Über Predictive Maintenance
In der Fertigung, der Lebensmittel- und Getränkeindustrie, der Versorgungswirtschaft, im Transport- und Fuhrparkwesen, im Gesundheitswesen, in den Life Sciences, in der Luftfahrt, im Bergbau sowie im öffentlichen Sektor altern die Anlagenbestände, während die Instandhaltungsfachkräfte zunehmend in den Ruhestand gehen. Vorbeugende Instandhaltung auf Basis von Kalenderintervallen überversorgt manche Anlagen und übersieht Ausfälle bei anderen. Reaktive Instandhaltung ist in praktisch jeder relevanten Hinsicht teurer.
Predictive Maintenance ist die operative Antwort darauf. PdM nutzt Zustandsdaten und Analytik, um Anlagenausfälle vorherzusagen, bevor sie eintreten. Die Daten stammen von Sensoren an rotierender Ausrüstung, Pumpen, Motoren, Kompressoren, Getrieben, Hydrauliksystemen, Transformatoren, HVAC-Anlagen, Flottenfahrzeugen, Medizingeräten sowie Versorgungsinfrastruktur. Die Analyseebene wandelt diese Daten in eine Prognose um: welche Anlage ausfallen wird, wann dies voraussichtlich geschieht und mit welcher Konfidenz. Die geschäftlichen Ziele sind Betriebszeit bei kritischen Anlagen, niedrigere Gesamtinstandhaltungskosten, weniger unnötige vorbeugende Eingriffe sowie klarere Reparatur-oder-Austausch-Entscheidungen.
Wie funktioniert Predictive Maintenance?
Ein PdM-Programm läuft über drei miteinander verbundene Ebenen: Datenerfassung, Analytik und Ausführung.
1. Erfassung von Sensordaten
Schwingungssensoren erfassen Lagerverschleiß, Unwucht und Fluchtungsfehler an rotierender Ausrüstung. Ölanalysen messen Verschleißpartikel, Verunreinigungen und den Abbau der Viskosität. Infrarot-Thermografie erkennt elektrische Hotspots und Reibung. Ultraschallprüfungen identifizieren Leckagen, Lichtbögen und Lagerschäden. Die Analyse der Motorstromsignatur bewertet Fehler an Rotor und Stator. Kontinuierliche Daten aus IoT- und OT-Sensoren, SCADA-Systemen sowie Prozessdatenarchiven vervollständigen das Gesamtbild.
2. Zustandsüberwachung und Signalverarbeitung
Die Ebene der Zustandsüberwachung legt Basiswerte fest, wendet Schwellenwerte an und verfolgt Messwerte über die Zeit hinweg, wodurch Rohsignale in strukturierte Zustandsindikatoren umgewandelt werden, auf deren Basis nachgelagerte Modelle handeln können.
3. Ausfallvorhersage und Modellierung der verbleibenden Nutzungsdauer (Remaining Useful Life, RUL)
Regressionsmodelle schätzen die Zeit bis zum Ausfall. Anomalieerkennung meldet Abweichungen von einem gesunden Betriebszustand. Überlebenszeitanalysen (Survival Analysis) schätzen die Ausfallwahrscheinlichkeit innerhalb eines definierten Zeitfensters. Klassifikationsmodelle unterscheiden zwischen spezifischen Ausfallmustern. Die Prognosesicherheit ist bei rotierender Ausrüstung mit sauberen Basiswerten und dokumentierter Ausfallhistorie am höchsten; schwieriger gestaltet sie sich bei intermittierenden elektrischen Fehlern, komplexen Ausfallmustern mit mehreren Ursachen sowie bei Anlagen mit dünner Datenlage. Eine ehrliche Einschätzung des Anwendungsbereichs ist genau das, was skalierbare PdM-Programme von solchen unterscheidet, die zu viel versprechen.
4. Von der Vorhersage zum geplanten Arbeitsauftrag
Eine Vorhersage ist nur dann nützlich, wenn daraus ein geplanter, priorisierter und mit den nötigen Ersatzteilen ausgestatteter Arbeitsauftrag wird, der den richtigen Techniker zur richtigen Zeit erreicht. Das erfordert Arbeitsauftragsmanagement, KI-gestützte Priorisierung, eine bereits vor dem erwarteten Ausfallzeitfenster bereitgestellte Ersatzteilverwaltung sowie die mobile Ausführung direkt an der Anlage. Genau hier bildet Enterprise Asset Management (EAM) mit eingebetteter KI das operative Zentrum eines PdM-Programms.
