Autor: Felix Grün
Veröffentlichung: 14.07.2026
Einleitung
Mit Predictive Maintenance können Unternehmen Geld und Ressourcen sparen, und gleichzeitig ihre Produktivität erhöhen. Statt erst zu reagieren, wenn eine Maschine kaputt ist, oder mit regelmäßigen Wartungsarbeiten Produktions- oder sonstige Arbeitsabläufe zu unterbrechen, versucht man bei Predictive Maintenance sensordatengetrieben nur dann einzugreifen, wenn es nötig ist.
Abb.1: Chancen durch Predictive Maintenance
Hintergrund: Reperatur und Instandhaltung als zirkuläre Strategie (n)
Es gibt zwei klassische Strategien, um die Nutzungsdauer von Produkten zu verlängern. In vielen Bereichen ist Reparatur die üblichste. Wir nutzen Dinge bis sie defekt sind und reparieren sie dann entweder selbst oder lassen sie reparieren. Wenn die Konsequenzen des Defekts zu groß wären, kommen wir dem zuvor, indem wir regelmäßig warten. Ein gutes Beispiel ist hier die regelmäßige Inspektion und Wartung des Autos. Hier wären manche Mängel im wahrsten Sinne des Wortes fatal, andere können eine Kette weiterer Probleme nach sich ziehen und damit zumindest finanziell größeren Schaden anrichten. Man denke an Motorschäden, wenn der Ölwechsel ausbleibt.
Reparatur und Instandhaltung sind zwei verwandte Strategien, um die Produktlebensdauer zu verlängern und dadurch länger Nutzen aus bereits verbauten Rohstoffen zu ziehen. Dabei kann man das klassische Reparieren als korrektive Reparatur und Instandhalten als präventive Reparatur betrachten (corrective bzw. preventive maintenance (PvM)).
Das richtige Wartungsintervall zu finden ist je nach Anwendung nicht einfach: Wählt man eine zu niedrige Wartungsfrequenz, wächst das Risiko eines größeren Schadens über ein akzeptables Maß hinaus. Wählt man die Frequenz jedoch zu hoch, werden nicht nur Zeit, Geld und Ressourcen für unnötige Wartung verschwendet, sondern auch produktive Lebenszeit des Produkts, denn während es gewartet wird, kann es in der Regel nicht genutzt werden. Das Intervall muss dabei nicht zeitlich definiert sein, es könnte sich auf Betriebskennzahlen beziehen, zum Beispiel gefahrene Kilometer beim Auto oder Betriebsstunden bei einer Maschine in der Produktion.
Optimal wäre es genau dann die Wartung durchzuführen, wenn das Produkt kurz davor ist kaputt zu gehen.
Predictive Maintenance
An dieser Stelle kommen Condition-Based Maintenance (CBM) und Predictive Maintenance (PdM) ins Spiel [1]. CBM ist allgemein der Ansatz die Wartung vom Zustand der Maschine abhängig zu machen. Das Ziel von PdM ist es dem optimalen Wartungszeitpunkt möglichst nahe zu kommen. Fundamental ist dabei die Vorhersage wie lange eine Maschine noch betrieben werden kann, bevor sie gewartet werden muss. Damit diese Vorhersage nicht beliebig geraten werden muss, müssen Daten gesammelt werden, die zumindest Anhaltspunkte dafür liefern [2, 3, 6] (siehe Abb. 2).
Welche Daten das sein können oder sollten, hängt ganz vom Produkt bzw. der Maschine ab. Viele Maschinen bringen eingebaute Sensoren und Anzeigen mit, zum Beispiel eine Ölstandsanzeige im Auto, um im Beispiel von oben zu bleiben. Wenn keine Sensorik eingebaut ist, kann teilweise nachgerüstet werden, entweder mit speziellen Bauteilen zum Nachrüsten oder externer Sensorik (Retrofitting). So kann oft schon ein Mikrofon neben der Maschine wertvolle Informationen über ihren Zustand liefern [16]. Ein einfaches Beispiel ist hier ein rotierendes Bauteil wie ein Propeller, Ventilator, o.Ä., bei dem durch zu wenig Schmiermittel Reibung entsteht, die sich akustisch messen und digital verarbeiten lässt. ([4] enthält eine Tabelle mit Beispielen welche Sensorik für welche Arten von Maschinen geeignet ist.)
Abb. 2: Maintenance Strategien
Die Auswertung solcher Daten ist teilweise ein Job mit ISO-zertifizierter Qualifikation, zum Beispiel Vibration Condition Monitoring [5] wie hier oder hier. Eine andere Möglichkeit ist, maschinelles Lernen darauf anzuwenden.
