Predictive Maintenance (vorausschauende Instandhaltung) bezeichnet Verfahren, die aus laufend erfassten Betriebsdaten – Vibration, Temperatur, Stromaufnahme, Schall – den Zustand einer Maschine bewerten und den Zeitpunkt eines wahrscheinlichen Ausfalls vorhersagen, statt Wartung nach einem festen Kalenderplan durchzuführen.
Zusammenfassung
Klassische Instandhaltung kennt zwei Grundmuster: reaktive Wartung, die erst nach einem Ausfall eingreift, und präventive Wartung, die nach einem festen Zeit- oder Nutzungsplan vorbeugt, unabhängig vom tatsächlichen Zustand der Maschine. Beide haben Nachteile – reaktive Wartung erzeugt ungeplante Stillstände, präventive Wartung tauscht häufig noch funktionsfähige Teile aus.
Predictive Maintenance setzt zwischen beiden an: Sensoren erfassen kontinuierlich Betriebsdaten, ein Modell vergleicht sie mit bekannten Vorboten von Fehlern und meldet, wenn ein Eingriff wahrscheinlich nötig wird. Die methodische Grundlage bildet das Prognostics-and-Health-Management-Feld, das seit den 2000er Jahren Verfahren zur Zustandsprognose komplexer technischer Systeme systematisiert.
Mit dem Aufstieg des maschinellen Lernens ab den 2010er Jahren verschob sich der Schwerpunkt von handgefertigten Schwellenwerten – etwa „Vibration über X bedeutet Verschleiß” – zu Modellen, die Muster aus historischen Ausfalldaten selbst lernen. Ein systematischer Literaturüberblick von Thyago Carvalho und Kolleginnen 2019 zählte bereits über 100 Studien, die maschinelles Lernen für diesen Zweck einsetzten.
Begriffsgeschichte
Vorausschauende Instandhaltung als Idee ist älter als der heute übliche Name: Bereits in den 1990er Jahren setzten Industriebetriebe Schwingungsanalyse und Ölanalyse ein, um Maschinenverschleiß zu erkennen, bevor er zum Ausfall führte – R. Keith Mobleys 2002 erschienenes Standardwerk zur Instandhaltungstechnik fasste diese Praxis zusammen.
Als eigenständiges Forschungsfeld etablierte sich in den 2000er Jahren Prognostics and Health Management (PHM), das die Zustandsüberwachung rotierender Maschinen – Turbinen, Getriebe, Lager – systematisch untersuchte. Jay Lee und Kolleginnen legten 2014 mit einem vielzitierten Übersichtsartikel eine Methodik vor, die Zustandsüberwachung, Diagnose und Prognose als zusammenhängenden Prozess beschrieb.
Der eigentliche Umbruch kam mit der Verbindung zu maschinellem Lernen ab den frühen 2010er Jahren, parallel zur Industrie-4.0-Bewegung. Statt physikalischer Modelle einzelner Bauteile wurden statistische Modelle trainiert, die aus großen Mengen historischer Sensordaten Ausfallmuster selbst ableiten – ohne dass ein Ingenieur jeden Zusammenhang vorher formalisieren musste.
Carvalho u. a. dokumentierten 2019, dass Random-Forest- und neuronale-Netz-Verfahren zu den am häufigsten eingesetzten Methoden zählten.
Methodische Grundlagen
Zustandsüberwachung (Condition Monitoring). Sensoren erfassen fortlaufend physikalische Größen – Schwingung, Temperatur, Druck, akustische Signaturen, Stromaufnahme. Diese Rohdaten bilden die Grundlage jeder weiteren Analyse.
Merkmalsextraktion. Aus den Rohdaten werden Kennzahlen berechnet, die auf beginnenden Verschleiß hindeuten – etwa Frequenzverschiebungen im Schwingungsspektrum, die auf Lagerschäden hinweisen, lange bevor eine Maschine hörbar unrund läuft.
Klassische statistische Modelle. Frühe Ansätze setzten auf physikalische Verschleißmodelle oder einfache Schwellenwertregeln, kalibriert durch Erfahrungswerte erfahrener Techniker – der methodische Ausgangspunkt, den Erfahrungswissen beschreibt.
Maschinelles Lernen. Aktuelle Systeme trainieren Modelle – von Random Forests bis zu neuronalen Netzen – auf historischen Datensätzen, die sowohl Sensorverläufe als auch tatsächlich eingetretene Ausfälle enthalten. Das Modell lernt dabei implizit Muster, die oft mit dem Urteil erfahrener Techniker übereinstimmen, ohne dass diese ihr eigenes Urteilskriterium hätten formalisieren müssen.