Die Stufenfolge der Instandhaltungsstrategien: reaktiv, vorbeugend, zustandsbasiert, vorausschauend, präskriptiv
Die meisten Betreiber setzen zwei oder drei Strategien parallel ein, selektiv angewendet je nach Anlagenkritikalität.
Reaktive Instandhaltung (Betrieb bis zum Ausfall). Reparatur erfolgt erst, wenn die Anlage tatsächlich ausfällt. Die richtige Wahl, wenn eine Anlage kostengünstig und unkritisch ist und betriebliche Redundanz besteht.
Vorbeugende Instandhaltung (PM). Zeit- oder nutzungsbasierte Zeitpläne für Schmierung, Inspektion und den Austausch von Komponenten. Geeignet für vorhersehbare Verschleißmuster, überversorgt jedoch manche Anlagen und übersieht Ausfälle bei anderen.
Zustandsbasierte Instandhaltung (CBM). Wird ausgelöst, sobald ein gemessener Zustand aktuell einen Schwellenwert überschreitet. Reagiert auf ein gegenwärtiges Signal, nicht auf die Vorhersage eines zukünftigen. Die Brücke zwischen PM und PdM.
Vorausschauende Instandhaltung (PdM). Nutzt Zustandsdaten in Kombination mit Modellen, um vorherzusagen, wann ein Ausfall eintreten wird. Die richtige Wahl für kritische, mit Sensorik ausgestattete Anlagen mit sauberen Signalen zum Ausfallverlauf. Dies ist die Reifestufe, die mit den Predictive Maintenance Insights als benannter KI-Funktion innerhalb des EAM mit eingebetteter KI von Ultimo verknüpft ist.
Präskriptive Instandhaltung (RxM). Baut auf PdM auf. Ergänzt KI-gestützte Empfehlungen dazu, welche Maßnahme wann zu ergreifen ist. Die höchste Reifestufe, die zunächst nur in ausgewählten Bereichen erreicht wird.
Arten und Techniken von Predictive Maintenance
Suchergebnisse fassen PdM oft in drei oder vier „Arten" zusammen. In der Praxis ist das Spektrum jedoch deutlich breiter. Zu den heute in der Praxis gängigen Techniken zählen:
Schwingungsanalyse: Lagerverschleiß, Unwucht, Fluchtungsfehler, Zahnraddefekte.
Öl- und Schmierstoffanalyse: Verschleißpartikel, Verunreinigungen, Abbau der Viskosität.
Infrarot-Thermografie: elektrische Hotspots, mechanische Reibung, Verschlechterung der Isolierung.
Ultraschallprüfung: Leckagen bei Druckluft und Gasen, elektrische Lichtbögen, Lagerschäden.
Analyse der Motorstromsignatur: Fehler an Rotor und Stator in Motorwicklungen.
Schallemissionsüberwachung: Rissausbreitung, Kavitation, Leckerkennung.
Trendanalyse von Prozessparametern: Abweichungen bei Druck, Temperatur, Durchfluss und Energieverbrauch.
Ein reifes Programm wählt aus dieser vollständigen Bandbreite aus, abgestimmt auf die jeweiligen Ausfallmuster der einzelnen kritischen Anlagenklassen – anstatt sich auf eine einzelne klassische Liste mit „drei" oder „vier Arten" zu beschränken.
Predictive Maintenance vs. Preventive, Condition-Based, Prescriptive, APM, EAM und CMMS
Die Vielzahl an Kategorien kann verwirrend sein. Die Unterschiede sind jedoch relevant, da sie sowohl die Instandhaltungsstrategie als auch die Softwareauswahl prägen.
Predictive vs. Preventive Maintenance. PM ist kalender- oder nutzungsbasiert; PdM ist zustands- und prognosebasiert. PM überversorgt manche Anlagen und übersieht Ausfälle bei anderen. PdM greift genau dann ein, wenn die Daten dies tatsächlich nahelegen. Die meisten Betreiber setzen beide Ansätze parallel ein: PM für Anlagen mit geringer Kritikalität, PdM für kritische, mit Sensorik ausgestattete Anlagen.
