Die 4 Haupttypen der vorbeugenden Instandhaltung
Vorbeugende Instandhaltung umfasst geplante Inspektionen, Wartungsarbeiten und den Austausch von Komponenten, die durchgeführt werden, bevor eine Anlage ausfällt – nicht erst danach. Ziel ist es, ungeplante Ausfallzeiten zu reduzieren, die Lebensdauer der Anlagen zu verlängern, Sicherheitsvorfälle zu verringern, saubere Prüfpfade zu gewährleisten und die Instandhaltungskosten planbar zu machen. Eine ausführlichere Definition finden Sie in unserem Grundlagenartikel zu „Was ist vorbeugende Instandhaltung?".
Vorbeugende Instandhaltung lässt sich in vier klassische Typen unterteilen, die jeweils durch den Auslöser der Instandhaltungsmaßnahme definiert werden. Der richtige Typ – oder häufiger die richtige Kombination aus mehreren Typen – hängt von der Kritikalität der Anlage, dem Verschleißmuster, der Datenverfügbarkeit und den Folgen eines Ausfalls ab. Die vier folgenden Typen sind nach Datenintensität geordnet aufgeführt.
1. Zeitbasierte vorbeugende Instandhaltung (TBM)
Zeitbasierte vorbeugende Instandhaltung (Time-based Maintenance, TBM), auch kalenderbasierte Instandhaltung genannt, plant Arbeiten in festen Intervallen – etwa monatlich, vierteljährlich oder jährlich –, unabhängig davon, wie stark eine Anlage genutzt wurde. Der Auslöser ist die Uhr. Typische Aufgaben sind Schmierrouten, Filterwechsel, Kalibrierzyklen und Inspektionsrunden.
Beispiele hierfür sind ein Kaltwassersatz (HVAC-Chiller), der vierteljährlich auf einem Krankenhausgelände gewartet wird, sowie ein lebensmittelechtes Förderband, das alle zwei Wochen auf einer Getränkeabfülllinie geschmiert wird. TBM eignet sich am besten für Anlagen mit vorhersehbarem Verschleiß, sicherheitskritische Ausrüstung mit vom Hersteller vorgeschriebenen Intervallen sowie regulatorisch geprägte Bereiche unter FDA-, OSHA-, EPA- oder ISO-Vorgaben.
TBM ist in der Arbeitsauftragsebene verankert: Eine Kalenderfunktion erstellt den Arbeitsauftrag automatisch vor dem Fälligkeitsdatum und zieht dabei den passenden Arbeitsplan, die benötigten Ersatzteile und die verfügbaren Personalkapazitäten hinzu.
2. Nutzungsbasierte vorbeugende Instandhaltung (UBM)
Nutzungsbasierte vorbeugende Instandhaltung (Usage-based Maintenance, UBM), auch zählerbasierte Instandhaltung genannt, plant Arbeiten auf Basis von Betriebskennzahlen: Betriebsstunden, abgeschlossene Zyklen, gefahrene Kilometer oder produzierte Einheiten. Der Auslöser ist der Zähler, nicht die Uhr. Der Arbeitsauftrag entsteht erst, wenn die Anlage einen festgelegten Schwellenwert an Nutzung erreicht hat.
Beispiele hierfür sind eine Gabelstaplerbatterie, die in einem Distributionslager alle 1.500 Zyklen ausgetauscht wird, sowie ein Motorölwechsel alle 5.000 Betriebsstunden bei einem Flottenfahrzeug. UBM eignet sich am besten für Anlagen, bei denen der Verschleiß mit der Nutzung korreliert: Flottenausrüstung, rotierende Maschinen, Förderbänder, Pumpen und Kompressoren mit variablen Lastzyklen.
UBM erfordert eine Zählerdatenerfassung (manuelle Eingabe, OT-Integration oder IoT), die mit der Arbeitsauftragsebene verknüpft ist, wobei definierte Zählerschwellenwerte den Arbeitsauftrag automatisch auslösen.
3. Zustandsbasierte Instandhaltung (CBM)
Zustandsbasierte Instandhaltung (Condition-based Maintenance, CBM) plant Arbeiten auf Basis des aktuellen Zustands der Anlage, gemessen durch Sensoren oder Inspektionen. Gängige Indikatoren sind Schwingungsamplitude, Temperatur, Ölqualität, Ultraschallmesswerte und Motorstromaufnahme. Der Auslöser ist das Überschreiten eines Schwellenwerts, nicht ein Datum oder ein Zählerstand. Die Arbeit erfolgt nur dann, wenn die Anlage ein Degradationssignal zeigt.
