Predictive Maintenance im Maschinenbau: Warum die Datengrundlage über den Erfolg entscheidet

Ein Maschinenbauer rüstet seine kritischsten Anlagen mit Sensoren aus, kauft eine KI-Plattform dazu und startet ein Predictive-Maintenance-Projekt. Nach einigen Monaten ist die Bilanz ernüchternd: Die Ausfälle gehen kaum zurück, die Prognosen sind zu unzuverlässig, um Serviceeinsätze darauf zu planen. Die erste Vermutung fällt auf das Modell, das zu ungenau sei. Dabei sitzt das Problem selten im Modell, sondern in den Daten, auf die es zugreift. Predictive Maintenance verspricht weniger ungeplante Stillstände, planbare Einsätze und eine längere Lebensdauer der Maschinen. Der Engpass ist selten die Mathematik. Er liegt in der Datengrundlage: Servicedaten sind über ERP, Excel-Listen, Serviceberichte und die Köpfe erfahrener Techniker verstreut, oft ohne klaren Bezug zur einzelnen Maschine im Feld. Wer Predictive Maintenance einführen will, entscheidet den Erfolg zuerst über die Datenbasis, nicht über die Wahl des Algorithmus. Kurz vorab, worauf es ankommt:

• Der Engpass ist die Datengrundlage. Ohne strukturierte, maschinenbezogene Daten bleibt jede Prognose unzuverlässig, unabhängig davon, wie gut das Modell ist.
• Drei Datenarten müssen je Maschine zusammenkommen: Nutzungsdaten, Live-Sensorwerte und die Servicehistorie.
• Die digitale Maschinenakte bündelt sie zur einen verlässlichen Datenquelle – erst darauf werden Diagnose, Prognose und Serviceentscheidung belastbar.
• Pragmatischer Einstieg: die eigene Datenlage prüfen (Installed Base Assessment), dann mit einer kritischen Pilotmaschine starten.

Welche Maschinendaten Predictive Maintenance wirklich braucht

Für belastbare Prognosen zählen drei Datentypen zusammen: Nutzungsdaten, Live-Sensordaten und die Servicehistorie. Erst ihr Zusammenspiel erlaubt Aussagen darüber, wann ein Bauteil wahrscheinlich ausfällt. Entscheidend ist dabei nicht die Datenmenge, sondern ob die Daten Rückschlüsse auf Zustand und Verschleiß einer konkreten Maschine zulassen.

Betriebsstunden, Zyklen und Nutzungsdaten

Betriebsstunden und Zyklen bilden die Grundlage für die Einschätzung des Maschinenzustands. Diese Daten stammen häufig aus der Steuerung oder aus IoT-Sensoren und zeigen nicht nur die reine Laufzeit, sondern auch die Intensität der Nutzung. Damit lässt sich Wartung bedarfsgerecht planen, statt nach starren Intervallen, und die Restlebensdauer stark beanspruchter Komponenten besser abschätzen.

Sensormesswerte: Vibration, Temperatur, Druck

Live-Sensordaten machen Verschleiß früh sichtbar. Abnormale Vibrationsmuster deuten auf Lagerschäden hin, ein Temperaturanstieg auf Überlastung oder ein Problem im Kühlsystem, Druckschwankungen auf Leckagen. Solche Werte zeigen vor allem akute Probleme. Ihren vollen Wert entfalten sie erst im Zusammenhang mit der Historie einer Maschine.

Servicehistorie: Reparaturen und Wartungsprotokolle

Eine lückenlose Dokumentation vergangener Einsätze macht Muster im Maschinenverhalten erkennbar. Welche Teile wurden wann getauscht, welche Störung trat wiederholt auf, welche Reparatur hielt wie lange. Diese Historie ordnet aktuelle Sensorwerte ein: Ein Vibrationsausschlag ist etwas anderes, wenn dasselbe Lager vor acht Monaten schon einmal getauscht wurde. Liegt die Historie nur in Einsatzberichten und E-Mails verstreut, geht dieser Zusammenhang verloren.

Warum Predictive-Maintenance-Projekte an der Datenlage scheitern

Viele Hersteller verfügen über Daten, die sich für Predictive Maintenance nutzen ließen. Nur liegen sie verstreut, unvollständig oder in Altsystemen fest. Wartungsprotokolle stehen in Excel, Sensordaten in der Steuerung, Serviceberichte im Postfach. Ohne Zusammenführung erkennt auch ein gutes Modell keine brauchbaren Muster. Branchenanalysen kommen zu einem ähnlichen Ergebnis: Datenqualität, Datenverfügbarkeit und organisatorische Hürden bremsen Predictive-Maintenance-Vorhaben stärker als die Genauigkeit der Algorithmen. Und selbst gute Daten bleiben wirkungslos, wenn die Prozesse nicht angepasst werden und Erkenntnisse ungenutzt in einer Datenbank liegen. Dazu kommt ein Kontextproblem. Ein Modell kann melden, dass ein Wert aus dem Rahmen fällt. Es kann aber nicht sagen, um welche Maschine es geht, in welchem Baujahr und welcher Konfiguration sie läuft, bei welchem Kunden sie steht und was zuletzt an ihr repariert wurde. Genau dieser Kontext entscheidet, ob aus einer Anomalie eine Serviceentscheidung wird.

