Predictive Maintenance: Wie Sensoren und AI Wartung vorausschauend machen
Predictive Maintenance bezeichnet eine vorausschauende Instandhaltungsstrategie. Dabei werden Maschinen und Anlagen kontinuierlich überwacht, um Verschleiß, Abweichungen und mögliche Ausfälle möglichst früh zu erkennen.
Im Unterschied zu starren Wartungsintervallen richtet sich Predictive Maintenance nicht nur nach Betriebsstunden oder Kalenderdaten. Entscheidend ist der tatsächliche Zustand einer Maschine.
Sensoren erfassen dafür beispielsweise Schwingungen, Temperaturen, Geräusche, Drücke oder Stromaufnahmen. AI- und Machine-Learning-Verfahren analysieren diese Daten und suchen nach Mustern, die auf eine bevorstehende Störung hinweisen.
Ziel ist es, Wartung genau dann durchzuführen, wenn sie technisch sinnvoll ist: nicht zu früh, aber auch nicht zu spät.
Was bedeutet Predictive Maintenance?
Der Begriff lässt sich mit „vorausschauende Instandhaltung“ übersetzen.
Das zentrale Prinzip lautet:
Eine Maschine wird nicht erst repariert, wenn sie ausgefallen ist. Sie wird auch nicht ausschließlich nach einem festen Zeitplan gewartet. Stattdessen wird ihr Zustand fortlaufend bewertet und die Wahrscheinlichkeit eines zukünftigen Problems abgeschätzt.
Ein Predictive-Maintenance-System kann beispielsweise erkennen, dass:
ein Lager zunehmend verschleißt,
ein Motor ungewöhnlich heiß wird,
eine Pumpe ihr Schwingungsverhalten verändert,
ein Getriebe auffällige Geräusche erzeugt,
der Energieverbrauch einer Anlage langsam ansteigt,
ein Prozess häufiger außerhalb des Normalbereichs arbeitet.
Solche Veränderungen treten oft auf, bevor ein vollständiger Ausfall entsteht.
Wie unterscheidet sich Predictive Maintenance von anderen Wartungsstrategien?
In der Instandhaltung werden mehrere grundlegende Strategien unterschieden.
Reaktive Wartung
Bei der reaktiven Wartung wird eine Komponente erst nach ihrem Ausfall repariert oder ersetzt.
Dieser Ansatz kann bei günstigen, unkritischen Bauteilen sinnvoll sein. Bei wichtigen Maschinen kann er jedoch zu ungeplanten Stillständen, Folgeschäden und hohen Kosten führen.
Präventive Wartung
Präventive Wartung erfolgt nach festen Intervallen.
Ein Bauteil wird beispielsweise nach einer bestimmten Anzahl von Betriebsstunden ausgetauscht, unabhängig davon, ob es tatsächlich verschlissen ist.
Das reduziert das Ausfallrisiko, kann jedoch dazu führen, dass funktionsfähige Komponenten zu früh ersetzt werden.
Zustandsbasierte Wartung
Bei der zustandsbasierten Wartung wird der aktuelle Zustand einer Maschine überwacht.
Eine Wartung wird ausgelöst, wenn ein Messwert einen definierten Grenzwert überschreitet.
Predictive Maintenance
Predictive Maintenance geht darüber hinaus.
Das System bewertet nicht nur den aktuellen Zustand, sondern versucht vorherzusagen, wie sich dieser Zustand entwickeln wird.
Es beantwortet daher nicht nur die Frage:
Ist die Maschine aktuell noch in Ordnung?
Sondern auch:
Wie lange kann sie voraussichtlich noch zuverlässig betrieben werden?
Wie funktioniert Predictive Maintenance?
Ein typisches System arbeitet in mehreren Schritten.
1. Datenerfassung
Sensoren erfassen kontinuierlich oder in festen Abständen den Zustand einer Maschine.
Typische Messgrößen sind:
Schwingung,
Temperatur,
Druck,
Durchfluss,
Strom,
Spannung,
Drehzahl,
Geräusch,
Kraft,
Drehmoment,
Schmierstoffzustand.
Zusätzlich können Daten aus Maschinensteuerungen, Wartungssystemen und Produktionssoftware verwendet werden.
2. Datenübertragung
Die Messdaten werden an ein lokales Edge-System, ein Gateway, einen Server oder eine Cloud-Plattform übertragen.
Zeitkritische Analysen finden häufig direkt an der Maschine statt.
Langfristige Auswertungen können zentral durchgeführt werden.
3. Datenaufbereitung
Rohdaten enthalten oft Rauschen, Messfehler oder Lücken.
