Predictive vs. Preventive Maintenance: Was in der Praxis wirklich zählt
Von Sync Motion — OT/IT-Integration, Echtzeit-Monitoring und Anlagenmodernisierung aus Österreich. Wir bauen zustandsbasierte Instandhaltung in bestehende Industrieumgebungen ein — von der Sensorebene bis zum operativen Dashboard — ohne zu ersetzen, was funktioniert.
Jede Anlage hat eine Instandhaltungsstrategie. In den meisten Fällen ist es eine Mischung: kalenderbasierte Wartungsintervalle für das, was der Hersteller vorgibt. Reaktive Reparatur für das, was trotzdem ausfällt. Und dazwischen eine wachsende Zahl an Anbietern, die mit „KI-gestützter Predictive Maintenance" den Eindruck erwecken, als würde ein Algorithmus alle Probleme lösen.
Dieser Artikel beschreibt, was Predictive und Preventive Maintenance technisch bedeuten, wo welcher Ansatz tatsächlich Sinn ergibt — und was nötig ist, um den Schritt von kalenderbasierter Wartung zu zustandsorientierter Instandhaltung in der Praxis zu machen.
Was „Preventive" und „Predictive" tatsächlich meinen
Die Begriffe werden oft verwendet, selten sauber definiert.
Vorbeugende Instandhaltung (Preventive Maintenance) arbeitet zeitbasiert oder zyklusbasiert. Alle 5.000 Betriebsstunden, einmal pro Quartal, nach Herstellervorgabe. Teile werden getauscht, geschmiert, inspiziert — unabhängig vom tatsächlichen Zustand der Komponente. Die Grundlage sind MTBF-Daten, statistische Mittelwerte und Erfahrungswerte. Kein Sensor notwendig, kein Echtzeit-Signal. Die Logik: Wenn ein Lager im Schnitt nach 8.000 Stunden ausfällt, wechseln wir es nach 6.000. Das ist solide, funktioniert seit Jahrzehnten, und ist in DIN 31051 beschrieben.
Prädiktive Instandhaltung (Predictive Maintenance) arbeitet zustandsbasiert. Sensoren erfassen kontinuierlich oder periodisch den tatsächlichen Zustand einer Komponente — Schwingung, Temperatur, Motorstrom, Ölpartikel, Ultraschall. Wenn die Daten eine Verschlechterung zeigen, wird eingegriffen. Nicht vorher, nicht danach. Das Ziel ist, den Zeitpunkt des Eingriffs so genau wie möglich an den tatsächlichen Bedarf anzupassen — idealerweise innerhalb des sogenannten P-F-Intervalls, also dem Fenster zwischen dem ersten erkennbaren Fehlersignal und dem funktionalen Ausfall.
Das kann einfach sein: Schwingungswert überschreitet Schwellwert, Meldung geht raus. Oder komplex: Ein Modell berechnet die voraussichtliche Restlebensdauer auf Basis von Spektralanalyse, Temperaturverlauf und Betriebsprofil. ISO 13374 beschreibt den Rahmen dafür — von der Datenerfassung über Zustandserkennung bis zur Entscheidungsunterstützung.
In der Praxis heißt das: Man tauscht ein Lager entweder nach Kalender oder nach tatsächlichem Verschleiß. Gleiche Komponente, andere Entscheidungsgrundlage.
Wo welcher Ansatz Sinn ergibt
Die Frage ist nicht „Predictive oder Preventive". Die Frage ist: Für welche Anlagenteile lohnt sich welcher Ansatz?
Preventive Maintenance ist sinnvoll bei Komponenten, deren Verschleiß gut vorhersagbar und statistisch eng verteilt ist. Filter, Keilriemen, Dichtungen — Teile, bei denen die Herstellerangabe verlässlich genug ist, um ein Intervall zu definieren. Ebenso bei Anlagen mit niedrigem Stillstandsrisiko, bei Komponenten ohne messbare Frühsignale, und überall dort, wo Sensornachrüstung unverhältnismäßig aufwändig oder teuer wäre. Auch regulatorisch vorgeschriebene Prüfintervalle — Druckbehälter, sicherheitskritische Systeme — bleiben kalenderbasiert, unabhängig vom Zustand.
Predictive Maintenance ist sinnvoll bei Anlagenteilen, deren Ausfall teuer ist und deren Verschleiß messbare Frühsignale zeigt. Rotierende Maschinen — Motoren, Getriebe, Kompressoren, Turbinen — sind die klassischen Kandidaten. Lagerverschleiß zeigt sich in Schwingungsdaten Wochen vor dem funktionalen Ausfall. Motorstromanalyse erkennt sich entwickelnde elektrische Fehler. Pumpen zeigen Kavitation über ein spezifisches Frequenzprofil. Bei einem Stillstandskostenpunkt von 10.000 bis 100.000 Euro pro Stunde rechtfertigt ein einziger vermiedener ungeplanter Ausfall die Sensorik für die gesamte Anlage.