Beispiele hierfür sind ein Schwingungssensor an einer Kreiselpumpe, der einen Lageraustausch auslöst, sobald die Amplitude den Alarmgrenzwert überschreitet, sowie eine Infrarotmessung, die eine heiße elektrische Verbindung in einem Umspannwerk erkennt. CBM eignet sich am besten für hochkritische Anlagen mit messbaren Degradationssignalen sowie in Fällen, in denen zeit- oder nutzungsbasierte Intervalle die Anlage entweder über- oder unterversorgen.
CBM speist Sensor- und Inspektionsdaten in die Arbeitsauftragsebene ein; eine bedingte Logik wandelt das Überschreiten eines Schwellenwerts ohne manuellen Eingriff in einen Arbeitsauftrag um.
4. Vorausschauende Instandhaltung (PdM)
Vorausschauende Instandhaltung (Predictive Maintenance, PdM) nutzt Zustandsdaten in Kombination mit Analytik oder maschinellem Lernen, um vorherzusagen, wann eine Anlage ausfallen wird, und plant die Arbeit kurz vor diesem Zeitpunkt ein. PdM erweitert CBM um die Vorhersagekomponente. Der Auslöser ist eine Prognose der verbleibenden Nutzungsdauer, nicht das aktuelle Überschreiten eines Schwellenwerts.
Beispiele hierfür sind ein Modell zur verbleibenden Nutzungsdauer einer Turbine in einer Stromerzeugungsanlage, das einen Lageraustausch zwei Wochen vor dem prognostizierten Ausfall auslöst, sowie ein Anomalieerkennungsmodell an einem Servoantrieb einer Verpackungslinie, das anhand von Stromaufnahmemustern ein Getriebeproblem meldet. PdM eignet sich am besten für Anlagen mit umfangreichen Sensordaten und hohen Ausfallfolgen: Bergbau-Muldenkipper, medizinische Bildgebungsgeräte in Krankenhäusern, Bodenabfertigung in der Luftfahrt sowie Pumpen in der Wasseraufbereitung.
PdM ist in einer Analyseebene angesiedelt, deren Modellergebnisse (Anomaliewert, verbleibende Nutzungsdauer, Ausfallwahrscheinlichkeit) in die Arbeitsauftragsebene einfließen. Die Predictive Maintenance Insights von Ultimo sind die dafür vorgesehene Funktion.
Über die vier Haupttypen hinaus: präskriptive Instandhaltung und Fehlersuche
Einige Quellen erweitern die klassische Liste um zwei weitere Typen. Präskriptive Instandhaltung (Prescriptive Maintenance, PxM) nutzt KI, um nicht nur einen Ausfall vorherzusagen, sondern die konkrete Handlungsempfehlung zu geben. Statt „Pumpe P-204 wird in 14 Tagen ausfallen" lautet die Aussage bei PxM: „Lager an Pumpe P-204 zwischen 02:00 und 04:00 Uhr am Sonntag mit Kit BRG-19 austauschen." Sie bildet die Brücke zur agentischen KI. Fehlersuche (Failure-Finding Maintenance, FFM) bezeichnet die geplante Inspektion von Anlagen mit verborgenen Ausfällen, etwa Notstromaggregaten und Brandbekämpfungssystemen, die kein Symptom zeigen, bis sie im Ernstfall benötigt werden. Die meisten Fachleute betrachten die vier Haupttypen als klassisch und diese beiden als Erweiterungen.
Wie wählt man den richtigen Typ der vorbeugenden Instandhaltung pro Anlage?
Die Wahl der richtigen Typenkombination pro Anlage ist eine Entscheidung, die mit dem Umfang des Anlagenregisters skaliert. Einige wenige Kriterien geben dabei den Ausschlag.
Kritikalität: Hochkritische Anlagen rechtfertigen CBM oder PdM, da die Folgen eines Ausfalls die Investition in Daten rechtfertigen. Anlagen mit geringer Kritikalität bleiben bei TBM.
Verschleißmuster: Vorhersehbarer Verschleiß eignet sich für TBM. Nutzungskorrelierter Verschleiß eignet sich für UBM. Verschleiß mit erkennbaren Zustandssignalen eignet sich für CBM, und prognostizierbare Muster eignen sich für PdM.
Datenverfügbarkeit: CBM und PdM benötigen Sensor- oder Inspektionsdaten. TBM und UBM funktionieren auch ohne diese.
Ausfallfolgen: Sicherheits-, Umwelt-, regulatorische und produktionsbezogene Folgen verschieben die Typenkombination in Richtung der datenintensiveren Verfahren.
Kosten durch Überwartung: Wenn TBM-Intervalle eine Anlage überwarten, spart CBM Arbeitszeit, Ersatzteile und Ausfallzeiten.
