Vorausschauende Wartung von Maschinen & Anlagen

Ungeplante Stillstände von Pumpen, Motoren, Kompressoren, Spindeln, Förderern oder Getrieben kosten Produktion, Energie, Ausschuss und Überstunden. Wartung nach festen Intervallen tauscht Teile aus, die noch gesund sind, und verpasst trotzdem plötzliche Ausfälle. Die vorausschauende Wartung (Predictive Maintenance, PdM) lernt das normale Verhalten jeder Anlage aus Schwingungs-, Temperatur-, Strom- und Steuerungsdaten. Sie meldet Abweichungen Wochen vor einem Ausfall, benennt den wahrscheinlichen Fehler und eröffnet zum richtigen Zeitpunkt einen Arbeitsauftrag. 2026 ist die Analytik ausgereift. Die meisten Projekte gelingen oder scheitern an der Sensorabdeckung, der Warnungsqualität und der Einbindung in den Wartungsablauf, und LLM-Copiloten machen aus Warnungen und der Historie der Arbeitsaufträge heute Anleitungen, denen Techniker folgen können.

Problem & Nutzen

• Heute: Mittelstandsbetriebe mischen reaktive Instandhaltung (Betrieb bis zum Ausfall), zeitbasierte Wartung und gelegentliche manuelle Schwingungsrunden mit Handanalysatoren. Das Wissen liegt bei wenigen erfahrenen Technikern. Ausfälle kritischer Anlagen stoppen ganze Linien.
• Kosten des Stillstands: Die Studie True Cost of Downtime 2024 von Siemens schätzt, dass ungeplante Stillstände die 500 größten Unternehmen der Welt 11 % des Umsatzes kosten, rund 1,4 Billionen US-Dollar pro Jahr. Eine verlorene Stunde kostet bei Konsumgütern des täglichen Bedarfs (FMCG) etwa 36.000 US-Dollar und in einem großen Automobilwerk bis zu 2,3 Millionen US-Dollar [1].
• KI-Nutzen: frühere Erkennung (Wochen statt Stunden), weniger unnötige vorbeugende Arbeiten, geplante statt Notreparaturen, geringerer Ersatzteilbestand, längere Lebensdauer der Anlagen und eine Diagnose, mit der weniger erfahrene Beschäftigte wie Schwingungsspezialisten handeln können.
• Berichtete Ergebnisse (vom Anbieter beauftragt, als Obergrenzen betrachten): Eine von IBM zitierte IDC-Studie nennt für Maximo-Kunden 47 % weniger ungeplante Stillstände, 17 % längere Lebensdauer der Anlagen und 6,3 % niedrigere Wartungskosten [7]. Eine von Augury zitierte Forrester-TEI-Studie nennt 310 % ROI [8]. Prüfen Sie diese Zahlen an Ihrer eigenen Ausgangslage.

Varianten

• Nachgerüstete Zustandsüberwachung (Einstieg für KMU): batteriebetriebene Funksensoren für Schwingung und Temperatur an Motoren, Pumpen, Ventilatoren und Getrieben, mit Cloud-Analytik und Smartphone-App. Eine SPS-Anbindung ist nicht nötig.
• Prozessanlage / multivariat: Hunderte Historian-Tags je Anlage (Kompressoren, Turbinen, Wärmetauscher, Kessel). Ein Modell lernt das normale Verhalten über alle Tags, und Residuen zeigen Drift an. Die Grenze zu ANOM-005: PdM zielt auf die Alterung von Anlagen, ANOM-005 auf Prozessstörungen.
• Gesundheit von Werkzeugmaschinen und Robotern: Signaturen von Spindel, Kugelgewindetrieb und Achsantrieb aus den Daten der CNC-/Robotersteuerung. Zusätzliche Sensoren sind nicht nötig.
• Maschinenbauer / OEM-Service: vernetzte Maschinen beim Kunden, mit flottenweiten Modellen, die als Servicevertrag verkauft werden. Der EU Data Act gibt dem Nutzer der Maschine Zugriffsrechte auf diese Daten und erlaubt ihm, sie an Dienstleister Dritter weiterzugeben [16].
• Mobile Anlagen und Infrastruktur: Schienenfahrzeuge und Gleise, Windkraftanlagen (SCADA plus Antriebsstrang-CMS), Aufzüge und Fahrtreppen, Land- und Baumaschinen sowie Flottenfahrzeuge. Eigene Bereiche werden an anderer Stelle behandelt: Batterie-SoH (PRED-026), erdverlegte Netze ohne Sensoren (PRED-033), Ingenieurbauwerke (PRED-046), Gebäudeklimatisierung (ANOM-031) und Feldausfälle von Produkten (PRED-025).
• Öffentlicher Sektor: Pumpwerke und Kläranlagen kommunaler Versorger (Stadtwerke), Betriebshöfe des öffentlichen Nahverkehrs, technische Ausstattung von Krankenhäusern.
• Privat / Prosumer: im Wesentlichen auf eingebaute Diagnosefunktionen beschränkt (Service-Apps für Wärmepumpen oder Autos). Kein eigenes Bauvorhaben.