Die Datengrundlage strukturieren: die digitale Maschinenakte

Der Ausgangspunkt ist eine strukturierte installierte Basis. Die digitale Maschinenakte bündelt alle Informationen zu einer Anlage an einem Ort und wird so zur verlässlichen Datenquelle für Prognosen. Dazu gehören:

• Stammdaten: Seriennummer, Baujahr, Konfiguration, Installationsort, Vertrag.
• Wartungshistorie: Reparaturberichte, getauschte Teile, Serviceintervalle.
• Echtzeit-Sensordaten: Vibration, Temperatur, Druck, Betriebsstunden.

Erst wenn statische Stammdaten und dynamische Sensordaten zusammenkommen, lässt sich ein Sensoralarm richtig einordnen und ein Verschleißmuster früh erkennen. Ältere Anlagen ohne digitale Schnittstelle lassen sich dabei nachrüsten: Sensoren erfassen Vibration, Temperatur oder Druck, IoT-Gateways überführen proprietäre Steuerungsformate in eine einheitliche Struktur. Diese Daten werden der jeweiligen Anlage automatisch zugeordnet, sodass Servicefälle bei kritischen Schwellenwerten ohne manuelle Eingriffe entstehen. Wie sich Sensordaten im Serviceportal nutzbar machen lassen, zeigt der Beitrag IoT-Daten im Serviceportal nutzbar machen. Wo die Datenbasis heute steht, klärt am schnellsten ein Installed Base Assessment. Es prüft Vollständigkeit und Qualität der vorhandenen Daten, deckt Lücken auf und hilft, kritische Anlagen zu priorisieren, deren Ausfall besonders teuer wäre.

Der Weg zu Predictive Maintenance in vier Stufen

Predictive Maintenance entsteht schrittweise, nicht mit einem einzigen Technologiesprung. Wer direkt in komplexe Prognosemodelle investiert, ohne die Grundlagen zu schaffen, verliert Zeit und Budget. Ein tragfähiger Weg folgt vier Stufen, die sich am Reifegrad der Datenbasis orientieren.

• 1. Digitalisieren: Daten und installierte Basis ordnen. Anlagenkatalog aufbauen, Datenquellen erfassen, Qualität prüfen und alles in der digitalen Maschinenakte zusammenführen. Ausgangspunkt ist ein Wartungsaudit: Welche Maschinen fallen am häufigsten aus, welcher Stillstand kostet am meisten?
• 2. Vernetzen: Prozesse verbinden und Diagnose ermöglichen. Echtzeit-Sensordaten fließen in die Wartungsprozesse. Zustandsbasierte Wartung überwacht kontinuierlich und löst bei definierten Schwellenwerten automatisch Servicefälle aus.
• 3. Entscheiden: den richtigen Wartungszeitpunkt bestimmen. Mit wachsender Datenhistorie werden Prognosen belastbar genug, um weder zu früh noch zu spät einzugreifen. Hier setzt Service Decision Intelligence an: eine Intelligenzschicht, die aus Sensorwert, Maschinenkontext und Servicehistorie eine begründete Empfehlung macht, statt nur einen Alarm auszugeben.
• 4. Automatisieren: in Richtung autonomer Services. Aus Prognosen werden Handlungsempfehlungen und vorbereitete Wartungsaufträge. Das System schlägt die sinnvollste Maßnahme vor, bevor ein Ausfall eintritt, und lernt aus jedem Einsatz weiter.

Der Unterschied zwischen Stufe 2 und Stufe 3 ist der eigentliche Sprung. Eine Meldung „Vibration erhöht“ ist noch keine Entscheidung. Erst wenn klar ist, welches Lager an welcher Maschine betroffen ist, welcher Techniker wann verfügbar wäre und welches Ersatzteil gebraucht wird, kann der Service planen statt reagieren.

Datenqualität prüfen und klein anfangen

Vor der Investition in Sensoren und Software steht die Bestandsaufnahme. Welche Maschinen fallen am häufigsten aus, sind die Wartungshistorien vollständig, werden Vibration, Temperatur oder Druck überhaupt erfasst? Typische Schwachstellen sind schlecht kalibrierte Sensoren, Übertragungslücken und inkonsistente Datenformate mit unterschiedlichen Einheiten. Danach empfiehlt sich ein enger Start: eine kritische Maschine, deren Ausfall besonders teuer ist, mit Zustandsüberwachung und automatischen Alarmen. Jede durchgeführte Wartung wird ins System zurückgemeldet. Diese Rückmeldungen sind die Basis, auf der ein Modell echte Ausfallmuster überhaupt erst lernen kann. Aus einem gesicherten Piloten lässt sich der Ansatz auf weitere Anlagen ausrollen. Ob sich der prädiktive Ansatz gegenüber präventiver Wartung wirtschaftlich lohnt, vergleicht der Beitrag Predictive Maintenance: Kosten und Nutzen im Vergleich.

Fazit: Datenqualität kommt vor Predictive Maintenance

Predictive Maintenance ist kein Produkt, das man einschaltet, sondern ein Entwicklungsweg auf einer belastbaren Datenbasis. Ohne strukturierte Wartungshistorien, vollständige Stammdaten und verlässliche Sensorwerte bleibt jede Prognose ein Ratespiel, unabhängig davon, wie gut das Modell ist. Der erste Schritt ist deshalb nüchtern: die eigene Datenlage prüfen. Ein Installed Base Assessment deckt Lücken auf und setzt Prioritäten, eine digitale Maschinenakte schafft die strukturierte Grundlage für alle weiteren Stufen. Wenn Sie herausfinden möchten, wo Ihre Anlagen heute stehen und mit welcher Maschine sich ein Einstieg lohnt, vereinbaren Sie ein Erstgespräch.