Predictive Maintenance: Definition, Methoden, Abgrenzung

Predictive Maintenance bezeichnet eine datengetriebene Instandhaltungsstrategie, bei der der Zustand von Maschinen und Anlagen kontinuierlich über Sensoren erfasst und mit statistischen oder Machine-Learning-Modellen ausgewertet wird, um Ausfälle und Verschleiß vor ihrem Eintreten zu prognostizieren. Wartungseingriffe werden auf Basis des prognostizierten Ausfallrisikos und der geschätzten Restnutzungsdauer einzelner Komponenten geplant, statt nach starrem Zeitplan oder erst nach einem Defekt.

Was ist Predictive Maintenance?

Predictive Maintenance (deutsch: vorausschauende Wartung, oft als PdM abgekürzt) ist die datengetriebene Weiterentwicklung klassischer Instandhaltungsstrategien. Die Norm DIN EN 13306 unterscheidet vier Strategien: Reactive Maintenance (Wartung nach Ausfall), Preventive Maintenance (Wartung nach festen Intervallen), Condition-based Maintenance (Wartung bei Schwellwert-Überschreitung eines Zustandsindikators) und Predictive Maintenance (Wartung auf Basis einer Ausfall- und Restnutzungsdauer-Prognose). PdM ist damit eine Instandhaltungs-Strategie, die durch das Zusammenspiel von Sensorik, Datenplattform und analytischen Modellen ermöglicht wird.

Eine produktive PdM-Lösung besteht aus fünf Bausteinen. Sensorik erfasst Vibration, Temperatur, Druck, Strom, Öl-Kennwerte oder Akustik-Signale am Betriebsmittel. Ein Ingest- und Streaming-Pfad transportiert die Telemetrie kontinuierlich in eine Datenplattform, üblicherweise über MQTT oder Kafka in ein Lakehouse. Ein Datenmodell hält Zeitreihen je Anlage, den Kontext (Anlagentyp, Standort, Konfiguration, Umgebung) und die Historie. Analytische oder Machine-Learning-Modelle liefern Anomalie-Signale, Fehlerklassifikationen und Restnutzungsdauer-Prognosen (Remaining Useful Life, RUL). Ein Rückkanal spielt Prognosen und Handlungsempfehlungen in EAM- oder CMMS-Systeme (etwa SAP PM oder IBM Maximo) zurück und löst dort Wartungsaufträge, Ersatzteilbestellungen und Personalplanung aus.

Auf Modell-Ebene arbeitet PdM mit einer Familie kombinierbarer Modelltypen. Statistische Zeitreihenmodelle (ARIMA, exponentielle Glättung) reichen für einfache Zustandsindikatoren. Anomaly-Detection-Verfahren (Isolation Forest, One-Class SVM, Autoencoder) markieren auffällige Sensor-Muster ohne Ausfall-Labels. Klassifikations- und Regressions-Modelle (Random Forest, Gradient Boosting) ordnen bekannte Fehlerbilder zu, sobald ausreichend gelabelte Ausfallereignisse vorliegen. Survival-Modelle (Weibull-Regression, Cox-Modelle) und rekurrente neuronale Netze (LSTM, Transformer) schätzen die Restnutzungsdauer betroffener Komponenten.

Ohne organisatorische Verankerung bleibt PdM ein Monitoring-Projekt. Voraussetzungen für einen produktiven Betrieb sind ausreichend historische Daten mit Ausfallereignissen als Labels, stabile und kalibrierte Sensorik, verlässliche Referenz-Kennzahlen der Instandhaltung (etwa MTBF und MTTR) und eine Rückkopplung der Prognosen in die Wartungsplanung. Die berichteten wirtschaftlichen Effekte in Referenzstudien (McKinsey, Deloitte, PwC) bewegen sich typischerweise zwischen 10 und 30 Prozent weniger ungeplanten Ausfällen und 5 bis 20 Prozent geringeren Wartungskosten; die tatsächliche Wirkung hängt stark vom Ausgangs-Reifegrad und der Datenlage ab.

Abgrenzung zu verwandten Begriffen

Predictive Maintenance wird häufig mit angrenzenden Strategien und Methoden vermengt. Die Abgrenzung verläuft entlang zweier Achsen: dem Auslöser der Wartung (Ausfall, Zeit, Zustand, Prognose) und der Datengrundlage (keine, feste Kennzahlen, Sensorik-Schwellwert, statistisches oder ML-Modell).

