Predictive Maintenance: KI-gestützte Prognosen für absolute Anlagenverfügbarkeit

Die klassische Instandhaltung operiert historisch nach der Badewannen-Kurve: Entweder reaktiv ('Repariere es, wenn es explodiert') oder präventiv nach harten Taktzeiten ('Tausche den Riemen alle 8.000 Stunden').

Beide Wege sind ökonomisch ineffizient. Präventive Zyklen verschwenden Ressourcen, indem sie völlig intakte Bauteile verschrotten, während reaktive Maintenance mit dem fatalen Multiplikator ungeplanter Downtimes konfrontiert ist. Notlieferungen für Ersatzteile, verbrannte Produktionsstunden und qualitätsreduzierte Ausschusschargen machen einen unerwarteten Lagerschaden oft 10-mal teurer als das Bauteil selbst.

Jeder mechanische Verschleiß kündigt sich an. Predictive Maintenance rüstet Motoren, Getriebe, Spindeln und Lüfter mit hochauflösender Sensorik aus, die diese akustischen oder thermischen Vorboten erfasst.

Dreiachsige MEMS-Beschleunigungssensoren überwachen Vibrationen im kHz-Bereich, während Thermistoren den minimalen Reibungshitze-Anstieg dokumentieren. Stromzangen (Current Signature Analysis) überprüfen Drehmomentschwankungen am Antrieb. Diese Arrays feuern hunderte Samples pro Sekunde in die Edge-Vorverarbeitung, wo Rauschen geglättet und FFT (Fast Fourier Transformations) die Zeitsignale in verwertbare Frequenzspektren umwandeln.

Die Flut an Sensordaten überschreitet menschliche Auswertungsfähigkeiten völlig. Hier übernimmt KI. Ein Algorithmus wird in der Initialisierungsphase trainiert, um den spezifischen, gesund-mechanischen 'Puls' der Maschine zu lernen — samt Schichtmustern, Pausen und Lastfällen (Isolation Forests).

Über Recurrent Neural Networks (LSTM) werden Zeitreihen in die Zukunft extrapoliert. Wenn der harmonische Peak der Unwucht bei 220Hz allmählich breiter und steiler ausfällt, errechnet die KI eine Restlebensdauer (Remaining Useful Life / RUL). Die Plattform eskaliert einen Alarm in das Computerized Maintenance Management System (CMMS) wie IBM Maximo oder SAP PM: 'Motor 3, Spindelriss prognostiziert für Tag 14'.

Das Risiko vieler KI-Abenteuer ist 'Death by Pilot'. Man verkabelt alles und scheitert an der Datenkomplexität. Optirion setzt auf die Pareto-Strategie: Identifikation der Top 3 Anlagen, deren Ausfall die gesamte Kette lahmlegt.

Dort implementieren wir zuerst einfaches Condition Monitoring (starre Schwellwerte) zur sofortigen Alarmierung. Während sich das System etabliert und Daten sammelt (die sogenannte Burning-In-Phase), lernen die Algorithmen im Hintergrund. Nach ca. 6 Monaten aktivieren wir die Prognose-Dienste, nachdem genügend Validierungs-Ausfälle vom System kalibriert wurden.

Wartung wird planbar. Die Ersatzteil-Logistik wechselt von Emergency Air Freight auf konsolidierten Bodenversand. Das Wartungspersonal kann am Wochenende agieren, anstatt mittwochs unter Hochdruck zu reparieren.

Der direkte ROI explodiert bereits mit dem ersten wirklich vermiedenen, kritischen Stillstand. Die Amortisationszyklen bei stark ausgelasteten Anlagen liegen nicht selten bei atemberaubenden 3 bis 6 Monaten nach Go-Live.