstmals erkennbar wird.
• „F“ (Functional Failure) bezeichnet den Punkt, an dem die Anlage ihre Funktion nicht mehr erfüllen kann.

Der Zeitraum dazwischen ist das P-F-Intervall. In der Praxis ist das genau das Zeitfenster, das Ihnen zur Verfügung steht, um das Problem zu identifizieren, das Risiko zu bewerten und einzugreifen, bevor es zum ungeplanten Stillstand kommt.

Ein präziseres Condition Monitoring hilft dabei, Verschleißerscheinungen früher innerhalb dieses Prozesses zu erkennen. Instandhaltungsteams gewinnen dadurch wertvolle Zeit, um maßgeschneiderte Eingriffe zu planen. Je nach Anlage und Störungsmuster zeigen sich diese Frühindikatoren in veränderten Vibrationen, Temperaturen, Akustikprofilen, im Schmierstoffzustand oder im elektrischen Verhalten.

Damit stehen zwei völlig unterschiedliche Informationsquellen bereit: Wir wissen, wie sich vergleichbare Lager typischerweise verhalten – und wir sehen exakt, was gerade mit diesem spezifischen Lager passiert.

Das hilft auch dabei, Begriffe sauber zu trennen, die oft synonym verwendet werden:

• Condition Monitoring beobachtet den Zustand einer Anlage.
• Condition-based Maintenance nutzt diese Daten, um zu entscheiden, ob eine Wartung notwendig ist.
• Predictive Maintenance geht einen Schritt weiter: Sie nutzt alle verfügbaren Daten, um abzuschätzen, wie sich der Zustand künftig entwickelt und wann ein Eingriff erforderlich wird.

In der Praxis sind die Übergänge fließend. Doch eine Unterscheidung ist essenziell:

Ein Sensor allein sagt gar nichts voraus.

Von Sensordaten zur Ausfallprognose

Ein Vibrationssensor misst Schwingungen. Einen prädiktiven Wert erhalten diese Daten erst durch ihre Interpretation.

Im einfachsten Fall wird ein Schwellenwert definiert: Überschreitet die Vibration diesen Wert, wird ein Alarm ausgelöst. Zieht man historische Messwerte hinzu, lässt sich ein Trend erkennen, bevor der Schwellenwert erreicht wird. Fortschrittliche Analysemodelle erkennen zudem Verhaltensmuster, die vom Normalbetrieb abweichen, und schätzen anhand des Verlaufs ab, was als Nächstes passieren könnte.

Hier kommt die Remaining Useful Life (RUL) ins Spiel. Die NASA definiert Prognostics als die Vorhersage des Zeitpunkts, an dem eine Komponente ihre Funktion nicht mehr erfüllen kann. Die verbleibende Zeit bis zu diesem Punkt ist ihre verbleibende Nutzungsdauer (RUL).

Predictive Maintenance bedeutet jedoch keineswegs, dass ein Algorithmus starr verkündet: „Dieses Lager fällt am Dienstag um 14:37 Uhr aus.“

Jede Prognose beinhaltet Unsicherheiten. Betriebsbedingungen variieren, Belastungen schwanken, Messwerte enthalten Rauschen und laufend treffen neue Daten ein. Ändert sich die Datenbasis, passt sich auch die Prognose an.

Predictive Maintenance ist daher eher als kontinuierlich aktualisierte Risikobewertung zu verstehen – nicht als Glaskugel für ein exaktes Ausfalldatum.

Fallen diese Informationen kontinuierlich für Hunderte oder Tausende von Anlagen gleichzeitig an, entsteht die nächste Herausforderung: die Auswertung im großen Maßstab.

Wo kommt also KI ins Spiel?

Wenn Reliability Engineers Ausfälle bereits modellieren konnten und Sensoren den Maschinenzustand überwachen – was verändert KI dann wirklich?

Die entscheidende Antwort lautet: Skalierbarkeit.

Eine moderne Produktionsumgebung erzeugt enorme Datenmengen. Eine einzige Anlage liefert kontinuierlich Messwerte zu Vibration, Temperatur, Druck, Stromaufnahme und Auslastung. Machine-Learning-Modelle helfen dabei, komplexe Muster und Querverbindungen in diesen Datenbergen zu identifizieren, die manuell nicht mehr bewältigt werden könnten – und sie aktualisieren ihre Bewertung in Echtzeit, sobald neue Daten einfließen.

Eine systematische Übersichtsarbeit von Abdulrahman Alamin et al. (2025), die 60 Peer-Reviewed-Studien aus den Jahren 2020 bis 2024 auswertet, zeigt, wie vielseitig Machine Learning in der Predictive Maintenance bereits erforscht und eingesetzt wird – von der Fehlerdiagnose bis zur RUL-Schätzung. Gleichzeitig betonen die Autoren bestehende Hürden: Datenqualität, Modell-Interpretierbarkeit, Skalierbarkeit und den Praxiseinsatz in realen Industrieumgebungen.

