Maschinen melden sich nicht, wenn sie Probleme haben – zumindest nicht, bis es zu spät ist. Ungeplante Ausfälle kosten Handwerksbetriebe und Industrieunternehmen täglich Geld: Stillstandszeiten, Expressliefer-Kosten für Ersatzteile, Überstunden für die Reparatur. Predictive Maintenance, also vorausschauende Wartung mit KI, dreht dieses Prinzip um.
Vom reaktiven zum vorausschauenden Service
Traditionelle Wartung folgt zwei Mustern: Entweder wird nach einem festen Zeitplan gewartet – unabhängig davon, ob die Maschine das wirklich braucht – oder erst dann, wenn etwas kaputt ist. Beide Ansätze sind ineffizient. KI-gestützte Wartungsplanung geht einen dritten Weg: Sensoren messen kontinuierlich Temperatur, Schwingungen, Stromverbrauch und andere Betriebsparameter. Weichen diese von den Normwerten ab, erkennt die KI ein Muster – und schlägt Wartungsintervalle vor, bevor ein Schaden entsteht.
Sensordaten als Frühwarnsystem
Moderne Maschinen – aber auch ältere, mit nachgerüsteten IoT-Sensoren – liefern kontinuierlich Daten. Ein Kompressor, der leicht lauter wird, ein Elektromotor, der mehr Strom zieht als üblich, eine Hydraulikpumpe mit schwankenden Druckwerten: Diese Signale sind für das menschliche Auge kaum wahrnehmbar. Ein KI-System erkennt sie zuverlässig – und meldet: „Lager an Maschine 3 sollte innerhalb von 14 Tagen geprüft werden.“
Anbieter wie Augury, Siemens MindSphere oder SAP Predictive Maintenance bieten solche Lösungen an. Für kleinere Betriebe gibt es auch schlanke Einstiegslösungen, die mit Standardsensoren und einer App-Oberfläche arbeiten.
Automatische Serviceanmeldung
Die fortgeschrittene Version geht noch weiter: Das System meldet den Wartungsbedarf nicht nur an den Betrieb, sondern kontaktiert bei vernetzten Geräten direkt den Servicetechniker – oder löst automatisch eine Bestellung des benötigten Ersatzteils aus. Das Gerät organisiert seinen eigenen Service, der Betrieb bestätigt nur noch.
Im Handwerk ist das besonders relevant für teure Geräte wie Kompressoren, Hebebühnen, Schweissanlagen oder Kälteanlagen. Ein Ausfall kurz vor dem grossen Auftrag ist meist teurer als jede Wartung.
Was sich in der Praxis verändert
Betriebe, die Predictive Maintenance einführen, berichten von 20 bis 40 Prozent weniger ungeplanten Stillständen. Gleichzeitig sinkt der Wartungsaufwand insgesamt, weil nicht mehr nach festem Zeitplan gewartet wird, sondern dann, wenn es tatsächlich nötig ist. Ersatzteillager können reduziert werden, weil der Bedarf frühzeitig bekannt ist und bedarfsgerecht bestellt werden kann.
Der Einstieg lohnt sich mit einem Pilotprojekt: Nehmen Sie die zwei oder drei Maschinen, deren Ausfall die grössten Konsequenzen hätte, rüsten Sie sie mit Sensoren nach, und analysieren Sie drei bis sechs Monate lang die Daten. Die Ergebnisse zeigen schnell, wo das grösste Optimierungspotenzial liegt.
Weiterführende Artikel:
Predictive Maintenance: Wenn die Maschine selbst Alarm schlägt
Predictive Maintenance: Wie KI ungeplante Maschinenausfälle verhindert
Rüstzeit-Reduktion durch KI: Mehr Output mit denselben Maschinen