Predictive vs. Condition-Based Maintenance (CBM). CBM greift ein, sobald ein gemessener Zustand aktuell einen Schwellenwert überschreitet; PdM sagt voraus, wann dieser Schwellenwert in Zukunft überschritten werden wird. PdM ist somit CBM plus ein Modell, wodurch sich ein planbares Zeitfenster für die Reaktion ergibt – statt einer Reaktion innerhalb derselben Schicht.
Predictive vs. Prescriptive Maintenance. PdM informiert den Betreiber darüber, dass ein Ausfall bevorsteht. Präskriptive Instandhaltung empfiehlt die konkrete Maßnahme sowie den passenden Zeitpunkt und baut als höchste Reifestufe auf PdM auf.
Predictive Maintenance vs. APM, EAM und CMMS. PdM ist die analytische und zuverlässigkeitsorientierte Perspektive innerhalb der umfassenderen Disziplin Asset Performance Management (APM). Enterprise Asset Management (EAM) ist das Rückgrat für Arbeitsausführung und Anlagendaten, und ein EAM mit eingebetteter KI ist der Ort, an dem PdM-Signale zu geplanten, mit Ersatzteilen ausgestatteten Arbeitsaufträgen werden. CMMS ist die Ebene der Arbeitsauftragsausführung ohne native Analytikfunktionen. CMMS in Kombination mit einem separaten PdM-Tool ist ein gängiges Einstiegsmuster, doch Betreiber, die mehrere Standorte konsolidieren, wechseln zu einem EAM mit eingebetteter KI, damit Analytik- und Ausführungsebene auf denselben Daten basieren.
Wer verantwortet Predictive Maintenance, und welche Kennzahlen werden nachverfolgt
PdM ist ein funktionsübergreifendes Programm. Reliability Engineering verantwortet die Ausfallmodusanalyse, die Kritikalitätsbewertung, FMECA, RCM sowie die Modellvalidierung, mit Kennzahlen zu MTBF, MTTR, dem Verhältnis von geplanter zu reaktiver Instandhaltung sowie zu Präzision und Trefferquote der Modelle. Die Instandhaltung verantwortet die Ausführung, mit Kennzahlen zu Betriebszeit, dem Anteil geplanter Instandhaltung sowie den Kosten je Anlage. Betrieb und Werksleitung verantworten die Auswirkungen auf die Produktion (OEE, termingerechte Lieferung, Kapazitätsauslastung). Der VP bzw. Director of Asset Management verantwortet das anlagenübergreifende Portfolio (Anlagenrendite, Lebenszykluskosten, Aufschub von Investitionen, Prüfungsbereitschaft). VP Finance und Controller verantworten die Auswirkungen auf Investitions- und Betriebsbudget (Margenschutz, ROI des PdM-Programms, Kapitaleffizienz). PdM entfaltet seinen Nutzen nur dann vollständig, wenn die operative Softwareebene dafür sorgt, dass all diese Rollen auf derselben Datengrundlage arbeiten.
Nutzen, ROI und Praxisbelege
Die Argumentation für PdM stützt sich auf fünf miteinander verknüpfte Ergebnisse: Betriebszeit bei kritischen Anlagen, niedrigere Gesamtinstandhaltungskosten, weniger unnötige vorbeugende Eingriffe, eine längere Lebensdauer der Anlagen sowie schärfere Reparatur-oder-Austausch-Entscheidungen. Die Einsparungen resultieren aus vermiedenen katastrophalen Ausfällen, aufgeschobenen Kapitalinvestitionen, reduzierten Überbeständen an Ersatzteilen sowie weniger Noteinsätzen.