Sie müssen deshalb:
gefiltert,
synchronisiert,
normalisiert,
verdichtet,
mit Betriebszuständen verknüpft
werden.
Ein Schwingungswert ist beispielsweise nur dann sinnvoll interpretierbar, wenn auch bekannt ist, bei welcher Drehzahl und Belastung die Maschine gearbeitet hat.
4. Merkmalsextraktion
Aus den Rohdaten werden relevante Kennwerte berechnet.
Bei Schwingungsdaten können dies beispielsweise sein:
Mittelwerte,
Spitzenwerte,
Frequenzanteile,
Energieverteilung,
statistische Kennzahlen,
charakteristische Muster.
Diese Merkmale helfen dabei, Veränderungen im Maschinenzustand zu erkennen.
5. Modellierung
Anschließend wird ein Modell entwickelt.
Dieses kann auf festen Regeln, statistischen Verfahren oder Machine Learning basieren.
Das Modell lernt beispielsweise:
wie sich eine gesunde Maschine verhält,
welche Muster auf Verschleiß hinweisen,
welche Kombinationen von Messwerten problematisch sind,
wie schnell sich ein Defekt entwickelt.
6. Prognose
Das System bewertet den aktuellen Zustand und schätzt die zukünftige Entwicklung.
Mögliche Ergebnisse sind:
normaler Betrieb,
beginnende Abweichung,
erhöhte Ausfallwahrscheinlichkeit,
geschätzte Restlebensdauer,
empfohlener Wartungszeitpunkt.
7. Maßnahmenplanung
Die Ergebnisse werden an Instandhaltung, Produktion oder Betriebsführung weitergegeben.
Wartung kann dadurch geplant werden, bevor ein ungeplanter Stillstand entsteht.
Welche Sensoren werden eingesetzt?
Die Auswahl hängt von Maschine und Fehlerart ab.
Schwingungssensoren
Schwingungssensoren gehören zu den wichtigsten Werkzeugen der Zustandsüberwachung.
Sie eignen sich besonders für:
Lager,
Motoren,
Pumpen,
Ventilatoren,
Getriebe,
Spindeln.
Veränderungen im Frequenzspektrum können früh auf Unwucht, Fehlausrichtung oder Lagerschäden hinweisen.
Temperatursensoren
Steigende Temperaturen können auf Reibung, Überlastung, schlechte Kühlung oder elektrische Probleme hindeuten.
Strom- und Spannungssensoren
Die elektrische Leistungsaufnahme liefert Informationen über Belastung und Wirkungsgrad.
Ungewöhnliche Verläufe können auf mechanische oder elektrische Probleme hinweisen.
Akustische Sensoren
Mikrofone und Ultraschallsensoren erfassen Geräusche, die für Menschen kaum oder gar nicht hörbar sind.
Sie können Leckagen, Reibung oder Schäden erkennen.
Druck- und Durchflusssensoren
Diese Sensoren sind besonders relevant bei Pumpen, Hydrauliksystemen, Druckluft und Prozessanlagen.
Kraft- und Drehmomentsensoren
Veränderte Kräfte können auf Verschleiß, Blockaden oder Prozessabweichungen hinweisen.
Öl- und Partikelsensoren
Sie analysieren Schmierstoffe und erkennen beispielsweise Metallpartikel, Verschmutzung oder veränderte Materialeigenschaften.
Kameras und Wärmebildsysteme
Optische und thermische Systeme erfassen sichtbare Schäden, Temperaturverteilungen oder ungewöhnliche Zustände.
Welche Rolle spielt künstliche Intelligenz?
Künstliche Intelligenz wird eingesetzt, wenn Zusammenhänge komplex sind oder sich mit festen Grenzwerten nur unzureichend beschreiben lassen.
AI-Modelle können mehrere Messgrößen gleichzeitig berücksichtigen.
Sie erkennen beispielsweise, dass eine bestimmte Kombination aus:
leicht erhöhter Temperatur,
verändertem Schwingungsmuster,
steigender Stromaufnahme
auf einen sich entwickelnden Defekt hinweist.
Ein einzelner Messwert wäre möglicherweise noch unauffällig. Die Kombination liefert jedoch ein klares Muster.
Welche Verfahren werden verwendet?
Grenzwertüberwachung
Die einfachste Methode vergleicht Messwerte mit festen Grenzwerten.
Sie ist transparent und leicht umzusetzen, erkennt jedoch oft nur bereits deutlich entwickelte Probleme.
Trendanalyse
Hier wird untersucht, wie sich Messwerte über längere Zeit verändern.
Ein langsamer Anstieg kann früh auf Verschleiß hinweisen.