So funktioniert es

1. Sensoren / SPS / Historian (OPC UA, MQTT)
2. Edge-Gateway: Pufferung, Resampling, FFT-/Hüllkurvenspektren, Merkmalsextraktion
3. Streaming-Aufnahme + Zeitreihenspeicher
4. Modelle: (1) Anomalieerkennung auf Normalverhalten (2) Fehlerklassifikation (3) RUL / Zeit bis zum Ausfall (Überlebens- oder Degradationsmodelle)
5. Warnungs-Triage: Schwellenwerte, Entdopplung, Kontext (Last, Produkt, gerade erfolgte Wartung)
6. Mensch-in-der-Schleife (Human-in-the-Loop): Zuverlässigkeitsingenieur bestätigt / labelt die Warnung
7. CMMS/EAM-Arbeitsauftrag, Ersatzteilprüfung, Terminfenster
8. Rückkopplung: bestätigte Befunde & Fehlercodes
9. Nachtrainieren

• Zuerst Anomalieerkennung: Echte Ausfall-Labels sind selten, deshalb beginnen die meisten Systeme mit unüberwachten Normalverhalten-Modellen (Isolation Forest, Autoencoder, multivariate Zustandsschätzung, Residuen eines Prognosemodells) je Anlage oder Anlagenklasse.
• Diagnose: regelbasierte Schwingungsanalyse (Schwingstärke nach ISO 10816/20816, Lagerschadensfrequenzen), kombiniert mit Klassifikatoren, die auf gelabelten Fehlerspektren aus der Flotte des Anbieters trainiert wurden. Auf Flotten trainierte Modelle sind das Hauptkapital kommerzieller Anbieter.
• Prognose (RUL): Degradationskurven, Überlebensmodelle (Weibull/Cox) oder tiefe Sequenzmodelle. Die RUL ist nur bei gut verstandenen Verschleißarten mit Run-to-Failure-Historie verlässlich.
• LLM-Schicht (neu seit 2024): erklärt eine Warnung in einfacher Sprache, ruft ähnliche frühere Arbeitsaufträge und Handbuchabschnitte ab (RAG), entwirft den Arbeitsauftrag und die Arbeitsanweisung und beantwortet Fragen von Technikern (siehe KNOW-004).
• Stellen mit Mensch-in-der-Schleife: Bestätigung der Warnung vor einem Eingriff, Entscheidungen über das Stoppen einer Linie und das Labeln der Ergebnisse. Die Labels machen das System mit der Zeit besser.

Datenaufbereitung

Benötigt werden Sensor-Zeitreihen (Schwingung, Temperatur, Strom), SPS-/SCADA-Tags und die Wartungshistorie. Im Mittelstand liegen sie in Maschinensteuerungen und Historians (oft gar nicht gespeichert), im CMMS oder im Instandhaltungsmodul des ERP, in Excel-Listen sowie in Wartungsprotokollen auf Papier und Notizen der Techniker. Typische Lücken: keine Sensoren an den kritischen Maschinen, kurze oder fehlende Ausfallhistorie, Freitext-Fehlerbeschreibungen ohne Codes, uneinheitliche Anlagen-IDs zwischen SPS, ERP und CMMS, nicht synchronisierte Zeitstempel und OEM-Handbücher nur als Scans.