Restnutzungsdauer-Schätzung (Remaining Useful Life). Anspruchsvollere Verfahren sagen nicht nur voraus, ob ein Ausfall droht, sondern schätzen, wie viele Betriebsstunden ein Bauteil voraussichtlich noch hat – die Grundlage für eine planbare, statt bloß reaktive, Wartungsplanung.
Anwendungsfelder
Fertigungsindustrie. Produktionsanlagen mit hohen Stillstandskosten – Automobilfertigung, Chemieanlagen, Halbleiterfertigung – gehören zu den frühesten und intensivsten Anwendern.
Energieerzeugung. Windturbinen und Gasturbinen werden häufig fern überwacht; ein ungeplanter Ausfall in schwer zugänglichen Anlagen wie Offshore-Windparks verursacht besonders hohe Kosten.
Transport und Logistik. Flugzeugtriebwerke, Zugflotten und Flottenfahrzeuge nutzen Predictive Maintenance, um Wartungsfenster zu planen, statt Fahrzeuge nach starren Kilometergrenzen aus dem Betrieb zu nehmen.
Gebäudetechnik. Aufzüge, Klimaanlagen und Heizsysteme in großen Gebäudekomplexen setzen zunehmend auf Fernüberwachung, um Ausfälle zu vermeiden, die für Nutzende unmittelbar spürbar wären.
Kontroversen und Kritik
Datenqualität als Engpass. Der Nutzen maschineller Modelle hängt an der Verfügbarkeit historischer Ausfalldaten – die aber selten vorliegen, weil Ausfälle in gut gewarteten Anlagen selten sind. Carvalho u. a. benannten dieses Ungleichgewicht zwischen seltenen Ausfällen und häufigem Normalbetrieb 2019 als eine der zentralen methodischen Schwierigkeiten des Feldes.
Übertragbarkeit zwischen Anlagen. Ein auf einer Maschine trainiertes Modell überträgt sich nicht automatisch auf eine baugleiche Maschine an anderem Standort, weil Betriebsbedingungen, Wartungshistorie und Sensorpositionierung variieren – ein wiederkehrender Kritikpunkt an vorschnell verallgemeinerten Erfolgsmeldungen.
Erklärbarkeit gegenüber erfahrenen Technikern. Komplexe Modelle liefern oft eine Warnung, aber keine nachvollziehbare Begründung – ein Problem, wenn erfahrene Techniker dem Modell nicht ohne eigene Prüfung vertrauen wollen oder sollen.
Investitionsschwelle. Die Umstellung erfordert Sensorik, Dateninfrastruktur und Modellpflege; für kleinere Betriebe mit wenigen, kostengünstig zu ersetzenden Maschinen rechnet sich der Aufwand oft nicht, sodass präventive Wartung dort weiterhin die wirtschaftlichere Wahl bleibt.
Stand 2025/2026
Maschinelles Lernen ist Stand 2025/2026 in Predictive-Maintenance-Systemen Standard, ohne klassische Zustandsüberwachung zu ersetzen – Sensorik und Merkmalsextraktion bleiben die Grundlage, auf der jedes Modell erst aufbaut, und der Engpass liegt nach wie vor bei ausreichend dokumentierten Ausfalldaten, nicht bei der Modellwahl.
Verwandte Begriffe
- Wissensmanagement – organisatorischer Rahmen, der Erfahrungswissen und musterbasierte Systeme zusammenführt
- Large Language Models – zunehmend ergänzend eingesetzt, um Sensorbefunde in verständliche Wartungsempfehlungen zu übersetzen
- Foundation Models – Modellklasse hinter neueren, breiter vortrainierten Ansätzen der Zustandsprognose
Quellenangaben
- Carvalho, Thyago P. / Soares, Fabrízzio A. A. M. N. / Vita, Roberto / Francisco, Roberto da P. / Basto, João P. / Alcalá, Symone G. S., 2019. A Systematic Literature Review of Machine Learning Methods Applied to Predictive Maintenance. In: Computers & Industrial Engineering 137, Artikel 106024. DOI: 10.1016/j.cie.2019.106024.
- Lee, Jay / Wu, Fangji / Zhao, Wenyu / Ghaffari, Masoud / Liao, Linxia / Siegel, David, 2014. Prognostics and Health Management Design for Rotary Machinery Systems – Reviews, Methodology and Applications. In: Mechanical Systems and Signal Processing 42 (1–2), S. 314–334. DOI: 10.1016/j.ymssp.2013.06.004.
- Mobley, R. Keith, 2002. An Introduction to Predictive Maintenance. Amsterdam: Elsevier.