Anlagenintensive Betreiber haben durch zuverlässigkeitsorientierte Instandhaltung auf Basis von PdM und FMECA Ausfallzeiten um bis zu 40 % reduziert. Jan Wolf, Reliability Engineer bei Kisuma Chemicals, drückt es so aus: „Die FMECA-Strategie in Ultimo hat uns geholfen, Ausfallzeiten um 40 % zu reduzieren und erhebliche Kosteneinsparungen zu erzielen." Ysco steigerte die technische Effizienz von 94 % auf 96 % und erzielte dadurch jährliche Kosteneinsparungen im sechsstelligen Bereich. Zandvliet erreichte einen ROI innerhalb von 6 Monaten. Broshuis B.V. sparte durch strukturierte Erfassung von Anlagendaten – der Grundlage, auf der jedes PdM-Modell aufbaut – mindestens eine Vollzeitstelle ein. Montanwerke Brixlegg erzielte Einkaufseinsparungen von 5 %, indem Ersatzteildaten mit Arbeitsaufträgen und Anlagendatensätzen verknüpft wurden.
Über 2.500 Organisationen, 154.000 aktive Nutzer sowie 22 Millionen unterstützte Anlagen bei 99,98 % Verfügbarkeit auf Microsoft Azure hinweg zeigt sich ein einheitliches Muster: PdM zahlt sich dann aus, wenn Vorhersage, Ausführung und Ersatzteildaten auf einer gemeinsamen Datenquelle basieren.
Wie Software Predictive Maintenance unterstützt
Ein PdM-Programm benötigt vier operative Ebenen, die jeweils bestimmten Funktionen innerhalb des EAM mit eingebetteter KI von Ultimo zugeordnet sind.
An erster Stelle steht die Anlagendatengrundlage. Automated Asset Cataloging, Eltern-Kind-Hierarchien sowie bei der Inbetriebnahme erfasste Zustandsbaselines bilden das Fundament, auf dem jedes PdM-Modell aufbaut. Die Vorhersageebene ist der Bereich, in dem Predictive Maintenance Insights – die benannte KI-Funktion von Ultimo – Prognosesignale zu bestimmten Anlagen liefert und dabei mit Sensor-, IoT- und OT-Daten sowie der Zustandsüberwachung zusammenwirkt.
Die Ausführungsebene macht aus Vorhersagen konkrete Arbeit. Work Order Management plant, priorisiert und verfolgt jeden Auftrag. Die KI-gestützte Priorisierung von Arbeitsaufträgen ordnet vorhergesagte Ausfälle nach Kritikalität. Die Mobile App bringt die Ausführung direkt aufs Werksgelände, mit der Anlagenhistorie genau dort verfügbar, wo die Arbeit stattfindet. Assisted Troubleshooting bietet Entscheidungsunterstützung vom Junior- bis zum Senior-Niveau und trägt so dazu bei, Reliability-Wissen trotz einer in den Ruhestand gehenden Belegschaft weiterzugeben. Das Modul Proactive Maintenance bündelt PdM-Workflows gemeinsam mit vorbeugenden und zustandsbasierten Zeitplänen in einer einzigen operativen Ansicht. Stock Management and Purchasing verknüpft Ersatzteildaten mit vorhergesagten Ausfällen, sodass das richtige Ersatzteil bereitsteht, sobald der Arbeitsauftrag eröffnet wird.
Reporting and Dashboards mit Power-BI-Integration liefert eine nahezu in Echtzeit verfügbare, abteilungsübergreifende Transparenz, sodass Reliability Engineering, Instandhaltung, Betrieb und Finanzabteilung auf derselben Datengrundlage arbeiten. Die Zertifizierung für SAP S/4HANA, SOC 2 Type II, die ISO-Zertifizierung, die FDA-Konformität für den nordamerikanischen Markt sowie eine Verfügbarkeit von 99,98 % auf Azure geben Unternehmens-IT und Compliance-Teams die nötige Grundlage, um die Einführung abzusichern.