Bevor beleuchtet wird wie PdM mit Machine Learning funktionieren kann, stellt sich die Frage, warum das wünschenswert ist. Wenn Maschinen immer zum spätestmöglichen Zeitpunkt gewartet werden, der keine Folgeschäden und -kosten verursacht…
1.) werden Ressourcen (materiell) geschont, weil die Produktlebensdauer maximiert wird und Teile nur ersetzt werden, wenn es nötig ist [7],
2.) wird Arbeitszeit gespart, weil nicht regelmäßig, sondern nur bei Bedarf eingegriffen wird, [3, 6]
3.) werden als Folge aus 1. und 2. Reparatur- und Wartungskosten minimiert (bei gleichzeitiger Vermeidung der Entsorgung und Neuanschaffung; ansonsten wäre dieses Minimum 0€), [3, 6]
4.) wird gerade bei ständig laufenden Maschinen, z. B. in einer Fabrik, die Downtime, also Zeit, in der die Maschinen stillstehen, minimiert (unter den Rahmenbedingungen der Ressourcenschonung; Theoretisch ließe sich die Downtime zusätzlich verringern, wenn bei ohnehin anstehender Wartung immer auch alle anderen Verschleißteile mit ausgetauscht werden, egal wie lange deren Lebensdauer noch ist, sodass deren Austausch keine zukünftige Downtime nötig macht.) [3, 6]
Exkurs: Was ist Maschinelles Lernen?
Maschinelles Lernen (ML) zeichnet sich in Abgrenzung zu anderen Programmen dadurch aus, dass die Aufgabe des Programms mit zunehmender Erfahrung besser gelöst wird [8]. Das Sammeln von Erfahrung und Lernen daraus wird als Training bezeichnet. Klassischerweise wird ein ML-Programm trainiert eine sehr konkrete Aufgabe zu lösen, z. B. Bilderkennung, Vorhersage von Wetterdaten oder Auswahl von Werbeanzeigen im Internet. Dies ändert sich mit dem Fortschritt von künstlicher Intelligenz (KI). Die benutzten Trainingsmethoden sind fundamental nicht neu, aber die trainierten Modelle sollen viele Verschiedene Aufgaben bewältigen können. Der ausschlaggebende Faktor ist dabei das Hochskalieren des Trainings [11].
Maschinelles Lernen lässt sich grob in drei Bereiche aufteilen (siehe Abb. 3):
Reinforcement Learning (Bestärkungslernen):
Lernen durch Interaktion und Feedback, Trial-and-Error
Supervised Learning (überwachtes Lernen):
Lernen von Beispielen
Unsupervised Learning (unüberwachtes Lernen):
Lernen von Struktur in Daten, oft als Vorverarbeitung
Abb.3: Kategorien maschinellen Lernens
Die Algorithmen der verschiedenen Kategorien eignen sich für verschiedene Anwendungsszenarien, die sich im Wesentlichen durch die Art des verfügbaren Lernsignals unterscheiden. So bestehen die Lerndaten beim Supervised Learning aus Paaren von Eingabedaten (Features) und dazugehörigen Lösungen (Labels). Aus diesen Beispielpaaren soll der Algorithmus dann lernen welche Ausgabe bei welchen Features gewünscht ist. Supervised Learning lässt sich weiter unterteilen in Klassifikation und Regression. Der Unterschied ist lediglich, ob als Ausgabe ein Label aus einem diskreten Set oder ein reeller Wert (oder Vektor) erwartet wird. [9]
Reinforcement Learning liegt in Bezug auf das Lernsignal zwischen den beiden anderen Kategorien. Es gibt zwar ein Lernsignal, aber dieses gibt nicht die Korrekte Lösung an, sondern nur wie gut die Ausgabe des Algorithmus war. Die Terminologie unterscheidet sich außderdem: Die Instanz des Algorithmus wird als Agent bezeichnet, die konkrete Aufgabe, die es zu lösen gilt, bildet eine Umgebung (Environment), die Ausgaben des Agenten werden Aktionen genannt und das Lernsignal Belohnung oder Reward. [10]
Im Unsupervised Learning sind zu den Lerndaten keine Lösungen vorhanden. Die beiden Aufgaben, die Algorithmen in diesem Szenario zu lösen versuchen sind Clustering (Erkennen von Struktur in den Daten) und Dimensionalitätsreduktion (Reduktion der Datenmenge bei minimalem Verlust von Informationsgehalt). [9]
Predictive Maintenance mit ML
Die Überwachung von Systemen wie menschliche Experten sie handhaben würden (vgl. CBM), also bestimmte Messwerte mit mehr oder weniger harten Grenzwerten vergleichen, ggf. auch in Abhängigkeit voneinander, könnte im Prinzip auch ohne KI oder ML automatisiert werden. Dafür müsste jeder relevante Fall manuell programmiert werden (z.B. „Wenn Sensorwert A über Grenzwert X ist und Sensorwert B unter Grenzwert Y ist, muss etwas getan werden.“). Abgesehen davon, dass das mit ML nicht nötig ist, ist der große Vorteil von ML, dass sogar solche Regeln gelernt werden können, die dem menschlichen Analysten gar nicht bekannt sind. KI und ML glänzen gerade dann, wenn viele, komplexe, unübersichtliche Daten zu verarbeiten sind, wie es z. B. bei modernen Produktionsbetrieben der Fall ist.