Anomalieerkennung
Ein Modell lernt den normalen Betrieb einer Maschine.
Abweichungen werden als mögliche Anomalien erkannt.
Dieser Ansatz ist besonders hilfreich, wenn nur wenige bekannte Fehlerfälle vorhanden sind.
Klassifikation
Ein Modell ordnet Daten bestimmten Zuständen zu, beispielsweise:
normal,
Unwucht,
Lagerschaden,
Überlastung,
Fehlausrichtung.
Dafür werden in der Regel ausreichend gekennzeichnete Trainingsdaten benötigt.
Regressionsmodelle
Regressionsmodelle schätzen kontinuierliche Werte.
Sie können beispielsweise Temperaturentwicklung, Verschleißgrad oder Restlebensdauer prognostizieren.
Zeitreihenmodelle
Zeitreihenmodelle berücksichtigen die zeitliche Entwicklung von Messdaten.
Sie eignen sich für Prozesse, bei denen nicht nur ein einzelner Wert, sondern dessen Verlauf entscheidend ist.
Was bedeutet Remaining Useful Life?
Remaining Useful Life, kurz RUL, bezeichnet die geschätzte verbleibende Nutzungsdauer einer Komponente.
Ein System versucht vorherzusagen, wie lange ein Bauteil noch betrieben werden kann, bevor ein kritischer Zustand erreicht wird.
Eine RUL-Prognose ist anspruchsvoll, weil sie von vielen Faktoren abhängt:
Belastung,
Umgebungsbedingungen,
Materialzustand,
Wartungshistorie,
Produktionsprofil,
zukünftige Nutzung.
RUL-Werte sind daher keine exakten Garantien, sondern Wahrscheinlichkeits- oder Schätzwerte.
Typische Anwendungen
Motoren und Antriebe
Schwingung, Temperatur und Stromaufnahme werden genutzt, um Lagerprobleme, Unwucht oder Überlastung zu erkennen.
Pumpen
Predictive Maintenance kann Kavitation, Leckagen, Verschleiß oder veränderte Betriebsbedingungen identifizieren.
Getriebe
Frequenzanalysen helfen, Schäden an Zahnrädern und Lagern frühzeitig zu erkennen.
Produktionsmaschinen
Spindeln, Führungen und Werkzeuge werden überwacht, um Qualitätsverluste und Stillstände zu vermeiden.
Windkraftanlagen
Sensoren überwachen Getriebe, Lager, Rotoren und Generatoren.
Da Wartungseinsätze aufwendig sind, ist eine frühzeitige Planung besonders wertvoll.
Schienenfahrzeuge
Räder, Lager, Bremsen und Antriebssysteme können kontinuierlich überwacht werden.
Energieanlagen
Transformatoren, Turbinen und Generatoren liefern umfangreiche Betriebsdaten für Zustandsbewertung und Prognosen.
Gebäudetechnik
Heizung, Lüftung, Kälteanlagen und Aufzüge können auf Veränderungen im Betriebsverhalten analysiert werden.
Welche Vorteile bietet Predictive Maintenance?
Weniger ungeplante Ausfälle
Probleme werden früher erkannt, bevor eine Maschine vollständig ausfällt.
Bessere Wartungsplanung
Instandhaltungsarbeiten können gezielt in geplante Stillstände gelegt werden.
Längere Lebensdauer
Bauteile werden nicht unnötig früh ersetzt, aber auch nicht bis zum vollständigen Schaden betrieben.
Geringere Kosten
Stillstand, Folgeschäden, Ersatzteilverbrauch und Wartungsaufwand können reduziert werden.
Höhere Anlagenverfügbarkeit
Maschinen können länger und planbarer betrieben werden.
Verbesserte Sicherheit
Kritische Veränderungen lassen sich früher erkennen.
Bessere Ersatzteilplanung
Benötigte Komponenten können rechtzeitig bestellt und bereitgestellt werden.
Welche Herausforderungen gibt es?
Datenqualität
Unzuverlässige Sensoren oder fehlerhafte Messdaten führen zu falschen Ergebnissen.
Fehlender Kontext
Messwerte müssen mit Betriebszuständen verknüpft werden.
Eine hohe Schwingung kann bei maximaler Last normal, im Leerlauf aber kritisch sein.
Wenige Fehlerbeispiele
Viele Maschinen fallen selten aus.
Dadurch fehlen oft ausreichend Trainingsdaten für konkrete Schadensbilder.
Unterschiedliche Maschinen
Ein Modell, das für eine Maschine funktioniert, lässt sich nicht automatisch auf eine andere übertragen.
