Das Problem
Eine ungeplante Stillstandsstunde an einer Produktionslinie kostet je nach Branche zwischen €5.000 und €50.000 — bei Automotive-Zulieferern und in der Halbleiterfertigung auch deutlich mehr. Trotzdem läuft die Wartung in den meisten Werken noch nach starren Intervallen: alle 500 Betriebsstunden ein Service, einmal im Quartal ein Schichtenwechsel der Verschleißteile. Das Ergebnis ist doppelt schlecht. Gute Komponenten werden zu früh getauscht und Geld verbrannt. Kritische Bauteile fallen trotzdem aus, weil das starre Intervall die reale Belastung ignoriert. Predictive Maintenance löst genau diesen Konflikt — sofern man es nicht als Buzzword behandelt, sondern als Engineering-Aufgabe.
So funktioniert die KI-Lösung
Die Kernidee ist simpel: Sensoren liefern kontinuierlich Daten über Vibration, Temperatur, Stromaufnahme, Drehmoment und akustische Signale. Ein ML-Modell lernt aus historischen Ausfällen, welche Muster einem Defekt typischerweise vorausgehen. Im Live-Betrieb vergleicht das System die aktuellen Sensorwerte mit diesen Mustern und schlägt Alarm, bevor der tatsächliche Schaden eintritt.
In der Praxis kombiniert ein gutes Setup zwei Schichten. Eine Anomalie-Detection identifiziert in Echtzeit Abweichungen vom Normalbetrieb — oft reicht hier ein klassisches Autoencoder-Modell oder Isolation Forest. Eine Prognose-Schicht schätzt die Restlebensdauer (RUL) der kritischen Komponenten und priorisiert die Wartungs-Tickets nach erwartetem Ausfallrisiko. Beides wandert direkt ins Wartungsplanungs-System, sodass Techniker nicht auf Dashboards starren, sondern Tickets bearbeiten.
Architektur-Skizze
So sieht ein typisches Setup aus, das wir 2026 für österreichische Industriekunden bauen:
- Sensor-Daten-Ingest: OPC UA und MQTT als Standard-Protokolle, Edge-Gateway pro Linie (Siemens IOT2050 oder vergleichbar) für Vorverarbeitung
- Time-Series-Datenbank: TimescaleDB (PostgreSQL-Extension) oder InfluxDB, Retention je nach Anlage 12 bis 24 Monate Rohdaten
- ML-Modell: XGBoost für Komponenten mit klaren physikalischen Indikatoren, LSTM oder Temporal-Convolution-Networks für komplexere Vibrations- und Akustik-Patterns
- Trainings-Pipeline: Wöchentliches Re-Training auf neuen Ausfalldaten, MLflow für Modell-Versionierung und Drift-Monitoring
- Alert-Engine: Regelbasierte Priorisierung (kritisch / hoch / mittel), Eskalation an Schichtleiter via Teams oder hauseigene Wartungs-App
- Wartungs-Ticket-Integration: Direkte Anbindung an SAP PM, Microsoft Dynamics Field Service oder hauseigene CMMS, automatisches Closed-Loop-Feedback
- Monitoring: Grafana-Dashboard mit OEE-Sicht, Modell-Performance-Tracking, Trefferquoten je Asset-Klasse
DSGVO und EU AI Act
Bei reiner Maschinendaten-Analyse gibt es kein Personenbezug — DSGVO ist damit unkritisch. Auch der EU AI Act stuft Predictive-Maintenance-Systeme grundsätzlich als minimal-risk ein, solange es ausschließlich um die Anlagenüberwachung geht.
Heikel wird es in einem konkreten Szenario: Wenn aus den Sensordaten indirekt die Effizienz einzelner Schichten oder Mitarbeiter ablesbar ist (zum Beispiel über Setup-Zeiten, Stillstandsmuster oder Bedienfehler-Indikatoren), fällt das System unter Anhang III des AI Act ("Beschäftigung") und wird zum Hochrisiko-System. In dem Fall braucht es eine Folgenabschätzung, eine Einbindung des Betriebsrats und ein dokumentiertes Verbot, die Daten zur individuellen Leistungsbewertung zu verwenden. Wir empfehlen, diese Trennlinie schriftlich in der Betriebsvereinbarung festzuhalten — sauber, früh und schriftlich.