Es lassen sich (mindestens) vier Strategien für ML-basierte predictive maintenance unterscheiden:
Outlier Detection (Unsupervised Learning)
Eine vierte, hier nicht weiter diskutierte Option ist mittels Unsupervised Learning ungewöhnliche Messpunkte zu flaggen, die herausstechen, auch outlier detection genannt. [12]
(binäre) Status-Klassifikation (Supervised Learning)
Wenn historische Sensordaten zur Verfügung stehen oder gesammelt werden können, und für jeden Datenpunkt außerdem ein sogenanntes Ground-Truth-Label vorliegt, kann ein ML-Algorithmus trainiert werden, der im laufenden Betrieb zu jedem Messpunkt klassifiziert, ob die Maschine gewartet werden muss oder nicht. Diese Ground-Truth-Label sind korrekte Label, die den Lernprozess in der Realität verankern. Wenn zum Beispiel Bilder von Äpfeln und Bilder von Orangen unterschieden werden sollen, ist wichtig, dass in den Beispieldaten die Bilder von Äpfeln korrekt als solche gelabelt sind. Ground-Truth-Label müssen in der Regel von Menschen bereitgestellt werden. Während für die Unterscheidung von Äpfeln und Orangen fast jede:r korrekte Label liefern kann, werden im Falle von PdM Experten benötigt. Um am Beispiel des Autos anzuknüpfen: Wenn für ein Automodell die Messwerte und Maßnahmenempfehlungen aus Autowerkstätten zusammengeführt würden, könnte daraus gelernt werden, bei welchen Messwerten eingegriffen werden sollte. Je nach Datenlage ließe sich die Klassifikation auch von binär auf ein Set potentiell nötiger Maßnahmen erweitern. Also statt „Alles ok“ oder „Eingreifen erforderlich“ würde klassifiziert zwischen „Alles ok“, „Maßnahme A erforderlich“, „Maßnahme B erforderlich“, …, „Maßnahme Z erforderlich“. In diesem Fall wird auch von Prescriptive Maintenance gesprochen, weil bestimmte Maßnahmen „verordnet“ werden. [15]
Regression (Supervised Learning)
Eine weitere Möglichkeit ist ein Modell zu trainieren, das vorhersagt wie lange eine Maschine noch ohne Wartung funktioniert, bevor sie Schaden nimmt. Dieser Wert wird in der englischen Fachliteratur als „remaining useful life (RUL)“ bezeichnet. Dafür müssen zwar auch Sensordaten vorhanden sein, aber diese müssen nicht unbedingt manuell von Experten gelabelt sein [14]. Stattdessen reicht es zu wissen wann die Maschine versagt hat, womit sich das Ground-Truth-Label für alle vorangegangenen Datenpunkte berechnen lässt. Der letzte Datenpunkt vor dem Versagen bekommt das Label 0, der Datenpunkt davor wird mit 1 gelabelt, usw. In diesem Fall wäre die Einheit die Anzahl Messungen, Zeiteinheiten von Sekunden bis hin zu Tagen können aber auch sinnvoll sein.
Reinforcement Learning
In der Theorie eignet sich Reinforcement Learning exzellent für die Anwendung für Predictive Maintenance. Agenten erhalten Informationen über den Zustand der Maschine in Form von Sensordaten, können als Aktionen verschiedene Maßnahmen empfehlen (oder in unabsehbarer Zukunft sogar selbst durchführen) und erhalten als Lernsignal negatives Feedback, wenn ein Defekt auftritt, also nicht verhindert wurde. [13]
Abb.4: ML-Ansätze für PdM
Vor- und Nachteile und Datenverfügbarkeit
Die drei vorgestellten Ansätze haben jeweils Vor- und Nachteile und sind in bestimmten Situationen mehr oder weniger geeignet. Aufmerksame Leser:innen haben vielleicht bemerkt, dass beim dritten Ansatz kein Praxisbeispiel erwähnt wurde. Bisher ist RL für PdM nämlich vor allem Theorie [13]. Denn praktisch ist es unrealistisch die betrachtete Maschine erst hunderte Male kaputt gehen zu lassen, damit der Agent lernt wann er hätte eingreifen sollen. Daher muss ein Reinforcement Learning-Agent von relativ großen Mengen bestehender Daten lernen (relativ bezieht sich hier auf die anderen beiden Ansätze, bei denen das Lernsignal viel stärker ist) oder in einer Simulation trainiert werden und dann auf das echte System übertragen werden. Eine Simulation, die realistisch genug ist, um diesen Transfer von der Simulation in die reale Umgebung (Sim-to-real-Transfer) möglich zu machen, ist aber leider selten und aufwendig und/oder kostspielig zu beschaffen.