KI liefert nicht automatisch richtige Ergebnisse, nur weil sie mehr Daten verarbeitet. Fabriken verfügen oft über gigantische Datenmengen aus dem Normalbetrieb, aber nur über wenige gut dokumentierte reale Ausfallfälle. Modelle benötigen weiterhin präzise Daten, den betrieblichen Kontext, Validierung und ingenieurtechnisches Fachwissen.

KI macht Reliability Engineering daher keineswegs überflüssig. Sie gibt Teams vielmehr ein mächtiges Werkzeug an die Hand, um ihr Fachwissen skaliert einzusetzen.

Genau hier liegt der Paradigmenwechsel: Ein klassisches Zuverlässigkeitsmodell nutzt historische Ausfalldaten für eine einmalige Punktbewertung. Ein vernetztes Predictive-Maintenance-System lernt während des laufenden Betriebs kontinuierlich dazu. Vergehen 500 Betriebsstunden, ändert sich die Last oder steigt die Vibration, fließt jede neue Information sofort in die Neubewertung ein.

Die Empfehlung muss dabei keineswegs immer „Sofort austauschen!“ lauten. Je nach Zustandsentwicklung kann sie bedeuten: weiter beobachten, Inspektionsintervalle verkürzen, Ersatzteil bestellen oder den Eingriff für den nächsten geplanten Stillstand vormerken.

Das Ziel ist nicht die vollautomatische Abschaffung menschlicher Entscheider – sondern die Bereitstellung dynamischer, verlässlicher Entscheidungsgrundlagen.

Und genau diese Dynamik verändert nun auch eine zweite Kernfrage der Instandhaltung: Ist das richtige Ersatzteil da, wenn wir es brauchen?

Was passiert mit dem Ersatzteil?

Nehmen wir an, die Analyse zeigt, dass sich der Zustand unseres Lagers verschlechtert und voraussichtlich innerhalb der nächsten 30 Tage ein Eingriff nötig wird.

Das Instandhaltungsteam gewinnt dadurch das wertvollste Gut überhaupt: Zeit.

Doch eine Prognose allein verhindert noch keinen Stillstand.

Jemand muss wissen: Welches Lager wird exakt benötigt? Stimmen die Stammdaten im ERP-System? Ist das Teil im eigenen Lager vorrätig oder an einem anderen Standort greifbar? Und kann der Einkauf es rechtzeitig beschaffen?

Hier verzahnen sich Predictive Maintenance und Ersatzteillogistik.

Die Ersatzteilplanung steht vor einer ganz ähnlichen Logik: Das Reliability Engineering ermittelt die Ausfallwahrscheinlichkeit. Die Bestandsplanung muss entscheiden, ob diese Wahrscheinlichkeit – kombiniert mit den Kosten eines ungeplanten Stillstands – die Bevorratung rechtfertigt.

Bei SPARROW erleben wir genau diesen Wandel von statischen zu dynamischen Entscheidungen. SPARROW.Plan nutzt zuverlässigkeitsbasierte Methoden zusammen mit operativen Ersatzteildaten, um Bevorratungsempfehlungen dynamisch zu berechnen. Ändert sich die Datenlage, werden die Empfehlungen angepasst – anstatt sich auf Jahre alte, verstaubte Richtwerte zu verlassen.

Wie SPARROW CEO Meir Veisberg es auf den Punkt bringt:

„Wir verschaffen unseren Kunden einen echten Wettbewerbsvorteil: Sie können fundierte Entscheidungen treffen und ihre Prozesse gezielt optimieren.“

Denn am Ende zählt nicht die Technologie allein – sondern die bessere Entscheidung, die sie ermöglicht.

Die Prognose ist erst der Anfang

Predictive Maintenance verschafft Herstellern tiefe Einblicke in den Zustand ihrer Anlagen – und das deutlich früher als je zuvor.

In diesem Zeitgewinn liegt der eigentliche Wert.

Wer 30 Tage im Voraus weiß, dass eine Komponente gewartet werden muss, gewinnt 30 Tage Handlungsspielraum.

Doch lässt sich das Ersatzteil eindeutig identifizieren? Ist es auf Lager? Liegt es an einem anderen Standort? Kann der Einkauf es rechtzeitig beschaffen?

Die Ausfallprognose ist nur der erste Schritt. Um den Stillstand tatsächlich zu verhindern, muss die gesamte Kette danach nahtlos greifen.

Demnächst in unserer Serie: Predictive Maintenance verschafft Ihnen 30 Tage. Und jetzt?