Predictive Maintenance (PdM) bezeichnet die Methode, den Zustand von Maschinen und Anlagen kontinuierlich zu überwachen und auf Basis dieser Daten den optimalen Wartungszeitpunkt zu bestimmen – kurz bevor ein Ausfall eintritt, aber lange genug vor einem Notfall, um die Wartung planbar zu gestalten. Im Gegensatz zur reaktiven Wartung (nach dem Ausfall) und zur präventiven Wartung (nach festem Zeitplan) maximiert PdM die Nutzungszeit von Bauteilen und minimiert ungeplante Stillstände.
Die vier Säulen der Datenbasis
Effektive Predictive-Maintenance-Systeme stützen sich auf vier komplementäre Datenquellen:
Schwingungsanalyse (Vibration Monitoring)
Wälzlager, Getriebe und rotierende Bauteile erzeugen charakteristische Schwingungsmuster. Im gesunden Zustand sind diese vorhersagbar; Defekte wie Lochfraß an Laufringen, Pittingschäden an Zahnrädern oder Unwucht erzeugen spezifische Harmonische im Frequenzspektrum, die durch FFT-Analyse (Fast Fourier Transformation) identifizierbar sind. Typische Abtastfrequenz: 5–20 kHz. Weitere Details im Abschnitt Schwingungsanalyse.
Temperaturüberwachung
Steigende Lagertemperaturen sind ein zuverlässiger Frühindikator für Schmiermittelversagen oder Überbelastung. Infrarotsensorik oder PT100/PT1000-Elemente erfassen Temperaturen kontinuierlich; Abweichungen vom Baseline-Profil werden durch ML-Modelle klassifiziert.
Stromaufnahme (Motor Current Signature Analysis)
Der Motorstrom enthält Informationen über mechanische Lasten im Antriebsstrang – ohne mechanischen Eingriff in die Anlage. Defekte Lager, Getriebeschäden oder Werkzeugverschleiß erzeugen charakteristische Stromschwankungen, die durch Spektralanalyse des Stromphasor detektierbar sind. Besonders wertvoll für schwer zugängliche Antriebe.
Betriebsdaten aus MES und Steuerung
Bearbeitungsparameter (Schnittkraft, Vorschub, Spindelleistung), Produktionszähler und Betriebsstunden aus MES und SPS ergänzen die Sensordaten zu einem ganzheitlichen Maschinenzustandsbild.
Machine-Learning-Ansätze im Vergleich
| Ansatz | Vorteil | Anforderungen |
|---|---|---|
| LSTM (Long Short-Term Memory) | Lernt zeitliche Abhängigkeiten in Sensor-Zeitreihen | Große Menge gelabelter Schadensdaten nötig |
| Autoencoder (Anomalieerkennung) | Trainiert nur auf Normalzustand – keine Schadensdaten nötig | Gute Datenqualität im Normalbetrieb |
| Random Forest / Gradient Boosting | Interpretierbar, robuste Feature-Auswahl | Feature Engineering erforderlich |
| Physics-informed ML | Kombiniert Physikmodell mit Datenlernverfahren | Vorliegende Simulationsmodelle |
Praxisanleitung: Retrofitting von Bestandsanlagen
Die große Mehrheit der Produktionsanlagen in der deutschen Fertigungsindustrie hat keine eingebauten Datenschnittstellen für PdM. Der Retrofit-Weg ist deshalb für die meisten Unternehmen der reale Einstieg:
- Pilotmaschine auswählen: Eine kritische Anlage mit hohen Ausfallkosten oder bekannter Schadenshistorie als Startpunkt
- Sensor-Kit montieren: MEMS-Beschleunigungssensoren an Lagerstellen, ggf. Stromsensoren (Rogowski-Spulen) an Motorleitungen, Temperatur-Patchsensoren
- Edge-Box anschließen: Lokale Datenerfassung, Vorfilterung, MQTT/OPC-UA-Übertragung ins Netz
- Baseline aufnehmen: 4–8 Wochen Normalbetrieb ohne Intervention für das Training der Baseline-Modelle
- Modell trainieren und evaluieren: Erste Anomalien identifizieren und mit Wartungsfachleuten validieren
Häufiger Fehler: Zu viele Maschinen gleichzeitig mit PdM ausrüsten. Der Erfolg von Predictive Maintenance hängt stark von der Datenqualität und der Validierung durch erfahrene Instandhalter ab. Starten Sie mit einem Piloten, validieren Sie, skalieren Sie dann.