KI Predictive Maintenance: Funktionsweise, Daten und Beispiel

Was ist KI Predictive Maintenance

KI Predictive Maintenance wendet maschinelles Lernen auf Sensordaten an (Schwingung, Temperatur, Strom, Druck), um den Zustand einer Anlage zu erkennen und einen nahenden Ausfall rechtzeitig zu melden, sodass die Reparatur planbar wird. Die Entscheidung folgt nicht mehr dem Kalender, sondern dem tatsächlichen Zustand der Maschine.

KI ersetzt weder die Schwingungsanalyse noch die Instandhaltungsplanung. Sie liest viele Signale gleichzeitig, lernt das Normalverhalten und löst den Arbeitsauftrag aus. Den Rahmen liefern die Unterschiede zwischen vorbeugender, zustandsorientierter und korrektiver Instandhaltung.

Visuelle Übersicht zu KI Predictive Maintenance

Die Übersicht zeigt die ganze Kette vom Sensor bis zum Arbeitsauftrag und das Rechenbeispiel aus diesem Artikel.

Funktionsweise: von den Daten zum Arbeitsauftrag

1. Daten: Sensoren sowie die Ausfall- und Reparaturhistorie erfassen das Maschinenverhalten. Die Basis ist meist industrielles IoT.
2. Modell: Der Algorithmus lernt das Normalmuster und berechnet einen Gesundheitsindex oder eine Ausfallwahrscheinlichkeit.
3. Warnung: Überschreitet der Index einen Schwellwert, meldet das System Anlage, verändertes Signal und Dringlichkeit.
4. Arbeitsauftrag: Die Warnung wird im CMMS zum Auftrag, der Ersatzteile, Personal und Stillstandsfenster reserviert.

Ohne den letzten Schritt bleibt KI ein schönes Dashboard. Der Nutzen entsteht, wenn die Warnung eine geplante Maßnahme auslöst.

Welche Daten das Modell speisen

Auch Kontextdaten zählen: Drehzahl, Last, gefahrenes Produkt und das Datum des letzten Teiletauschs. Ohne sie verwechselt das Modell einen Betriebswechsel mit einem Defekt.

Drei Modelltypen

• Anomalieerkennung: lernt nur das Normalverhalten und meldet, wenn das Signal davon abweicht. Sie ist der Einstieg, wenn kaum Ausfälle dokumentiert sind.
• Klassifikation: erkennt die Ausfallart, braucht aber gelabelte Beispiele für jede einzelne.
• Restnutzungsdauer (RUL): schätzt die verbleibende Zeit bis zum Ausfall. Sie erfordert eine lange Historie und einen stabilen Prozess.

Gut modellierbar ist ein Ausfall, der sich vorher ankündigt. Tritt der Defekt von einer Stunde zur nächsten auf, warnt kein Algorithmus rechtzeitig. RCM und FMEA helfen bei der Auswahl der Fehlerarten mit Vorläufersignal.

Beispiel: 40 Motoren in 12 Monaten

Fiktives Beispiel. Ein Werk überwacht 40 Motoren. Im Testzeitraum traten 10 Ausfälle auf. Das Modell erzeugte 14 Warnungen: 8 kündigten einen echten Ausfall an, 6 waren Fehlalarme. Zwei Ausfälle blieben ohne Warnung.

Precision = RP ÷ (RP + FP) = 8 ÷ 14 = 57,1 % | Recall = RP ÷ (RP + FN) = 8 ÷ 10 = 80 %

Nun die Kosten. Ungeplanter Ausfall: 18.000 €. Geplante Maßnahme: 4.000 €. Prüfung einer Fehlwarnung: 600 €.

Eine richtige Warnung spart 14.000 € (18.000 − 4.000), eine falsche kostet 600 €. Ein Treffer gleicht rund 23 Fehlalarme aus. Deshalb kann ein Modell mit 57 % Precision sehr wirtschaftlich sein, solange die Prüfung einer Warnung günstig ist. Umgekehrt gilt: Stoppt jeder Fehlalarm die Linie, ändert sich die Rechnung.

So starten Sie, ohne das Ziel zu verfehlen

1. Wählen Sie 5 bis 10 kritische Anlagen mit teuren Ausfällen und Vorläufersignal.
2. Sichern Sie die Datenqualität: kalibrierte Sensoren, synchronisierte Uhren, Ausfallhistorie mit Datum und Ursache.
3. Beginnen Sie mit Anomalieerkennung und vergleichen Sie mit der Diagnose eines Analysten.
4. Legen Sie vorab fest, wer die Warnung erhält, wie schnell er reagiert und was er tut.
5. Messen Sie Precision, Recall, mittlere Vorlaufzeit und vermiedene Kosten und verfolgen Sie MTBF und MTTR der Anlagen.
6. Erst dann ausweiten. Wächst die Historie, lohnt der Blick auf den digitalen Zwilling.

Verknüpfen Sie die Praxis mit TPM: Der Bediener bemerkt, was der Sensor übersieht, und die Instandhaltung validiert die Warnung.

Häufige Fehler und Grenzen

• Wenige Ausfälle in der Historie: Ein Klassifikator lässt sich nicht trainieren. Nutzen Sie Anomalieerkennung.
• Schlechte Daten: Ein lockerer oder unkalibrierter Sensor erzeugt Fehlalarme.
• Ignorierter Betriebswechsel: Neues Rezept, andere Drehzahl oder Last verändern das Normalsignal, das Modell muss nachgestellt werden.
• Ausfall ohne Vorwarnung: Plötzliche Defekte, etwa durch Fremdkörper, sind nicht vorhersagbar.
• Warnung ohne Verantwortlichen: Ist niemand zuständig, passiert nichts.
• Black Box: Das Modell sollte angeben, welches Signal sich verändert hat, damit der Techniker vor Ort prüfen kann.

Häufige Fragen

Wie sagt KI Maschinenausfälle voraus?

Sie lernt das Normalmuster der Anlagensignale und erkennt Abweichungen, die einem Ausfall oft vorausgehen, und schätzt Wahrscheinlichkeit oder Restzeit.

Brauche ich viele Ausfalldaten für den Start?

Nein. Die Anomalieerkennung lernt allein aus Daten des Normalbetriebs. Gelabelte Beispiele braucht erst die Klassifikation von Ausfallarten.

Welche Sensoren werden am häufigsten genutzt?

Schwingung, Temperatur, Motorstrom und Druck. Die Wahl hängt von der Fehlerart ab, die erkannt werden soll.

Ersetzt KI den Schwingungsanalytiker?

Nein. Sie erweitert die Abdeckung und filtert Fälle, doch Diagnose und Stillstandsentscheidung bleiben beim Fachmann.

Wie früh warnt die KI?

Das hängt von der Fehlerart ab. Lager kündigen sich oft Wochen vorher an, plötzliche elektrische Ausfälle kaum oder gar nicht.

Wie messe ich, ob sich das Projekt gelohnt hat?

Vergleichen Sie Ausfall- und Stillstandskosten vorher und nachher abzüglich der Fehlalarme, wie im Beispiel: 180.000 € gegenüber 71.600 €.

Über den Autor

Vagner Soares

Spezialist für Lean Manufacturing und Verhaltensmanagement

Über 20 Jahre in der Automobil- und Metallindustrie (GM und Dana), Praktiker für Lean Manufacturing seit 2006. SENAI-Dozent und Mentor im brasilianischen Programm Brasil Mais Produtivo, mit Beratung, Schulung und Audits für über 50 Unternehmen. Er verbindet Qualität, Produktivität und Personalentwicklung.

LinkedInInstagramVollständiges Profil →