Ausgangslage: 12 Stillstandstage als operative Last
Mittelständische Anlagenbauer leben von Lieferzuverlässigkeit. Ein zugesagter Liefertermin ist im Maschinenbau das wertvollste Vertriebsversprechen — wer ihn hält, kann mit Premium-Margen verhandeln; wer ihn reißt, verliert das nächste Folgegeschäft. Bei unserem Kunden, einem mittelständischen Anlagenbauer mit 200 Fertigungsanlagen an drei Standorten, war genau diese Lieferzuverlässigkeit zum operativen Risiko geworden.
Die Symptome waren konkret: durchschnittlich 12 Stillstandstage pro Jahr durch ungeplante Maschinenausfälle. Die bestehende zeitbasierte Instandhaltung tauschte Komponenten nach Wartungsplan — Komponenten, die teilweise noch lange einsatzfähig waren, während andere Verschleißmuster unentdeckt blieben und in den nicht-vorhergesehenen Stillstand führten. Die OEE-Werte (Overall Equipment Effectiveness) bewegten sich anlagenabhängig zwischen 62 und 78 Prozent.
Vorgehen: Von der Zeit-Wartung zum zustandsbasierten Eingriff
Wir haben das Projekt als Daten-Sammlungs- und Modellierungs-Vorhaben aufgesetzt, nicht als reines Wartungs-Tool. In den ersten vier Wochen haben wir mit der Instandhaltungsleitung die kritischsten Anlagen-Cluster identifiziert — diejenigen mit dem höchsten Ausfall-Risiko und der größten Auswirkung auf die Lieferzuverlässigkeit. Diese Anlagen wurden mit Sensorik nachgerüstet (Vibration, Temperatur, Stromaufnahme), wo sie noch nicht angebunden war.
Aus den ersten drei Monaten Echtzeit-Daten ist ein Pilot mit drei Anlagen entstanden. Wir haben Verschleißmuster aus historischen Ausfällen retrospektiv markiert — typische Signaturen vor Lager-Schäden, Motorausfällen, Riementrieb-Verschleiß. Nach sechs Monaten lief das Predictive-Modell produktiv, nach neun Monaten war das Vorhersage-Fenster bei mehreren Schadensbildern auf mehrere Wochen erweitert.
Lösungsdetails: Drei Schichten zwischen Sensor und Wartungseingriff
Technisch besteht das System aus drei Schichten. Die unterste Schicht ist eine Sensor-Pipeline auf Basis von Azure IoT Hub und Apache Kafka. Hochfrequente Vibrations- und Stromsignale werden direkt am Edge-Device vorverarbeitet (FFT, RMS-Werte, Spektral-Features), nur die aggregierten Features fließen in die Cloud — das hält die Bandbreiten-Last in vertretbarem Rahmen.
Die zweite Schicht ist die Modell-Engine in TensorFlow. Pro Anlage und Komponente läuft ein Klassifikations- und Regressions-Modell: Das erste erkennt anomale Zustände, das zweite schätzt die Remaining Useful Life — die verbleibende Restlaufzeit bis zum erwarteten Ausfall. Modelle werden auf historischen Ausfällen trainiert und mit jedem neuen Schadens-Fall nachgeschärft.
Die dritte Schicht ist das Instandhaltungs-Dashboard in Power BI. Es zeigt pro Anlage den aktuellen Zustand, die kritischsten Verschleiß-Indikatoren und einen empfohlenen Wartungs-Zeitpunkt. Das Instandhaltungsteam priorisiert seine Eingriffe — die kritischen vor den planmäßigen, die billigen Vorhersagen vor den teuren Ausfällen.
Ergebnisse-Vertiefung: Was die KPIs nicht zeigen
Die Headline-Kennzahlen — 60 Prozent weniger ungeplante Stillstände, 25 Prozent Einsparung bei den Wartungskosten, ROI in unter acht Monaten — sind solide, aber sie zeigen nicht den strategischen Effekt. Zwei Sekundärwirkungen sind erst nach einem vollen Geschäftsjahr sichtbar.
Erstens: Die Liefertermin-Zusagen werden härter. Vertrieb und Produktion können auf Basis von Echtzeit-Anlagenzuständen verlässlicher kalkulieren — und damit Pönalen-Risiken im Angebot präziser einpreisen. Zweitens: Die Instandhalter werden vom Reagierer zum Strategen. Wer drei Wochen im Voraus weiß, dass das Hauptlager an Anlage 4 in den Verschleiß-Bereich läuft, plant den Eingriff im Wartungs-Slot — nicht im Produktions-Stillstand.
Lessons Learned: Was wir beim nächsten Mal anders machen würden
Drei Erkenntnisse haben wir mitgenommen. Erstens: Die Sensorik ist nicht das Hindernis. Bei vielen mittelständischen Maschinenbauern sind die Anlagen längst sensoriert, die Daten liegen aber in Inseln und werden nicht gehoben. Drei Viertel der Datenerschließung gingen in Konnektoren zu Bestandssystemen, ein Viertel in echte Nachrüstung.
Zweitens: Schadens-Daten sind das wertvollste Asset. Jeder dokumentierte Ausfall mit Zeitstempel, Sensordaten-Verlauf und Reparatur-Aufwand verbessert das Modell. Wir haben in der Pilotphase die historischen Wartungs-Reports digitalisiert und annotiert — das hat die Modellgenauigkeit für die kritischsten Schadenarten um geschätzt 30 Prozent gehoben.
Drittens: Die ISO-17359-Norm hilft bei der Argumentation gegenüber dem Kunden und der Versicherung. Eine zustandsbasierte Wartung gemäß Norm ist regulatorisch und versicherungstechnisch ein anderer Hebel als der reine Service-Vertrag.
Übertragbarkeit: Vom Wartungs-Tool zum Service-Geschäft
Was als interne Wartungs-Optimierung begann, hat sich zu einem neuen Geschäftsmodell entwickelt. Der Kunde bietet seine Anlagen heute mit einem datengetriebenen Service-Vertrag an — Predictive Maintenance as a Service. Die Margen im Service-Geschäft liegen oberhalb der reinen Anlagen-Marge; der Kunde wird zum dauerhaften Wartungs-Partner statt zum reinen Lieferanten.
Für mittelständische Maschinenbauer eröffnet das eine neue Value-Creation-Dimension: KI ist nicht nur ein Effizienz-Hebel in der eigenen Produktion, sondern ein Service-Produkt für den Kunden. Wer einmal in eine eigene Predictive-Plattform investiert, kann sie auch als Differenzierungsmerkmal in Vertriebsgesprächen einsetzen.