Predictive Maintenance in der Produktion

# Predictive Maintenance in der Produktion

Eine CNC-Spindel (Computer Numerical Control) dreht mit 12.000 U/min und fräst Halterungen für die Luftfahrt. Drei Wochen bevor sie mitten in der Schicht festgelaufen wäre, erfassten ihre Vibrationssensoren eine schwach ansteigende Signatur in einem bestimmten Frequenzband. Das Wartungsteam bestellte ein Lager, plante einen zweistündigen Wechsel für den nächsten geplanten Stillstand und verlor keine Produktion. Keine Feuerwehrübung. Kein Ausschuss. Keine Überstunden.

Das ist Predictive Maintenance (oft als PdM abgekürzt): Maschinendaten nutzen, um Ausfälle früh genug vorherzusagen, dass Sie sie nach Ihrem Zeitplan beheben, nicht nach dem der Maschine.

Warum das wichtiger ist, als es klingt

Ungeplante Stillstände gehören zu den teuersten Ereignissen in einer Produktion. Eine stehende Linie legt Dutzende Mitarbeiter still, verdirbt Material in Bearbeitung und sprengt Lieferzusagen. Branchenumfragen nennen für Automotive und Schwerindustrie regelmäßig Kosten ungeplanter Stillstände im Bereich von Zehntausenden Dollar pro Stunde, wobei der genaue Wert je Werk stark schwankt.

Klassische Wartung fällt in zwei Kategorien, beide verschwenderisch:

• Reaktiv („run to failure“): reparieren, wenn es kaputt geht. Günstig, bis es das nicht mehr ist. Der Ausfall zieht oft Folgeschäden nach sich.
• Präventiv (zeitbasiert): Teile nach festem Kalender tauschen, wie Ölwechsel alle 3 Monate. Sicherer, aber Sie werfen nutzbare Restlebensdauer gesunder Teile weg und verpassen trotzdem überraschende Ausfälle.

Predictive Maintenance ist der dritte Weg: eingreifen auf Basis des tatsächlichen, kontinuierlich gemessenen Zustands der Anlage.

Was die Maschine Ihnen tatsächlich sagt

Moderne Anlagen senden einen konstanten Strom an Telemetrie (Sensordaten, die ihren physischen Zustand beschreiben). Die nützlichsten Signale für PdM:

• Vibration: das reichhaltigste Signal für rotierende Anlagen (Motoren, Spindeln, Pumpen, Lüfter). Lagerverschleiß, Unwucht und Fehlausrichtung hinterlassen jeweils einen eigenen Frequenz-Fingerprint.
• Temperatur: steigende Wärme geht reibungsbedingten Ausfällen häufig voraus.
• Akustik / Ultraschall: erfasst Leckagen und frühe Lagergeräusche, die Menschen nicht hören.
• Strom- und Leistungsaufnahme: ein Motor, der stärker arbeitet als üblich, deutet auf ein mechanisches Problem weiter hinten hin.
• Ölanalyse: Metallpartikel im Schmierstoff zeigen inneren Verschleiß.

Jedes davon ist eine Zeitreihe: eine Folge von Messwerten über die Zeit. Der Kerngedanke von PdM ist, dass Ausfälle selten plötzlich passieren. Sie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ündigen sich als langsame Drifts und subtile Musteränderungen in diesen Datenströmen an.

Vom Rohsignal zur Entscheidung

Hier die PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen →, im Klartext.

1. Erfassen und bereinigen

Sensoren messen mit einer gewählten Rate (Vibration wird eventuell tausende Male pro Sekunde abgetastet). Rohdaten sind verrauscht: verlorene Messwerte, Sensorstörungen, ein Gabelstapler, der eine Maschine anstößt. Sie filtern und synchronisieren die Daten, bevor Sie irgendetwas anderes tun.

2. Features extrahieren

Sie geben Rohsignale selten direkt in ein Modell. Stattdessen berechnen Sie Features: Kennzahlen, die die Form des Signals erfassen. Für Vibration nutzen Ingenieure eine FFT (Fast Fourier Transform), ein mathematisches Verfahren, das ein Signal in seine Frequenzbestandteile zerlegt. Ein gesundes und ein verschlissenes Lager sehen in Rohform fast identisch aus, in der Frequenzdarstellung aber deutlich unterschiedlich.