In der Praxis ist die Antwort fast immer ein Hybrid. Preventive als Basis für 80 % der Anlagenteile. Predictive auf die kritischen 20 %, die den Großteil der Stillstandskosten verursachen. Wer mit dem Ansatz „alles sofort Predictive" startet, scheitert an Komplexität und Kosten. Wer bei den fünf teuersten Ausfallquellen anfängt, hat nach einem Jahr messbare Ergebnisse.
Was die Zahlen sagen
Die Datenlage zu Predictive Maintenance ist mittlerweile solide. Die am häufigsten zitierten Ergebnisse stammen aus Studien von McKinsey, Deloitte und PwC — und sie sind quellenübergreifend konsistent.
Wartungskosten: 18 bis 25 % Reduktion gegenüber kalenderbasierter oder reaktiver Instandhaltung (McKinsey, „Prediction at Scale"). Ungeplante Stillstände: Reduktion um 30 bis 50 %. Anlagenlebensdauer: Verlängerung um 20 bis 40 %. Anlagenverfügbarkeit: Steigerung um 5 bis 15 %.
PwC kommt in einer europäischen Studie mit 268 Unternehmen (Deutschland, Niederlande, Belgien) auf konservativere, aber realistische Werte: 12 % Kostenreduktion, 9 % Verfügbarkeitssteigerung. Das sind Ergebnisse aus laufenden Betrieben, nicht aus Laborumgebungen.
Deloitte beziffert die Gesamtkosten ungeplanter Stillstände in der US-Industrie auf rund 50 Milliarden Dollar jährlich. Auf Anlagenebene liegen die Ausfallkosten je nach Betrieb zwischen 50.000 und 260.000 Dollar pro Stunde (ABB/Senseye). Amortisationszeiten für Predictive-Maintenance-Implementierungen liegen typischerweise unter zwei Jahren. 95 % der Anwender berichten einen positiven ROI, über ein Viertel bereits im ersten Jahr.
Ein wichtiger Kontext: Diese Zahlen stammen aus Betrieben, die das Thema strukturiert angehen. Die Realität ist, dass 60 bis 70 % der PdM-Initiativen ihre ROI-Ziele in den ersten 18 Monaten verfehlen — nicht wegen der Technologie, sondern wegen Datenqualität, fehlender Integration und unzureichendem Change Management. Die Technologie ist nicht das Problem. Die Einführung ist es.
Was Predictive Maintenance tatsächlich braucht
Hier wird es konkret. Die Anforderungen unterscheiden sich erheblich, je nachdem ob man mit einfacher Schwellwertüberwachung oder mit ML-basierter Prognose arbeitet.
Stufe 1: Condition Monitoring mit Schwellwerten — das ist der Einstieg, der 60 bis 70 % des Nutzens liefert, bei einem Bruchteil der Kosten. Was man braucht: Schwingungssensoren (Beschleunigungsaufnehmer), Temperaturfühler, Motorstromanalyse, ggf. Ultraschall und Ölpartikelzähler. Dazu IoT-Gateways oder Edge-Geräte, die Daten über OPC UA oder MQTT an einen Historian oder ein Cloud-System liefern. Ein einfaches Regelwerk — Schwingung über Grenzwert für definierte Dauer löst Meldung aus — und eine Anbindung an das CMMS für automatische Arbeitsaufträge. Investition: 5.000 bis 50.000 Euro pro kritischem Asset, je nach Sensorik und Anbindung.
Stufe 2: ML-basierte Prognose (RUL, Anomalieerkennung) — für komplexe Assets, bei denen einfache Schwellwerte nicht reichen. Hier braucht man Hochfrequenzdaten (kHz-Bereich für Schwingungsanalyse), Edge-Vorverarbeitung, eine ML-Plattform (Azure IoT, AWS, MindSphere oder On-Premise), und Modelle, die auf den spezifischen Ausfallmodus der Anlage trainiert sind. Das erfordert entweder Data Scientists im Haus oder einen Managed Service. Typische Plattformkosten: 50.000 bis 500.000 Euro initial plus laufende Subscription.
Die Realität, die Anbieter ungern erwähnen: Für brauchbare Modelle braucht man 6 bis 24 Monate Betriebsdaten. Ein Modell, das an einer Anlage trainiert wurde, funktioniert an einer anderen nicht automatisch. Und bei sich ändernden Prozessen driftet das Modell — ohne laufende Pflege verliert es an Genauigkeit. Wer mit einem Piloten auf 5 bis 10 kritischen Assets beginnt, hat eine realistische Grundlage. Wer mit einer Enterprise-Plattform für die gesamte Anlage startet, baut Infrastruktur, bevor er ein Problem gelöst hat.
