Predictive Maintenance mit KI: Ausfälle erkennen, bevor die Anlage steht

Was Predictive Maintenance von klassischer Wartung unterscheidet

In den meisten Betrieben laufen zwei Strategien nebeneinander: Repariert wird, wenn etwas ausfällt, gewartet wird nach festen Intervallen, etwa nach einer bestimmten Zahl von Betriebsstunden. Beides hat Schwächen. Reaktive Instandhaltung bringt ungeplante Stillstände, Folgeschäden und Eilbestellungen von Ersatzteilen. Feste Intervalle tauschen Teile, die noch lange gehalten hätten, und übersehen Schäden, die zwischen zwei Terminen entstehen.

Zustandsorientierte und vorausschauende Instandhaltung setzen am tatsächlichen Zustand der Maschine an, unterscheiden sich aber. Zustandsüberwachung (Condition Monitoring) meldet, dass ein Messwert eine Grenze überschritten hat. Predictive Maintenance schätzt, wie sich der Zustand entwickelt und wann ein Eingriff nötig wird. KI lohnt sich dort, wo einfache Grenzwerte nicht reichen: wenn sich ein Schaden erst im Zusammenspiel mehrerer Signale zeigt oder wenn der Normalzustand je nach Produkt, Last und Schicht schwankt.

Für den Aufbau gibt es herstellerneutrale Normen: ISO 17359 beschreibt das allgemeine Vorgehen bei der Zustandsüberwachung, ISO 13381-1 die Prognose, und die Reihe ISO 20816 (Nachfolger von ISO 10816) legt für viele Maschinenarten Bewertungszonen für Schwingungen fest. Diese Zonen sind ein guter Startpunkt für erste Grenzwerte. Sie ersetzen aber nicht das Lernen am einzelnen Aggregat, denn zwei baugleiche Pumpen schwingen je nach Fundament und Fahrweise unterschiedlich.

Welche Daten braucht Predictive Maintenance?

Am Anfang steht nicht die Frage nach dem Modell, sondern nach dem Signal: Welche Messgröße zeigt den Schaden früh genug an? Typische Quellen sind:

• Schwingung an Lagern, Getrieben, Spindeln, Pumpen und Lüftern. Lagerschäden, Unwucht und Fehlausrichtung zeigen sich hier oft lange vor dem Ausfall. Für eine Frequenzanalyse werden je nach Maschine einige Tausend bis mehrere Zehntausend Messwerte pro Sekunde erfasst.
• Temperatur an Lagern, Motoren, Schaltschränken und Hydraulik. Sie ist einfach zu messen, reagiert aber meist später als die Schwingung.
• Motorstrom und Leistung. Aus dem Stromverlauf lassen sich mechanische und elektrische Probleme ablesen, oft ohne zusätzliche Sensoren, weil Frequenzumrichter diese Werte ohnehin liefern.
• Prozessdaten aus Steuerung oder Leitsystem, etwa Druck, Durchfluss, Drehzahl, Taktzeit und Energieverbrauch.
• Alarm- und Störmeldungen, Ereignisprotokolle und Parameteränderungen der Steuerung.
• Die Instandhaltungshistorie mit Aufträgen, getauschten Teilen und Schadensbildern. Ohne sie lässt sich später kaum prüfen, ob eine Warnung berechtigt war.

Ohne Kontext sind Messwerte wenig wert. Ein Schwingungswert sagt erst etwas aus, wenn bekannt ist, welches Produkt gerade läuft, mit welcher Drehzahl und unter welcher Last. Zeitstempel, Maschinenzustand und Auftragsdaten gehören deshalb zusammen, und die Uhren aller beteiligten Systeme sollten synchron laufen. Wie Sie vorhandene Bestände dafür prüfen und aufbereiten, beschreibt unser Ratgeber Daten für KI vorbereiten.

Anomalieerkennung oder Restlebensdauer: Welches Verfahren passt?

Unter dem Begriff Predictive Maintenance laufen zwei sehr unterschiedliche Ansätze.

Die Anomalieerkennung lernt aus Daten des Normalbetriebs, wie eine gesunde Maschine aussieht, und meldet Abweichungen. Ausfallbeispiele braucht sie nicht, deshalb ist sie der übliche Einstieg. Sie sagt allerdings nicht, wann ein Teil ausfällt, sondern nur, dass sich etwas verändert hat und welche Signale auffällig sind.

Die Restlebensdauer (Remaining Useful Life, RUL) schätzt, wie viele Stunden oder Zyklen eine Komponente noch durchhält. Dafür braucht das Modell mehrere Verläufe bis zum Ausfall. Bei zuverlässigen Anlagen, die selten ausfallen, gibt es solche Daten kaum. Dann helfen Prüfstandsversuche, Herstellerangaben oder physikalische Modelle, die mit Messdaten kombiniert werden.

In der Praxis bewährt sich eine Stufenfolge: zuerst Anomalien erkennen, dann mit den Rückmeldungen der Instandhaltung Schadensklassen benennen und schließlich für einzelne Verschleißteile eine Prognose der Restlebensdauer aufbauen. Jeder bestätigte Befund erweitert dabei die Datengrundlage.

Edge oder zentral: Wo läuft die Auswertung?