# Simplified: turn a vibration snippet into frequency features
import numpy as np

def bearing_features(signal, sample_rate):
    spectrum = np.abs(np.fft.rfft(signal))
    freqs = np.fft.rfftfreq(len(signal), 1 / sample_rate)

    # Energie im Band, in dem Harmonische von Lagerdefekten auftreten
    band = (freqs > 2000) & (freqs < 5000)
    defect_energy = spectrum[band].sum()

    return {
        "rms": np.sqrt(np.mean(signal ** 2)),   # Gesamtvibrationsniveau
        "peak": np.max(np.abs(signal)),
        "defect_band_energy": defect_energy,    # steigt mit fortschreitendem Lagerschaden
    }

Genau dieses defect_band_energy, das Woche für Woche steigt, hat unsere Spindel aus dem Einstieg auffällig gemacht.

3. Anomalien erkennen oder Restlebensdauer vorhersagen

Zwei Modellfamilien machen die Hauptarbeit:

• Anomalieerkennung: lernen, wie „normal“ aussieht, und dann Alarm geben, wenn Messwerte davon abweichen. Nützlich, wenn Sie viele Gesunddaten, aber wenige echte Ausfälle haben (der häufige Fall). Einfache Ansätze wie Kontrollkarten funktionieren weiterhin; fortgeschrittenere nutzen Autoencoder (ein neuronales Netz, das lernt, normale Daten zu rekonstruieren, und bei abnormalen Daten scheitert).
• Schätzung der Restnutzungsdauer (Remaining Useful Life, RUL): vorhersagen, wie lange es bis zum Ausfall dauert. Dafür braucht es Run-to-Failure-Beispiele, um die Degradationskurve zu lernen. Schwieriger, beantwortet aber direkt die Frage „Wann sollten wir die Reparatur einplanen?“

4. Eine Aktion auslösen

Eine Vorhersage, auf die niemand reagiert, ist wertlos. Der Modelloutput muss in ein CMMS (Computerized Maintenance Management System) fließen, die Software zur Verwaltung von Arbeitsaufträgen, damit ein Techniker ein Ticket bekommt, ein Ersatzteil bestellt wird und die Reparatur im nächsten geplanten Stillstand landet.

Ein konkretes Durchspielen

Stellen Sie sich eine Pumpe in einem KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ühlkreislauf vor.

1. Baseline: drei Monate normale Vibrations- und Temperaturdaten definieren „gesund“.

2. Drift: über zwei Wochen steigt die Energie im Defektband um 15 Prozent und die Lagertemperatur läuft jeden Tag etwas heißererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen →.

3. Alarm: das Anomaliemodell schlägt an. Schweregrad ist „beobachten“, nicht „dringend“.

4. Bestätigung: ein Techniker macht eine schnelle Ultraschallprüfung und bestätigt frühen Lagerverschleiß.

5. Aktion: ein Arbeitsauftrag plant den Tausch im geplanten Wartungsfenster am Sonntag.

Der Ausfall, der einen ungeplanten Stillstand am Dienstag verursacht hätte, wird zu einer Routineaufgabe am Sonntag.

Wo Teams es falsch machen

Zu früh hinter RUL herjagen. Präzise Vorhersagen „Tage bis zum Ausfall“ sind verlockend, aber datenhungrig. Die meisten Werke holen 80 Prozent des Werts zuerst aus einfacher Anomalieerkennung. Fangen Sie dort an.

Keine Ausfalldaten. Wenn Ihre Maschinen selten ausfallen (operativ eine gute Nachricht), haben Sie kaum Beispiele zum Lernen. Deshalb dominiert Anomalieerkennung, die nur Gesunddaten braucht, die realen Deployments.

Alert Fatigue. Ein Modell, das falschen Alarm schlägt, wird ignoriert. Setzen Sie Schwellwerte konservativ und leiten Sie Alerts nach Schweregrad. „Beobachten“ und „jetzt handeln“ sollten unterschiedlich aussehen.

