Predictive Maintenance mit KI

🔄 Kurzer Rueckblick: In Lektion 3 hast du die KI-Anwendungsfaelle in der Produktion kennengelernt und gelernt, wie du den richtigen Einstieg waehlst. Jetzt tauchen wir in den Klassiker ein: Predictive Maintenance.

Mittwoch, 2:47 Uhr. Eine Hydraulikpumpe in der Pressenlinie faellt aus. Ungeplant. Der Instandhalter wird aus dem Bett geklingelt. Ersatzteil nicht auf Lager. Lieferzeit: 48 Stunden. Stillstandskosten: 8.000 EUR pro Stunde.

Die Vibrationsdaten haetten den Ausfall drei Wochen vorher angezeigt. Aber niemand hat hingeschaut.

Wie Predictive Maintenance funktioniert

Predictive Maintenance ist kein Hexenwerk — es ist Mustererkennung auf Sensordaten. Die KI lernt, wie sich eine gesunde Maschine verhaelt, und meldet, wenn sich etwas aendert.

Phase	Aktivitaet	Dauer
1. Datenerfassung	Sensoren nachrüsten, Daten sammeln	1-4 Wochen
2. Baseline	Normalzustand lernen	4-12 Wochen
3. Anomalie-Erkennung	Abweichungen erkennen	Ab Woche 8
4. Vorhersage (RUL)	Restlebensdauer berechnen	Ab 6+ Monaten

Die Sensorik: Welche Daten brauchst du?

Sensortyp	Misst	Erkennt	Vorlaufzeit
Vibration	Beschleunigung, Frequenz	Lagerschaeden, Unwucht, Zahnradprobleme	2-4 Wochen
Temperatur	Oberflaechentemperatur	Ueberhitzung, Reibung, Kuehlungsprobleme	1-2 Wochen
Strom	Motorstrom, Leistung	Ueberlast, Wicklungsschaeden	1-3 Wochen
Akustik	Ultraschall	Leckagen, Druckluftverlueste	Tage bis Wochen
Oel	Partikelzahl, Viskositaet	Verschleiss, Kontamination	2-6 Wochen

Faustregel: Fuer rotierende Maschinen (Motoren, Pumpen, Kompressoren) ist Vibration der wichtigste Sensor. Fuer thermische Prozesse (Oefen, Trockner) ist Temperatur entscheidend. Im Zweifel: Vibration + Temperatur kombinieren.

✅ Quick Check: Warum ist Vibration bei rotierenden Maschinen aussagekraeftiger als Temperatur? (Tipp: Vibrationsaenderungen zeigen sich oft Wochen frueher als Temperaturanstiege — die Frequenzverschiebung kommt vor der Waermeentwicklung.)

Zwei KI-Ansaetze: Anomalie-Erkennung vs. RUL

Anomalie-Erkennung — Der Einstieg

Die KI lernt: „So klingt eine gesunde Maschine." Jede Abweichung wird gemeldet.

Vorteile:

Braucht nur Daten aus dem Normalbetrieb (keine historischen Ausfaelle noetig)
Funktioniert ab 4-8 Wochen Trainingsdaten
Erkennt auch unbekannte Fehlertypen

Nachteile:

Sagt nicht, WAS kaputt geht — nur DASS etwas anders ist
Keine Zeitvorhersage (wann faellt die Maschine aus?)
Mehr Fehlalarme moeglich

Remaining Useful Life (RUL) — Die Koenigsdisziplin

Die KI sagt: „Das Lager an Spindel 3 hat noch 72 Betriebsstunden."

Vorteile:

Konkrete Zeitvorhersage (du kannst die Reparatur planen)
Weniger Fehlalarme
Optimal fuer Ersatzteil-Management

Nachteile:

Braucht historische Ausfalldaten (idealerweise 20+ Ausfaelle gleichen Typs)
Laengere Trainingszeit (6+ Monate Datensammlung)
Funktioniert nur fuer bekannte Fehlertypen

Pragmatische Strategie: Phase 1 mit Anomalie-Erkennung starten (sofortiger Nutzen, wenig Daten noetig). Parallel Ausfalldaten sammeln. Phase 2: RUL-Modelle trainieren, sobald genug Daten vorliegen.

Implementierung: 12-Wochen-Plan

Woche	Aufgabe	Ergebnis
1-2	Kritische Maschine identifizieren, Sensoren bestellen	Scope definiert
3-4	Sensoren installieren, Datenfluss testen	Daten fliessen
5-8	Baseline-Daten sammeln, Datenqualitaet pruefen	4 Wochen saubere Daten
9-10	Anomalie-Erkennung trainieren, Schwellenwerte kalibrieren	Erstes Modell
11-12	Testalarm → Instandhaltung → Feedback-Schleife	System im Einsatz

Typische Kosten

Kostenposition	Budget
Sensoren (3-5 pro Maschine)	500-2.000 EUR
Edge-Gateway	1.000-3.000 EUR
KI-Plattform (Cloud/Lizenz)	200-500 EUR/Monat
Integration + Kalibrierung	5.000-15.000 EUR
Gesamt pro Maschine	8.000-25.000 EUR

Zum Vergleich: Ein einziger ungeplanter Stillstand einer kritischen Maschine kostet oft 20.000-100.000 EUR. Das Modell rechnet sich meistens mit dem ersten verhinderten Ausfall.

✅ Quick Check: Warum ist es sinnvoll, mit Anomalie-Erkennung zu starten statt direkt mit RUL? (Tipp: Anomalie-Erkennung braucht nur Normaldaten — keine historischen Ausfaelle. Das macht den Einstieg schneller.)

Haeufige Fehler und wie du sie vermeidest

Fehler	Warum problematisch	Loesung
Zu viele Maschinen gleichzeitig	Datenqualitaet leidet, Fokus fehlt	Eine Maschine, ein Pilot
Zu wenig Baseline-Daten	Zu viele Fehlalarme	Mindestens 4 Wochen Normalbetrieb
Instandhaltung nicht einbinden	System wird nicht vertraut, ignoriert	Instandhalter von Tag 1 einbeziehen
Nur Daten sammeln, nie handeln	Kein Mehrwert, Vertrauen sinkt	Klarer Eskalationsprozess definieren
Fehlalarme ignorieren	Alarm Fatigue — echte Alarme werden uebersehen	Schwellenwerte iterativ kalibrieren

Puh, die Liste der Fehler ist lang — und fast jedes Unternehmen macht mindestens einen davon. Der haeufigste: Zu frueh zu viel wollen.

Key Takeaways

Vibrationsdaten sind der Goldstandard fuer rotierende Maschinen — Frequenzverschiebungen zeigen Schaeden Wochen vorher
Anomalie-Erkennung ist der pragmatische Einstieg — braucht nur Normaldaten, kein Ausfall-Historien
RUL-Vorhersage ist die Koenigsdisziplin, braucht aber 20+ dokumentierte Ausfaelle als Trainingsgrundlage
Eine Maschine, ein Pilot, 12 Wochen — dann schrittweise skalieren
Die Instandhaltung von Tag 1 einbeziehen — Technik ohne Akzeptanz ist nutzlos

Up Next

In der naechsten Lektion geht es um KI-basierte Qualitaetskontrolle: Wie Bildanalyse und Sensordaten Defekte erkennen, die kein Mensch sieht.