Ein Erfahrungswert: Einfache Schwellwertlogik liefert 70 bis 80 % des Nutzens bei 20 % der Kosten. Volle ML-Prognose rechnet sich erst ab einer bestimmten Anlagenkomplexität und Stillstandskostenhöhe. Die richtige Frage ist nicht „KI oder nicht", sondern „Wo genau kostet mich ein ungeplanter Ausfall genug, um die Investition zu rechtfertigen?"
NIS2 und die Sicherheitsfrage
Die NIS2-Richtlinie (EU 2022/2555) ist kein Wartungsstandard. Sie hat keinen direkten Bezug zur Instandhaltungsstrategie. Aber sie hat einen indirekten, der in der Praxis relevant wird.
Jede Predictive-Maintenance-Implementierung erweitert die OT/IT-Angriffsfläche. Sensoren, Gateways, Cloud-Analytics, CMMS-Integration — das sind neue Verbindungspunkte zwischen Anlagennetz und IT-Welt. Für Unternehmen in den 18 Sektoren, die unter NIS2 fallen — Energie, bestimmte Fertigungsbereiche, Transport — gelten Pflichten zur Risikoanalyse, Netzwerksegmentierung, Verschlüsselung und Vorfallmeldung. Auch für die neuen digitalen Wartungssysteme. Bei Nichteinhaltung drohen Bußgelder bis zu 2 % des weltweiten Jahresumsatzes.
In der Praxis bedeutet das: Wer heute eine PdM-Architektur plant, sollte NIS2-Konformität von Anfang an mitdenken. Edge-Verarbeitung statt ungesicherter Cloud-Anbindung. Zero-Trust-Architekturen. Segmentierung des OT-Netzes. Das ist keine Überregulierung, sondern die Realität, wenn man Produktionsdaten digitalisiert.
Häufige Fehler bei der Einführung
Ein paar Punkte, die bei Predictive-Maintenance-Einführungen immer wieder auffallen:
Es wird mit der Plattform angefangen statt mit dem Problem. Welche Anlage fällt aus, was kostet das, und wo ist das Signal messbar? Das ist die richtige Reihenfolge.
Das Pilotprojekt wird zu groß geplant. 5 bis 10 kritische Assets reichen als Einstieg. Wenn die erste Meldung einen ungeplanten Stillstand verhindert, ist der Business Case für den Rest der Anlage gemacht.
Condition Monitoring wird übersprungen. Viele Anlagen haben noch keine kontinuierliche Zustandserfassung — und springen direkt zu „KI-gestützter Prognose". Ohne saubere Datengrundlage ist jedes Modell Kaffeesatzleserei.
Die Anbindung an bestehende Systeme wird unterschätzt. Ein Schwingungsalarm, der in keinem CMMS landet und keinen Arbeitsauftrag erzeugt, ist eine Benachrichtigung. Kein Wartungsprozess.
Das Wartungsteam wird nicht eingebunden. Predictive Maintenance verändert Arbeitsabläufe. Wenn der Instandhalter nicht weiß, was das System meldet und warum, ignoriert er es — zu Recht.
Was bleibt
Preventive Maintenance verschwindet nicht. Für den Großteil der Anlagenteile ist kalenderbasierte Wartung nach wie vor die richtige Strategie. Was sich ändert, ist die Ergänzung: die kritischen Assets, die den Großteil der Stillstandskosten verursachen, verdienen eine zustandsbasierte Überwachung. Nicht weil es modern ist, sondern weil sich ein einziger vermiedener ungeplanter Ausfall rechnet.
Der Weg dorthin ist kein Technologiekauf. Er beginnt mit einer klaren Bestandsaufnahme: Was fällt aus? Was kostet das? Wo ist das Signal? Und erst dann: Welche Sensorik, welche Plattform, welche Integration.
Nächste Schritte
Sync Motion baut zustandsbasierte Instandhaltung in bestehende Industrieumgebungen ein — von der Sensorebene bis zum operativen Dashboard. PlantWatch, unsere Monitoring-Plattform, ist für die Brownfield-Integration konzipiert: Anbindung an das, was bereits vorhanden ist, und Ergänzung der Sichtbarkeitsebene, die kalenderbasierte Wartung allein nicht bietet.
Ein technisches Gespräch über Ihre Anlage ist immer ein guter Ausgangspunkt.
office@sync-motion.com · sync-motion.com