Reliability-Centered Maintenance (RCM) ist die formale Methodik zur Auswahl der Typenkombination pro Anlage, und die Failure Mode, Effects, and Criticality Analysis (FMECA) liefert dafür die risikobasierte Priorisierung. Kisuma Chemicals zeigt die Wirkung in der Praxis: „Die FMECA-Strategie in Ultimo hat uns geholfen, Ausfallzeiten um 40 % zu reduzieren und erhebliche Kosteneinsparungen zu erzielen", so Jan Wolf, Reliability Engineer bei Kisuma Chemicals.
Wie EAM-Software den gesamten PM-Typenmix unterstützt
Jeder PM-Typ hat seinen eigenen Auslöser: Kalender, Zähler, Sensor oder Modellergebnis. Wenn sich der Typenmix über verschiedene Tabellenkalkulationen, OT-Systeme und eigenständige Tools verteilt, die jeweils nur ein oder zwei Auslöser unterstützen, verbringen Disponenten ihren Tag mit dem Abgleichen von Daten, anstatt Ausfälle zu verhindern. Das gewünschte Ergebnis für Betreiber ist eine einzige Arbeitsauftragsebene, die alle vier Auslöser unterstützt, dazu eine Priorisierungswarteschlange, eine mobile Ausführungsoberfläche und eine Berichtsansicht.
Die KI-gestützte Enterprise-Asset-Management-Software (EAM) von Ultimo unterstützt den gesamten Typenmix durch benannte Module:
Work Order Management unterstützt TBM, UBM, CBM und PdM in einer einzigen Warteschlange, wobei die KI-gestützte Priorisierung von Arbeitsaufträgen die Reihenfolge steuert, wenn verschiedene Typen um dasselbe Team konkurrieren.
Das Modul Proactive Maintenance ist die benannte Brücke, die KI-Empfehlungen in die Planungsebene einbindet und dabei zuverlässigkeitsorientierte sowie risikobasierte Strategien unterstützt.
Die Mobile App führt PM-Inspektionen direkt vor Ort durch – mit Offline-Modus, Fotoaufnahme und Spracheingabe.
Stock Management and Purchasing verknüpft Ersatzteile mit geplanten PM-Aufträgen. Montanwerke Brixlegg hat die Wirkung konkret beziffert: „Allein durch Verbesserungen im Einkauf rechnen wir mit jährlichen Einsparungen von 5 % unseres Einkaufsvolumens", so Silvio Turri, Head of Maintenance bei Montanwerke Brixlegg.
Reporting and Dashboards zeigt PM-Erfüllungsgrad, MTBF, MTTR und Ausfallzeiten über Power BI an – mit abteilungsübergreifender Transparenz.
Die HSE Suite unterstützt Arbeitserlaubnisse und Lockout/Tagout-Verfahren für PM-Aufträge an gefährlichen Anlagen.
Die Ultimo-Software unterstützt weltweit mehr als 2.500 Organisationen, über 154.000 aktive Nutzer und mehr als 22 Millionen Anlagen. Sie läuft mit einer durchschnittlichen Verfügbarkeit von 99,98 % auf Microsoft Azure, verfügt über eine zertifizierte SAP-S/4HANA-Integration, SOC 2 Type II, ISO-Zertifizierung sowie FDA-Konformität für Nordamerika.
Wie KI die vorbeugende Instandhaltung verändert
Die Digitalisierung von Anlagen erzeugt Datenmengen, die Disponenten nicht mehr manuell verarbeiten können. Der Renteneintritt erfahrener Fachkräfte beschleunigt sich. Kapitalbeschränkungen erfordern eine schärfere Priorisierung. Die Compliance-Anforderungen wachsen. Das gewünschte Ergebnis für Betreiber sind schnellere Entscheidungen zum Typenmix, präzisere PdM-Prognosen, ein schnellerer Einstieg für junge Instandhaltungsfachkräfte sowie Prüfpfade, die sich von selbst erstellen.
KI ist in Ultimo EAM direkt in die PM-Planungs- und Ausführungsebene eingebettet. Die benannten Funktionen lassen sich den PM-Workflows wie folgt zuordnen:
Planung: Die KI-gestützte Priorisierung von Arbeitsaufträgen steuert die Reihenfolge der Warteschlange, wenn verschiedene Typen um dasselbe Team konkurrieren.
Prognose: Predictive Maintenance Insights liefern Ergebnisse zur verbleibenden Nutzungsdauer und zur Anomalieerkennung für PdM.
Ausführung: Assisted Troubleshooting bietet Entscheidungsunterstützung vom Junior- bis zum Senior-Niveau, wenn eine PM-Inspektion einen abnormalen Zustand aufdeckt, und der AI Work Instruction Generator erstellt maßgeschneiderte Schritt-für-Schritt-Arbeitspläne für PM-Aufträge.