Wie KI die Ausführung von Predictive Maintenance verändert
Die Digitalisierung von Anlagen erzeugt Datenmengen, die Menschen nicht mehr verarbeiten können, der Renteneintritt erfahrener Fachkräfte beschleunigt sich, und gerade die Anlagen, die PdM am dringendsten benötigen, werden zunehmend von jüngeren Teams betreut. KI, die in die alltägliche Arbeit eingebettet ist – statt als separates Tool angeflanscht zu werden –, ist die praktische Antwort darauf. Vorhersagen werden präziser, da die Modelle Zugriff auf saubere Anlagen- und Arbeitsauftragshistorien haben. Jüngere Fachkräfte kommen schneller voran, da Assisted Troubleshooting Entscheidungsunterstützung auf Senior-Niveau direkt ins Feld bringt. Planer können Arbeiten über Hunderte vorhergesagter Ausfälle hinweg nach Kritikalität sortieren, da die KI-gestützte Priorisierung von Arbeitsaufträgen die kombinatorische Komplexität bewältigt, die menschliches Urteilsvermögen in diesem Umfang nicht mehr leisten kann.
Innerhalb des EAM mit eingebetteter KI von Ultimo bildet Automated Asset Cataloging die Grundlage, Predictive Maintenance Insights arbeitet auf der Analyseebene, die KI-gestützte Priorisierung von Arbeitsaufträgen sortiert vorhergesagte Ausfälle, und Assisted Troubleshooting sowie der AI Work Instruction Generator unterstützen die Ausführung im Feld. Ultimo war der erste EAM-Anbieter, der agentische KI produktiv in die industrielle Instandhaltung gebracht hat – im Rahmen der Philosophie der Collaborative Intelligence, einer Partnerschaft aus Mensch, KI und Robotik.
Häufig gestellte Fragen
Was ist Predictive Maintenance?
Predictive Maintenance (PdM) ist eine proaktive Instandhaltungsstrategie, die Sensordaten, Zustandsüberwachung und Modelle des maschinellen Lernens nutzt, um vorherzusagen, wann eine Anlage voraussichtlich ausfallen wird – sodass Instandhaltungsarbeiten vor dem Ausfall eingeplant werden können, jedoch nur dann, wenn die Daten dies tatsächlich nahelegen. Zu den klassischen Techniken zählen Schwingungsanalyse, Öl- und Schmierstoffanalyse, Infrarot-Thermografie, Ultraschallprüfung sowie die Analyse der Motorstromsignatur. PdM kommt bei rotierender Ausrüstung, Pumpen, Motoren, Getrieben, Kompressoren, HVAC-Anlagen, Fuhrparks, Medizingeräten sowie Versorgungsinfrastruktur zum Einsatz. Die geschäftlichen Ergebnisse sind Betriebszeit bei kritischen Anlagen, niedrigere Gesamtinstandhaltungskosten, weniger unnötige vorbeugende Eingriffe sowie eine längere Lebensdauer der Anlagen.
Was sind die drei Arten von Predictive Maintenance?
Die gängigste Einteilung gruppiert PdM in Schwingungsanalyse, Infrarot-Thermografie und Ölanalyse. Manche Frameworks ergänzen die Ultraschallprüfung als vierte Kategorie. Das vollständigere Bild umfasst zudem die Analyse der Motorstromsignatur, die Schallemissionsüberwachung sowie die Trendanalyse von Prozessparametern (Druck, Temperatur, Durchfluss, Energieverbrauchsabweichungen). Ein reifes Programm wählt die Techniken passend zu den Ausfallmustern der jeweiligen kritischen Anlagenklasse aus – statt sich auf eine einzelne klassische Liste zu beschränken.
Was ist der Unterschied zwischen Predictive und Preventive Maintenance?
Vorbeugende Instandhaltung (PM) ist kalender- oder nutzungsbasiert. Predictive Maintenance (PdM) ist zustands- und prognosebasiert. PM überversorgt manche Anlagen und übersieht Ausfälle bei anderen, da der Zeitplan nichts darüber weiß, was die Anlage tatsächlich gerade leistet. PdM greift genau dann ein, wenn die Daten dies nahelegen, was die Betriebszeit verbessert und sowohl unnötige Eingriffe als auch Noteinsätze reduziert. Die meisten Betreiber setzen beide Ansätze parallel ein: PM für Anlagen mit geringer Kritikalität, PdM für kritische, mit Sensorik ausgestattete Anlagen, bei denen der Wert eines vermiedenen Ausfalls die Investition in Sensorik rechtfertigt.
Wie funktioniert Predictive Maintenance?