Wenn die Menge „echter“ historischer oder sammelbarer Daten nicht ausreicht, um einen Reinforcement Learning-Agenten zu trainieren, wird die Auswahl zwischen den beiden supervised learning-Ansätzen davon bestimmt, ob Experten-Labels verfügbar sind oder nicht. Ist das nicht der Fall, müssen Defekte aufgetreten sein, damit Ground-Truth-Labels für die RUL-Schätzung existieren.
Fazit
Predictive Maintenance kann vielen Unternehmen helfen sowohl wirtschaftlich als auch ökologisch nachhaltiger zu werden. Maschinelles Lernen kann dabei wertvolle Beiträge leisten, braucht dafür aber Daten. Davon sollte man sich aber nicht direkt abschrecken lassen. Oft fallen die Daten schon an und werden nur nicht gespeichert oder genutzt und in anderen Fällen ließen sich ausreichende Daten schon mit kleinen Investitionen gewinnen.
Haben Sie Fragen? Möchten Sie die Maintenance-Strategie in Ihrem Unternehmen mit Machine Learning optimieren und nachhaltiger werden? Wir vom Projekt #dzr I digital.zirkulär.ruhr unterstützen Sie gerne dabei. Felix Grün, #dzr Experte rund ums Thema Machine Learning, steht Ihnen begleitend zur Seite. Bei Fragen zum regulatorischen Rahmen und bei der Entwicklung eines ganzheitlichen Konzepts hilft Ihnen unser Projektleiter Paul Szabó-Müller. Kontaktieren Sie uns:
paul.szabo-mueller@hs-ruhrwest.de
Wir freuen uns darauf Sie auf dem Weg in Richtung Nachhaltigkeit zu begleiten.
Literaturangaben
[1] DIN EN 13306
Instandhaltung – Begriffe der Instandhaltung; Dreisprachige Fassung EN 13306:2017
[2] Lei, Yaguo, Naipeng Li, Liang Guo, Ningbo Li, Tao Yan, und Jing Lin. „Machinery health prognostics: A systematic review from data acquisition to RUL prediction“. Mechanical Systems and Signal Processing 104 (Mai 2018): 799–834. https://doi.org/10.1016/j.ymssp.2017.11.016.
[3] Mobley, R. Keith. An Introduction to Predictive Maintenance. Elsevier, 2002.
[4] DIN ISO 17359
Zustandsüberwachung und -diagnostik von Maschinen – Allgemeine Anleitungen (ISO 17359:2018)
[5] DIN ISO 18436
Zustandsüberwachung und -diagnostik von Maschinen –
Anforderungen an die Qualifizierung und Bewertung von Personal
[6] Jardine, Andrew K. S., Daming Lin, und Dragan Banjevic. „A review on machinery diagnostics and prognostics implementing condition-based maintenance“. Mechanical Systems and Signal Processing 20, Nr. 7 (2006): 1483–510. https://doi.org/10.1016/j.ymssp.2005.09.012.
[7] Rødseth, Harald, und Per Schjølberg. „Data-Driven Predictive Maintenance for Green Manufacturing“. November 2016, 36–41. https://doi.org/10.2991/iwama-16.2016.7.
[8] Mitchell, Tom M. Machine Learning. Nachdr. McGraw-Hill Series in Computer Science. McGraw-Hill, 2013.
[9] Murphy, Kevin P. Machine learning: a probabilistic perspective. MIT press, 2012.
[10] Sutton, Richard S., und Andrew G. Barto. Reinforcement Learning: An Introduction. Second edition. Adaptive Computation and Machine Learning Series. The MIT Press, 2018.
[11] Bommasani, Rishi, Drew A. Hudson, Ehsan Adeli, u. a. „On the Opportunities and Risks of Foundation Models“. arXiv.Org, 16. August 2021. https://arxiv.org/abs/2108.07258v3.
[12] Susto, Gian Antonio, Andrea Schirru, Simone Pampuri, Seán McLoone, und Alessandro Beghi. „Machine Learning for Predictive Maintenance: A Multiple Classifier Approach“. IEEE Transactions on Industrial Informatics 11, Nr. 3 (2015): 812–20. https://doi.org/10.1109/TII.2014.2349359.
[13] Siraskar, Rajesh, Satish Kumar, Shruti Patil, Arunkumar Bongale, und Ketan Kotecha. „Reinforcement Learning for Predictive Maintenance: A Systematic Technical Review“. Artificial Intelligence Review 56, Nr. 11 (2023): 12885–947. https://doi.org/10.1007/s10462-023-10468-6.