Die meisten Fabriken warten ihre Anlagen noch immer auf eine von zwei Arten: Sie lassen sie laufen, bis etwas kaputtgeht, oder sie warten nach einem festen Kalender unabhängig vom tatsächlichen Zustand. Beide Ansätze kosten mehr als nötig. Reaktive Wartung bedeutet ungeplante Stillstände, Notfall-Ersatzteile und kaskadierende Produktionsverzögerungen. Kalenderbasierte Wartung bedeutet, Komponenten zu tauschen, die noch Monate Restlebensdauer haben, Maschinen in Spitzenzeiten offline zu nehmen und Arbeitsstunden für unnötige Eingriffe aufzuwenden.
Predictive Maintenance bietet ein grundlegend anderes Modell. Statt auf Ausfälle zu reagieren oder zu raten, wann sie eintreten könnten, überwacht man den tatsächlichen Zustand der Anlage in Echtzeit und greift nur ein, wenn die Daten auf ein sich entwickelndes Problem hinweisen. Das Konzept ist nicht neu — Zustandsüberwachung gibt es seit Jahrzehnten. Was sich geändert hat, ist die Fähigkeit, hochfrequente Sensordaten mit Machine-Learning-Modellen zu verarbeiten, die subtile Degradationsmuster erkennen, lange bevor sie für einen Bediener oder einen schwellenwertbasierten Alarm sichtbar werden.
Von reaktiv zu prädiktiv: Drei Wartungsmodelle
Um zu verstehen, wo Predictive Maintenance einzuordnen ist, muss man das gesamte Spektrum betrachten. Reaktive Wartung — „Laufen bis zum Ausfall" — ist die einfachste Strategie. Man betreibt die Anlage, bis etwas bricht, und repariert dann. Für unkritische Anlagen kann das akzeptabel sein. Für eine Spindel an einer hochwertigen CNC-Maschine oder ein Lager in einer kontinuierlichen Prozesslinie bedeutet ein ungeplanter Ausfall Stunden an Stillstand, potenzielle Beschädigung des Werkstücks und einen Dominoeffekt auf nachgelagerte Prozesse.
Zeitbasierte präventive Wartung verbessert dies durch geplante Eingriffe in festen Intervallen: alle 500 Betriebsstunden, alle 90 Tage, alle 10.000 Zyklen. Das reduziert Überraschungsausfälle, führt aber zu einer anderen Art von Verschwendung. Studien zeigen konsistent, dass 30-40 % der zeitbasierten Wartungsaktivitäten zu früh durchgeführt werden — Komponenten werden ersetzt, die noch erhebliche Restlebensdauer hatten. Schlimmer noch: Feste Zeitpläne können sich schnell entwickelnde Ausfälle übersehen, die zwischen den Wartungsfenstern auftreten.
- Reaktiv — niedrigste Planungskosten, höchste Ausfallkosten, unvorhersehbare Stillstände
- Zeitbasiert präventiv — moderate Kosten, Überwartung, übersieht dennoch manche Ausfälle
- Prädiktiv (zustandsbasiert) — optimales Timing, minimaler unnötiger Aufwand, Frühwarnung bei sich entwickelnden Fehlern
Vibrationsanalyse und Anomalieerkennung
Vibration ist das informationsreichste Signal für rotierende Anlagen — Motoren, Spindeln, Lager, Getriebe, Pumpen. Ein gesundes Lager erzeugt eine konsistente Vibrationssignatur. Mit fortschreitendem Verschleiß treten neue Frequenzkomponenten auf. Ein sich entwickelnder Innenringfehler führt beispielsweise zu einer charakteristischen Frequenz, deren Amplitude mit der Zeit wächst. Traditionelle Vibrationsanalyse erforderte Spezialisten, die FFT-Spektren manuell interpretierten. Machine Learning automatisiert dies: Modelle lernen das normale Vibrationsprofil einer Maschine unter verschiedenen Betriebsbedingungen und markieren Abweichungen, die mit bekannten Ausfallmustern korrelieren.
Aber Vibration ist nur ein Signal. Effektive Predictive Maintenance kombiniert mehrere Datenströme: Vibration, Temperatur, Stromaufnahme, akustische Emission, Druckdifferenzen und Betriebsparameter aus der SPS. Die Stärke eines Machine-Learning-Ansatzes liegt darin, dass er diese Signale fusionieren und multivariate Muster erkennen kann, die kein einzelner Schwellenwertalarm erfassen würde. Ein leichter Anstieg des Motorstroms kombiniert mit einer Verschiebung der Vibrationsfrequenz und einem Temperaturanstieg von 2°C kann einzeln bedeutungslos sein — aber zusammen weisen sie mit hoher Konfidenz auf Lagerverschleiß hin.
In RockQs ML Studio bauen Ingenieure diese Anomalieerkennungsmodelle visuell auf. Sie wählen die relevanten Sensorkanäle aus, definieren den normalen Betriebsbereich aus historischen Daten und trainieren Modelle, die jedes Zeitfenster gegen gelernte Baselines bewerten. Die Plattform übernimmt die Signalverarbeitung — Resampling, Alignment, Feature-Extraktion — damit sich der Ingenieur auf das Wesentliche konzentriert: das Maschinenverhalten verstehen und validieren, dass das Modell echte Degradation erfasst, nicht Rauschen.
Anbindung an CMMS und Auswirkung auf die OEE
Ein prädiktives Modell, das Alarme generiert, auf die niemand reagiert, ist ein Forschungsprojekt, kein Wartungstool. Die entscheidende letzte Meile ist die Integration mit dem Computerized Maintenance Management System (CMMS). Wenn das Modell eine Anomalie über einem konfigurierten Schwellenwert erkennt, sollte es automatisch einen Arbeitsauftrag mit dem relevanten Kontext erstellen: welche Maschine, welche Komponente, was das Modell erkannt hat, welche Sensordaten die Vorhersage stützen und ein empfohlenes Handlungsfenster. Wartungsplaner terminieren den Eingriff dann im nächsten geplanten Stillstand, statt auf einen Notfall zu reagieren.
Die Auswirkung auf die Overall Equipment Effectiveness (OEE) ist der Punkt, an dem Predictive Maintenance seine Investition rechtfertigt. OEE erfasst Verfügbarkeit, Leistung und Qualität in einer einzigen Kennzahl. Predictive Maintenance verbessert direkt die Verfügbarkeitskomponente, indem ungeplante Stopps in geplante umgewandelt werden. Aber die Effekte gehen weiter. Maschinen, die innerhalb gesunder Parameter arbeiten, produzieren gleichmäßigere Qualität. Bediener, die dem Überwachungssystem vertrauen, kompensieren nicht, indem sie Anlagen „zur Sicherheit" mit reduzierter Geschwindigkeit fahren. Der Zinseszinseffekt auf die OEE beträgt typischerweise 5-15 Prozentpunkte — und in hochwertigen kontinuierlichen Prozessen bedeutet selbst ein einziger Prozentpunkt OEE-Verbesserung signifikanten Umsatz.
Bei Predictive Maintenance geht es nicht darum, alle Wartung zu eliminieren. Es geht darum, die falsche Wartung zu eliminieren — die Notfallanrufe um 2 Uhr morgens, die unnötigen Abschaltungen während der Spitzenproduktion, die sechs Monate zu früh getauschten Komponenten. Wenn Sie die Maschine durch Daten statt durch Vermutungen sprechen lassen, wird Wartung zur strategischen Funktion statt zum Kostenfaktor.