Anlagenregister: Automated Asset Cataloging hält die Hierarchie, die allen vier Typen zugrunde liegt, auch in großem Maßstab sauber.
Compliance: Autonomous HSE Incident Reporting leitet sicherheitsrelevante Befunde während PM-Rundgängen ohne manuelle Eingabe weiter.
Über die vorbeugende Instandhaltung hinaus: Digital Workers – KI-gestützte Funktionen, die spezifische Aufgaben gemeinsam mit menschlichen Teams übernehmen, einschließlich der autonomen Triage von PM-Arbeitsaufträgen auf höheren Stufen des Ultimo Reifegradmodells.
Ysco hat die Wirkung KI-gestützter Workflow-Verbesserungen in der PM-Ausführung eindrucksvoll unter Beweis gestellt: Die technische Effizienz stieg von 94 % auf 96 %, bei jährlichen Kosteneinsparungen im sechsstelligen Bereich. Ultimo war der erste EAM-Anbieter, der agentische KI produktiv in die industrielle Instandhaltung gebracht hat. Die dahinterstehende Philosophie ist Collaborative Intelligence: Menschliche Mitarbeitende, KI und robotische Arbeitskräfte agieren als eine gemeinsame Belegschaft.
Häufig gestellte Fragen
Was sind die 4 Arten der vorbeugenden Instandhaltung?
Die vier Arten der vorbeugenden Instandhaltung sind zeitbasiert (TBM), nutzungsbasiert (UBM), zustandsbasiert (CBM) und vorausschauend (PdM). TBM wird durch den Kalender ausgelöst. UBM wird durch einen Zähler wie Zyklen, Stunden oder Kilometer ausgelöst. CBM wird durch das Überschreiten eines Schwellenwerts bei einem Zustandssignal ausgelöst. PdM wird durch eine analytische oder auf maschinellem Lernen basierende Prognose ausgelöst. Die meisten Betreiber setzen pro Anlage auf eine hybride Kombination.
Was sind die 5 Arten der vorbeugenden Instandhaltung?
Einige Quellen erweitern die vier klassischen Typen um eine von zwei zusätzlichen Arten. Präskriptive Instandhaltung (PxM) nutzt KI, um nicht nur einen Ausfall vorherzusagen, sondern die konkrete Handlungsempfehlung zu geben – einschließlich Zeitpunkt, Ersatzteil und Personaleinsatz. Fehlersuche (Failure-Finding Maintenance, FFM) bezeichnet die geplante Inspektion von Anlagen mit verborgenen Ausfällen, etwa Notstromaggregaten. Die gängige Konvention sieht vier Haupttypen vor, wobei PxM und FFM als Erweiterungen gelten.
Was sind die 7 Elemente der vorbeugenden Instandhaltung?
Die sieben Elemente, auf die in einem Programm zur vorbeugenden Instandhaltung üblicherweise verwiesen wird, sind: ein Anlagenregister und eine Ausrüstungshierarchie, ein PM-Zeitplan, Arbeitsaufträge, die Verwaltung von Ersatzteilen und Lagerbeständen, Inspektionen und Checklisten, Kennzahlen und Berichtswesen (MTBF, MTTR, PM-Erfüllungsgrad) sowie ein Compliance-Prüfpfad. Zusammen bilden sie das Betriebsmodell, das geplante Arbeiten in messbare Zuverlässigkeitsergebnisse überführt.
Was ist der Unterschied zwischen vorbeugender und vorausschauender Instandhaltung?
Vorbeugende Instandhaltung ist der Oberbegriff für geplante Arbeiten vor einem Ausfall, ausgelöst durch einen Kalender, einen Zähler, einen Zustand oder eine Prognose. Vorausschauende Instandhaltung (PdM) ist der datengetriebene Teilbereich, der Analytik oder maschinelles Lernen nutzt, um den Zeitpunkt eines Ausfalls vorherzusagen und die Arbeit just-in-time einzuplanen. Jede vorausschauende Instandhaltung ist vorbeugend; nicht jede vorbeugende Instandhaltung ist vorausschauend.
Wie hängt TPM mit vorbeugender Instandhaltung zusammen?
Total Productive Maintenance (TPM) ist eine bedienergeführte Instandhaltungsphilosophie, die vorbeugende Instandhaltung in den täglichen Betrieb integriert, wobei die Bediener routinemäßige PM-Aufgaben gemeinsam mit dem Instandhaltungsteam übernehmen. TPM ist eine Kultur und ein Betriebsmodell, das auf Säulen wie autonomer und geplanter Instandhaltung beruht. Vorbeugende Instandhaltung ist eine der Strategien, auf die TPM sich stützt.