PdM funktioniert über drei Ebenen. Die Datenebene erfasst Sensorsignale (Schwingung, Öl, Infrarot, Ultraschall, Motorstrom, IoT und OT, SCADA, Prozessdatenarchiv). Die Analyseebene wendet Zustandsüberwachung, Signalverarbeitung sowie Modelle des maschinellen Lernens an (Regression, Anomalieerkennung, Überlebenszeitanalyse, Klassifikation), um die Zeit bis zum Ausfall sowie die verbleibende Nutzungsdauer vorherzusagen. Die Ausführungsebene verwandelt die Vorhersage in einen geplanten, priorisierten und mit Ersatzteilen ausgestatteten Arbeitsauftrag, der den richtigen Techniker zur richtigen Zeit erreicht – wobei Analytik- und Ausführungsebene auf einer gemeinsamen Datengrundlage basieren.
Nutzt Predictive Maintenance maschinelles Lernen oder KI?
Ja. Die Vorhersageebene nutzt Regressions-, Anomalieerkennungs-, Überlebenszeitanalyse- sowie Klassifikationsmodelle, die auf historischen Sensor- und Ausfalldaten trainiert wurden. Modernes PdM wird zunehmend direkt in Enterprise-Asset-Management-Software (EAM) eingebettet, statt in einem separaten PdM-Tool zu laufen, da Vorhersage- und Ausführungsebene dieselbe Datengrundlage benötigen. Innerhalb des EAM mit eingebetteter KI von Ultimo sind die Predictive Maintenance Insights die benannte KI-Funktion, die Prognosesignale zu bestimmten Anlagen und Arbeitsaufträgen liefert.
Welchen Nutzen bietet Predictive Maintenance?
PdM liefert fünf miteinander verknüpfte Ergebnisse: Betriebszeit bei kritischen Anlagen, niedrigere Gesamtinstandhaltungskosten, weniger unnötige vorbeugende Eingriffe, eine längere Lebensdauer der Anlagen sowie schärfere Reparatur-oder-Austausch-Entscheidungen. Die Einsparungen resultieren aus vermiedenen katastrophalen Ausfällen, aufgeschobenen Kapitalinvestitionen, reduzierten Überbeständen an Ersatzteilen sowie weniger Noteinsätzen. Anlagenintensive Betreiber haben durch zuverlässigkeitsorientierte Instandhaltung Ausfallzeiten um bis zu 40 % reduziert, wie Kisuma Chemicals gezeigt hat. Zandvliet erreichte einen ROI innerhalb von 6 Monaten. Broshuis B.V. sparte durch strukturierte Erfassung von Anlagendaten mindestens eine Vollzeitstelle ein.
Welche Software wird für Predictive Maintenance benötigt?
PdM allein ist keine eigenständige Softwarekategorie, sondern eine Funktion innerhalb eines EAM mit eingebetteter KI. Der passende Software-Stack umfasst EAM für Anlagendaten und Arbeitsausführung, Eingaben zur Zustandsüberwachung (Sensoren, IoT und OT, SCADA, Prozessdatenarchiv) sowie eine KI-Ebene für Vorhersage und Priorisierung. CMMS allein fehlt die Analyseebene, auf die PdM angewiesen ist; APM-Tools liefern zwar Analytik, jedoch ohne das notwendige Rückgrat zur Ausführung. Das EAM mit eingebetteter KI von Ultimo ist die operative Software, in der alle drei Bereiche zusammenlaufen – mit Predictive Maintenance Insights, der KI-gestützten Priorisierung von Arbeitsaufträgen, Work Order Management, der Mobile App sowie Stock Management and Purchasing auf einer gemeinsamen Datengrundlage.
Predictive Maintenance im EAM mit eingebetteter KI von Ultimo
Predictive Maintenance zahlt sich dann aus, wenn Vorhersage, Arbeitsausführung und Ersatzteildaten auf einer gemeinsamen Datenquelle basieren. Genau das bietet das Enterprise Asset Management (EAM) mit eingebetteter KI von Ultimo – mit Predictive Maintenance Insights, der KI-gestützten Priorisierung von Arbeitsaufträgen, Proactive Maintenance, Assisted Troubleshooting, Stock Management and Purchasing sowie der Mobile App auf derselben Anlagen- und Arbeitsauftragsdatengrundlage.