ROI-Beispiel
Realer Case eines ATX-notierten Industriebetriebs mit 12 Produktionslinien und etwa 240 kritischen Maschinen:
Ungeplante Ausfälle nach 12 Monaten Predictive Maintenance
| Kennzahl | Vorher | Nach 12 Monaten | Differenz |
|---|---|---|---|
| Ungeplante Ausfallstunden / Jahr | 1.840 h | 1.067 h | -42 % |
| Wartungskosten / Jahr | €4,2 Mio | €3,44 Mio | -€760.000 |
| OEE (Overall Equipment Effectiveness) | 71 % | 77 % | +6 PP |
| Ersatzteil-Lagerwert | €1,8 Mio | €1,3 Mio | -€500.000 |
Setup-Kosten: €280.000 einmalig (Sensor-Nachrüstung an 80 Maschinen, Datenpipeline, ML-Modelle, CMMS-Integration). Laufende Kosten: rund €12.000 pro Monat. Amortisation nach 14 Monaten. Im zweiten Jahr lag der Nettonutzen bei knapp €1,1 Mio — wesentlich getrieben durch die Verringerung der Wochenend-Notdienst-Einsätze und einen messbaren Output-Anstieg an den zwei Engpass-Linien.
Implementation-Aufwand
Wir liefern Predictive Maintenance in drei Größenordnungen, abhängig von Anlagenkomplexität und Sensorisierungsgrad:
- Pilot (8–12 Wochen, €60.000–110.000): 1 Linie oder Asset-Klasse, bestehende Sensoren werden genutzt, ein einziges ML-Modell, Reporting via Dashboard ohne CMMS-Integration
- Standard (4–6 Monate, €180.000–320.000): 3–6 Linien, gemischte Sensor-Nachrüstung, mehrere Modelle, vollständige CMMS-Integration
- Werks-Rollout (9–14 Monate, €450.000–900.000): komplettes Werk, einheitliches Datenmodell, mehrere Standorte, Modell-Governance und Drift-Monitoring als laufender Betrieb
Plus laufende Kosten: monatliches Re-Training, Sensor-Wartung, Modell-Tuning. Realistisch sind das €8.000 bis €25.000 pro Monat — abhängig von Anlagenzahl und Datenpipeline-Komplexität.
Häufige Fehler
Aus mehreren Industrie-Audits kristallisieren sich vier Anti-Patterns heraus:
- Modelle ohne Drift-Monitoring: Maschinen altern, Sensoren altern, Produktionsmix ändert sich. Ein Modell, das im Januar gut funktioniert, liegt im Juni systematisch daneben — wenn niemand es überwacht.
- Fehlender Wartungs-Closed-Loop: Die KI prognostiziert einen Ausfall, die Wartung wird durchgeführt, aber das Ergebnis fließt nicht zurück ins Modell. Damit verschenkt man die wichtigste Lernquelle.
- Alert-Müdigkeit durch False Positives: Wer ein Modell ohne Schwellwert-Tuning ausrollt, generiert anfangs 5 bis 10 Fehlalarme pro Tag. Nach zwei Wochen schaltet die Schicht die Alerts ab — und das System ist tot.
- Sensor-Daten ohne Kontext: Vibrationsdaten ohne Information über Last, Drehzahl und Produktmix sind statistisches Rauschen. Die Anbindung an die SPS-Kontextdaten ist Pflicht.
Häufige Fragen
Was Werksleiter zu Predictive Maintenance fragen.
Wie viele historische Ausfälle brauchen wir, damit das Modell funktioniert?
Müssen wir alle Maschinen mit neuen Sensoren ausrüsten?
Wie sieht der EU AI Act für Predictive Maintenance aus?
Können wir das Modell selbst betreiben oder müssen wir auf einen Cloud-Anbieter setzen?
Was passiert, wenn das Modell einen Ausfall nicht erkennt?
Bereit für einen Pilotabschnitt?
Wenn deine Werke ungeplante Ausfälle in der Größenordnung von 500 Stunden pro Jahr und mehr haben, lohnt sich der Blick auf Predictive Maintenance fast immer. Im Audit M (€8.500) schauen wir uns deine zwei kritischsten Anlagen an, prüfen die Datenpipeline und liefern eine belastbare ROI-Schätzung mit Implementation-Pfad und Sensor-Bedarfsanalyse. Buch dir einen 45-minütigen Discovery-Call — danach weißt du, ob ein Pilot in deinem Werk sinnvoll ist.