Fehlalarme
Zu viele Warnungen senken die Akzeptanz.
Mitarbeiter beginnen möglicherweise, Meldungen zu ignorieren.
Verpasste Fehler
Ein System darf kritische Defekte nicht übersehen.
Die Balance zwischen Sensitivität und Fehlalarmrate ist daher entscheidend.
Integration
Die Ergebnisse müssen in bestehende Wartungs- und Produktionsprozesse eingebunden werden.
Eine Warnung allein schafft noch keinen Nutzen.
Wirtschaftlichkeit
Nicht jede Maschine benötigt ein komplexes Predictive-Maintenance-System.
Bei günstigen oder unkritischen Komponenten kann eine andere Strategie sinnvoller sein.
Edge AI oder Cloud?
Predictive Maintenance kann lokal oder zentral umgesetzt werden.
Edge-Verarbeitung
Direkt an der Maschine werden Daten gefiltert und erste Analysen durchgeführt.
Vorteile sind:
schnelle Reaktion,
geringere Datenübertragung,
Betrieb ohne dauerhafte Cloud-Verbindung,
bessere Kontrolle sensibler Betriebsdaten.
Cloud-Verarbeitung
Cloud-Plattformen eignen sich für:
langfristige Datenspeicherung,
Vergleich vieler Maschinen,
Modelltraining,
standortübergreifende Analysen,
zentrale Überwachung.
Hybrider Ansatz
In vielen Anwendungen ist eine Kombination sinnvoll.
Das Edge-System erkennt lokale Anomalien. Die Cloud analysiert langfristige Trends und vergleicht mehrere Anlagen.
Wie startet ein Predictive-Maintenance-Projekt?
Der erste Schritt sollte eine klare Auswahl des Anwendungsfalls sein.
Geeignet sind Maschinen, bei denen:
ein Ausfall hohe Kosten verursacht,
genügend Sensordaten verfügbar sind,
der Verschleiß messbare Veränderungen erzeugt,
Wartung planbar ist,
ein wirtschaftlicher Nutzen erkennbar ist.
Danach sollten folgende Fragen geklärt werden:
Welche Fehler sollen erkannt werden?
Welche Messgrößen verändern sich vor einem Ausfall?
Welche Daten stehen bereits zur Verfügung?
Welche zusätzlichen Sensoren werden benötigt?
Wie wird ein Alarm bewertet?
Welche Maßnahmen folgen aus einer Warnung?
Wie wird der Erfolg gemessen?
Ein Pilotprojekt mit einer klar begrenzten Maschine ist häufig sinnvoller als ein sofortiger Rollout über einen gesamten Standort.
Die Rolle des Fachwissens
Predictive Maintenance ist nicht nur ein Datenprojekt.
Das Wissen von Instandhaltern, Maschinenbauern und Prozessingenieuren ist entscheidend.
Sie kennen:
typische Fehlerbilder,
kritische Komponenten,
Betriebsgrenzen,
Wartungshistorien,
ungewöhnliche Geräusche,
relevante Prozessbedingungen.
AI kann dieses Wissen ergänzen, aber nicht vollständig ersetzen.
Die besten Systeme verbinden Datenanalyse mit praktischem Maschinenverständnis.
Predictive Maintenance und Industrial AI
Predictive Maintenance ist einer der wichtigsten Anwendungsfälle von Industrial AI.
Es verbindet:
Sensorik,
Zustandsüberwachung,
Datenanalyse,
Machine Learning,
Edge Computing,
Instandhaltungsprozesse.
Dadurch entsteht ein direkter wirtschaftlicher Nutzen.
Die Technologie zeigt besonders deutlich, wie AI mit realen Maschinen und physikalischen Prozessen zusammenarbeitet.
Fazit
Predictive Maintenance macht Wartung zustandsabhängig und vorausschauend.
Sensoren erfassen Veränderungen an Maschinen, während AI- und Analyseverfahren daraus Hinweise auf Verschleiß und mögliche Ausfälle ableiten.
Der größte Nutzen entsteht dort, wo Ausfälle teuer sind, Zustandsveränderungen messbar werden und Wartungsmaßnahmen rechtzeitig geplant werden können.
Erfolgreiche Systeme benötigen jedoch mehr als einen Algorithmus. Entscheidend sind hochwertige Daten, passende Sensoren, technisches Fachwissen und eine klare Einbindung in den Instandhaltungsprozess.
Predictive Maintenance ist deshalb kein Selbstzweck. Sie ist ein Werkzeug, um Verfügbarkeit, Sicherheit und Wirtschaftlichkeit industrieller Anlagen gezielt zu verbessern.