Rohdaten von Schwingungssensoren sind umfangreich. Eine Maschine mit mehreren Sensoren erzeugt bei durchgehender Aufzeichnung schnell mehrere Gigabyte am Tag. Die Auswertung wird deshalb meist aufgeteilt:

• Am Rand der Anlage (Edge) berechnet ein Industrie-PC oder Gateway Kennwerte wie Effektivwert, Spitzenwert, Hüllkurve oder die Energie in bestimmten Frequenzbändern und führt einfache Modelle aus. Das bringt kurze Reaktionszeiten, weniger Datenverkehr und Betrieb auch bei gestörter Netzwerkverbindung.
• Zentral im eigenen Rechenzentrum laufen Training, Vergleiche über viele Maschinen und Standorte, Auswertungen für die Instandhaltung und die Anbindung an das Instandhaltungssystem.

Als Faustregel gilt: Was schnell reagieren muss oder große Rohdatenmengen erzeugt, gehört an den Rand. Was Zusammenhänge über viele Anlagen und lange Zeiträume braucht, gehört zentral. Beides lässt sich vollständig im eigenen Netz betreiben, wenn Produktionsdaten das Werk nicht verlassen sollen; mehr dazu unter Lokale KI. Sensorik und Edge-Geräte gehören in ein eigenes Netzsegment, getrennt vom Büronetz und nur mit den Verbindungen, die sie tatsächlich brauchen. Worauf es dabei ankommt, beschreibt der Beitrag OT-Sicherheit in der Produktion auf unite2link.de.

Pilotprojekt planen: sechs Schritte

1. Anlagen auswählen: drei bis fünf Maschinen, deren Ausfall den Betrieb spürbar trifft und die einen erkennbaren Verschleißmechanismus haben, etwa Spindeln, Pumpen, Verdichter oder Antriebe mit Getriebe.
2. Schadensbilder klären: mit der Instandhaltung festhalten, welche Ausfälle in den letzten Jahren auftraten, wie sie sich angekündigt haben und wie viel Vorwarnzeit für einen geplanten Eingriff nötig ist.
3. Messkonzept festlegen: vorhandene Signale aus Steuerung und Umrichter nutzen, fehlende Sensoren gezielt ergänzen, Zeitstempel und Maschinenzustand mit erfassen.
4. Normalbetrieb aufzeichnen: mehrere Wochen, besser zwei bis drei Monate, mit allen üblichen Produkten, Schichten und Lastzuständen.
5. Modell aufbauen und Schwellen abstimmen: gemeinsam mit den Fachkräften festlegen, ab wann eine Meldung kommt und wer sie erhält.
6. Bewerten: Treffer, Fehlalarme und Vorwarnzeit gegen die Erwartung vom Start prüfen und über den Ausbau entscheiden.

Messen Sie das Pilotprojekt an wenigen klaren Größen: Wie viele echte Schäden wurden erkannt, mit welcher Vorwarnzeit, und wie viele Meldungen waren Fehlalarme? Ein System, das jede Woche zehnmal grundlos warnt, wird nach kurzer Zeit ignoriert, egal wie hoch seine Erkennungsrate ist. Wie Sie solche Kriterien vorab festlegen, beschreibt unser Ratgeber zum KI-Proof-of-Concept.

Typische Stolpersteine

• Das Projekt soll gleich die Restlebensdauer vorhersagen, aber in den Daten gibt es kaum Ausfälle. Mit Anomalieerkennung zu beginnen, ist fast immer der bessere Weg.
• Produkt, Rezept oder Drehzahl fehlen in den Daten. Dann hält das Modell jeden Produktwechsel für eine Störung.
• Die Schwellen sind nicht mit der Instandhaltung abgestimmt. Die Folge sind zu viele Meldungen und Alarmmüdigkeit.
• Niemand dokumentiert, was bei einer Meldung tatsächlich gefunden wurde. Ohne diese Rückmeldung wird das System nicht besser.
• Warnungen erscheinen nur in einer eigenen Oberfläche und gehen unter. Sie gehören dorthin, wo die Instandhaltung arbeitet, etwa als Auftrag im Instandhaltungssystem.
• Der Datenzugang wird unterschätzt. Ältere Steuerungen liefern Daten oft nur über Umwege, und die Anbindung dauert in Pilotprojekten häufig länger als das Modell selbst.

Unsere Erfahrung mit Anomalieerkennung in der Fertigung

Unser Team hat für einen Kunden aus der Automobilindustrie ein KI-System entwickelt, das Maschinenausfälle und Abweichungen in der Produktion früh erkennen soll, bevor Stillstände oder Qualitätsprobleme entstehen. Es kombiniert mehrere Verfahren der Anomalieerkennung und lernt laufend aus den Rückmeldungen der Fachkräfte. Der Prototyp erreichte über 95 % Genauigkeit, zuverlässig über verschiedene Datensätze und reale Szenarien. Die wichtigste Lehre daraus: Der Nutzen kommt nicht aus einem einzelnen Modell, sondern aus dem Zusammenspiel von Messdaten, dem Fachwissen an der Linie und einer sauberen Rückmeldeschleife.

Wir begleiten Predictive-Maintenance-Vorhaben von der Auswahl der Anlagen über Messkonzept und Pilotprojekt bis zum Betrieb, auf Wunsch vollständig auf Ihrer eigenen Infrastruktur. Mehr zu unseren Leistungen lesen Sie unter KI-Bildverarbeitung und Anomalieerkennung. Wie Kameras Fehler an Bauteilen erkennen, zeigt der Ratgeber KI in der Qualitätskontrolle.