Die Menschen überspringen. Wartungstechniker kennen diese Maschinen in jedem Detail. Ihr Wissen darüber, welche Ausfallmodi zählen und welche Geräusche harmlos sind, sind Trainingsdaten, die Sie nicht kaufen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen. Holen Sie sie ab Tag eins dazu.

Die letzte Meile ignorieren. Das Modell ist vielleicht 30 Prozent der Arbeit. Die Integration mit CMMS, Ersatzteilbestand und Schichtplänen sind die anderen 70 Prozent, und davon hängt ab, ob Sie Stillstände tatsächlich vermeiden.

Die Wirtschaftlichkeit

Sie setzen PdM nicht überall ein. Sie zielen damit. Ein nützliches Raster: hohe Ausfallfolgen (Sicherheit, hohe Stillstandskosten oder Ersatzteile mit langen Lieferzeiten) plus eine messbare Ausfallsignatur. Eine kritische, schwer ersetzbare Pumpe ist ein sehr guter Kandidat. Ein günstiger, redundanter Lüfter, der sanft ausfällt, nicht.

Der O&M-Guide des US Department of Energy ist eine solide kostenlose Referenz zu den Trade-offs von Wartungsstrategien, inklusive dem Kostenvergleich zustandsbasierter Ansätze.

Starten Sie mit einem Pilot auf einer Anlagenklasse, belegen Sie die Einsparungen, dann skalieren Sie. Werke, die alles auf einmal instrumentieren wollen, bleiben meist unter der Daten- und Integrationslast stecken.

Den Business Case aufbauen

Wenn Sie PdM intern pitchen, formulieren Sie es in der Sprache, die Operations-Verantwortliche schon nutzen:

• OEE (Overall Equipment Effectiveness): die Standardmetrik aus Verfügbarkeit, Leistung und Qualität. PdM hebt vor allem die Verfügbarkeitskomponente, indem es ungeplante Stillstände reduziert.
• MTBF (Mean Time Between Failures): steigt, wenn Sie Probleme erkennen, bevor Folgeschäden entstehen.
• Ersatzteil-Bestandskosten: zustandsbasiertes Bestellen kann die Aufpreise für Express-Lieferungen und den Sicherheitsbestand reduzieren, den Sie „für alle Fälle“ halten.

Versprechen Sie vorab keine konkrete prozentuale Verbesserung. Ergebnisse hängen stark von Ihren Anlagen, der Datenqualität und der Disziplin der Wartungsreaktion ab. Verpflichten Sie sich stattdessen auf einen gemessenen Pilot mit klarer Baseline, damit die Einsparungen belegbar sind und nicht behauptet.

Eine praktische Anmerkung für 2026: Sensoren und Edge-Computing-Hardware sind billig genug geworden, dass die Nachrüstung älterer Maschinen mit Vibrations- und Temperaturüberwachung oft erschwinglich ist. Sie brauchen also keine brandneue „smarte“ Maschine, um anzufangen.

Die wichtigsten Punkte

• Predictive Maintenance repariert Maschinen nach Ihrem Zeitplan, nicht nach deren, indem Zustandsdaten ausgelesen werden, statt bis zum Ausfall zu fahren oder nach festem Kalender zu tauschen.
• Vibration ist das Arbeitspferd unter den Signalen für rotierende Anlagen, und Frequenzanalyse (FFT) zeigt Verschleiß, der im Rohsignal unsichtbar ist.
• Starten Sie mit Anomalieerkennung, nicht mit Restlebensdauer-Vorhersage. Sie braucht nur Gesunddaten, die jedes laufende Werk schon hat, und liefert den größten Teil des Werts.
• Das Modell ist der einfache Teil. Die Integration mit CMMS, Ersatzteilen und Schichtplänen sowie die Akzeptanz der Techniker verhindert am Ende die Stillstände.
• Nehmen Sie zuerst Anlagen mit hohen Ausfallfolgen und gutem Signal ins Visier, fahren Sie einen gemessenen Pilot mit klarer Baseline und skalieren Sie aus belegten Einsparungen heraus, statt alles auf einmal zu instrumentieren.