Begriff	Kernunterschied
Reactive Maintenance	Wartung erst nach dem Ausfall. PdM zielt auf die Umkehrung: Ausfälle sollen prognostiziert und vermieden werden. Für unkritische, günstig ersetzbare Komponenten bleibt Reactive Maintenance wirtschaftlich sinnvoll.
Preventive Maintenance	Feste Wartungsintervalle nach Zeit, Betriebsstunden oder Kilometern, unabhängig vom tatsächlichen Zustand. PdM ersetzt die Zeit-Heuristik durch eine daten- und modellbasierte Zustands- und Ausfallprognose.
Condition-based Maintenance	Wartung, wenn ein Zustandsindikator (Vibration, Temperatur, Ölqualität) einen definierten Schwellwert überschreitet. CBM ist regelbasiert; PdM ergänzt die Prognose einer zukünftigen Ausfallwahrscheinlichkeit oder Restnutzungsdauer. Die Begriffe werden im Sprachgebrauch oft synonym benutzt; formal ist CBM der Oberbegriff, PdM eine daten- und modellgetriebene Ausprägung.
Predictive Analytics	Breitere Methoden-Familie: prognostische Auswertungen auf beliebigen Geschäftsdaten (Umsatz, Absatz, Kundenverhalten). Predictive Maintenance ist die Anwendung dieser Methoden auf Instandhaltungsdaten und damit ein Anwendungsfeld von Predictive Analytics.
Digital Twin	Laufend synchronisiertes Abbild einer Maschine oder Anlage. PdM-Modelle laufen häufig auf einem Digital Twin, sind aber selbst kein Twin. Der Twin liefert Zustand und Historie, PdM liefert die Prognose.
Prescriptive Maintenance	Nachfolge-Konzept mit einer zusätzlichen Entscheidungs-Ebene: neben der Prognose ("Ausfall in 30 Tagen") wird eine konkrete Handlungsempfehlung unter Berücksichtigung von Personal, Ersatzteilen, Produktionsplan und Kostenzielen ausgegeben. Setzt eine funktionierende PdM voraus.

Die Übergänge zwischen Condition-based und Predictive Maintenance sind fließend. Wird der Begriff PdM ohne weitere Präzisierung verwendet, ist häufig ein CBM-Aufbau mit ergänzendem Anomalie- oder Trend-Modell gemeint; echte Restnutzungsdauer-Prognosen mit Survival-Modellen oder Deep-Learning-Ansätzen sind in produktiven Anlagen die Ausnahme und an gute Ausfall-Datenlage gebunden.

Beispiel: Predictive Maintenance in der Fertigung

Ein Betreiber einer Fertigungslinie mit rund 200 Werkzeugmaschinen erfasst Vibrations-, Strom- und Temperatur-Werte an Spindeln und Antrieben kontinuierlich über MQTT und streamt sie in ein Lakehouse. Die Bronze-Schicht hält die Rohdaten je Sensor sekündlich, die Silber-Schicht abgeleitete Zeitreihen-Merkmale (RMS-Wert, Kurtosis, Frequenz-Spektren aus einer laufenden Fast-Fourier-Transformation), die Gold-Schicht den aktuellen Zustandsvektor je Maschine mit Historie.

Auf dieser Datenbasis arbeiten mehrere Modelle parallel. Ein Autoencoder erkennt Anomalien in den Vibrations-Spektren gegenüber einem gelernten Normalzustand. Ein Gradient-Boosting-Klassifikator ordnet erkannte Muster einem Fehlerbild zu (Lagerschaden, Unwucht, Werkzeug-Verschleiß), sobald ausreichend gelabelte Ausfälle vorliegen. Ein Weibull-Survival-Modell schätzt die Restnutzungsdauer betroffener Spindeln in Betriebsstunden. Die Prognosen und Handlungsempfehlungen werden über eine REST-API an das ERP- und EAM-System des Betreibers zurückgespielt und lösen dort Wartungsaufträge, Ersatzteilbestellungen und Personalplanung aus.

Architektonisch sitzt PdM zwischen Ingest und Fachanwendung. Die Streaming-Schicht bleibt für Ingest und Recovery reserviert, die Gold-Schicht bedient sowohl PdM-Modelle als auch Instandhaltungs-Dashboards und den Rückkanal ins EAM-System. Vergleichbare Architekturen finden sich in der Prozessindustrie (Pumpen, Wärmetauscher, Kompressoren), im Energiesektor (Windturbinen, Umspannwerke, Netzkomponenten), im Schienenverkehr (Antriebe, Fahrwerke, Weichen) und in der Gebäudetechnik (Aufzüge, HVAC-Anlagen).