KI im Maschinenbau: Predictive Maintenance und Service auf einer Datenbasis skalieren

KI im Maschinenbau wirkt vor allem über drei Hebel: weniger ungeplante Stillstände, bessere Service- und Ersatzteilplanung und schnellere Rückkopplung aus dem Feld in die Konstruktion. Voraussetzung ist eine gemeinsame Datenbasis aus Telemetrie, Servicehistorie, Vertragsdaten und PLM-Kontext.

Eine Lakehouse-Basis ist eine gemeinsame Datenbasis für Engineering, Service, Feld-Telemetrie und ERP mit einheitlichen Berechtigungen und klarer Nachvollziehbarkeit. Ein ERP-Modul erfasst Vertrags-, Service- und Ersatzteildaten, ist aber kein Analytik-Stack für Hochfrequenz-Telemetrie aus der installierten Basis, ML-Features und mehrere Kundenregionen gleichzeitig. Sobald Predictive Maintenance, After-Sales-Analytics und Engineering-Rückkopplung auf derselben Basis arbeiten sollen, wird die Lakehouse-Basis effizienter. Das ERP bleibt als operatives System bestehen.

Meist in dieser Reihenfolge: Predictive Maintenance auf der installierten Basis zuerst, weil ungeplante Kundenstillstände direkt Vertragsmarge und Reputation kosten. After-Sales-Analytics folgt, sobald Vertrags-, Service- und Telemetriedaten auf einer Basis liegen. Engineering-Rückkopplung wird nützlich, wenn Felddaten an die Konstruktionsversionen geknüpft sind. Servitization-Modelle lohnen sich, sobald Vertragsstand und Telemetrie in Echtzeit zusammenlaufen.

Modelle aus Schwingungs-, Strom-, Druck- und Temperaturdaten erkennen Abweichungen vom Normalverhalten der konkreten Maschine, bevor sie ausfällt. Der wirtschaftliche Effekt hängt von Sensorabdeckung, Serviceprozess, Ersatzteilverfügbarkeit und Vertragsmodell ab. Voraussetzung sind angebundene Sensorik, sauber erfasste Service-Einsätze und eine Datenbasis, die geplante von ungeplanten Einsätzen trennt.

Ein klassisches Data Warehouse reicht für batch-orientiertes Vertrags- und Service-Reporting und Standard-BI. Eine Lakehouse-Architektur wird sinnvoll, sobald Sensor-Streams aus der installierten Basis, Predictive-Maintenance-Modelle pro Anlagenfamilie, Vertrags-Live-Sicht und Engineering-Rückkopplung dazukommen. Wenn mehrere KI-Initiativen parallel laufen, wird die geteilte Datenbasis günstiger als drei eigene Pipelines.

Databricks ersetzt Power BI oder Tableau nicht. Das Lakehouse liefert die Datenbasis und die Modelle, die BI-Tools greifen über Databricks SQL darauf zu. Zusätzlich erlaubt Genie Self-Service-Abfragen in natürlicher Sprache direkt auf der kontrollierten Datenbasis. Bestehende Service- und Vertriebsreports bleiben in Power BI oder Tableau, neue Use Cases laufen oft direkt auf Databricks.

Eine Maschinenbau-Datenplattform verbindet Engineering, Service, Feld-Telemetrie und ERP auf einer Analytik-Basis, mit Fokus auf der installierten Basis beim Kunden. Eine reine MES-Plattform konzentriert sich auf den eigenen Werksbetrieb, ein ERP-Modul auf Vertrags- und Belegfluss. Sobald Hochfrequenz-Telemetrie aus Kundenanlagen, ML-Modelle, Servitization-Verträge und Engineering-Rückkopplung dazukommen, ist eine Datenplattform die passendere Wahl; MES und ERP bleiben als operative Systeme aktiv.

Typische Signale sind eine wachsende installierte Basis, mehrere Serviceregionen mit unterschiedlichen Marge-Definitionen, erste Servitization-Verträge, viele unterschiedliche Datenquellen oder mehrere parallele KI-Initiativen. Konkrete Schwellen hängen von Anlagenwert, Konnektivität und Servicegeschäft ab.