Schritte der Aufbereitung: (1) 3–5 kritische Anlagen auswählen und ihre Datenquellen erfassen, (2) Sensoren dort nachrüsten, wo nötig, und eine Baseline des Normalbetriebs sammeln (Wochen bis Monate), (3) Signale zentral über OPC UA/MQTT in einer Zeitreihendatenbank speichern (InfluxDB, TimescaleDB), (4) Anlagen-IDs und Fehlercodes vereinheitlichen und Papierprotokolle in digitale Datensätze überführen, (5) frühere Ausfälle und Wartungsereignisse gemeinsam mit den Technikern labeln, (6) Handbücher per OCR erfassen und für einen RAG-Assistenten indexieren. Nützliche PREP-Anwendungsfälle: PREP-005, PREP-006, PREP-008, PREP-019, PREP-020. Außerdem DATA-007 und DOC-014 für Handbücher.

Grober Aufwandsanteil: 60–70 Prozent des Projekts, der höchste aller Schritte, weil Labels für echte Ausfälle selten sind. Beginnen Sie mit einer Anomalieerkennung, die keine Ausfall-Labels braucht. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg A: Nachrüst-Sensorkits mit einem Dashboard zur Zustandsüberwachung von etablierten Anbietern sind ausgereift und ersparen den Aufbau von ML-Know-how für einige wenige kritische Maschinen.
• Großunternehmen — Weg C: Viele Anlagen, als Betriebsgeheimnis geschützte Produktionsdaten und eine gemeinsame Edge- und Zeitreihenplattform sprechen für einen eigenen Stack mit Open-Source-Werkzeugen.
• Entwickler — Weg C: Open-Source-Bibliotheken für Zeitreihen und Anomalieerkennung auf Edge-Hardware geben volle Kontrolle über Signale und Modelle.
• Öffentlicher Sektor — Weg C: Versorger, Wasser- und Infrastrukturbetreiber brauchen den souveränen Betrieb von Anlagendaten On-Premises.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Sensor- + Analytik-Pakete (schnellster Start): Schaeffler OPTIME (DE, EU), SKF Enlight/Axios (SE, EU), ifm moneo (DE, EU, auch On-Premises lauffähig), Festo AX (DE, EU), ABB Ability Smart Sensor, Augury (Machine-Health-as-a-Service mit Schwingungsanalysten) [8], Tractian.
• Industrielle PdM-Plattformen: Siemens Senseye Predictive Maintenance (DE, EU). Sie ist herstellerunabhängig, bindet vorhandene CMMS und Historians an und beginnt mit prioritären Anlagen [2]. Weitere: IBM Maximo Application Suite (Monitor/Health/Predict, jetzt mit KI-Agenten für Zustandseinblicke und den Aufbau von FMEA [7]), SAP Asset Performance Management, AVEVA PI System mit prädiktiver Analytik, GE Vernova SmartSignal, AspenTech Mtell, Cognite Data Fusion (NO, EU).
• In Maschinen eingebaut: Viele OEMs (Werkzeugmaschinen, Kompressoren, Pumpen, Antriebe) liefern Zustandsüberwachung in der Steuerung oder im Serviceportal mit.
• Wählen Sie A, wenn: Standard-Rotationsanlagen vorliegen, wenig Data-Science-Kapazität im Haus ist und Ergebnisse innerhalb eines Quartals nötig sind. Prüfen Sie EU-Hosting, eine On-Premises-/Edge-Option, einen CMMS-Konnektor und ob Rohdaten exportiert werden können (Data Act).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Bausteine der Cloud ändern sich oft, prüfen Sie daher vor der Festlegung: Amazon Lookout for Equipment wurde am 7. Okt. 2026 eingestellt. AWS verweist auf AWS IoT SiteWise, das seit Juli 2025 eine native multivariate Anomalieerkennung bietet [3][4]. Azure AI Anomaly Detector wurde am 1. Okt. 2026 abgeschaltet. Microsoft verweist auf die Anomalieerkennung in Microsoft Fabric Real-Time Intelligence (Stand 2026 in der Vorschau) oder das Open-Source-Projekt microsoft/anomaly-detector [5][6].
• Typischer Stack: IoT SiteWise / Azure IoT Operations / Fabric Eventhouse für die Aufnahme (EU-Regionen wie Frankfurt), verwaltetes ML (SageMaker, Azure ML, Vertex AI) für eigene Modelle und Google BigQuery ML für TimesFM-Prognosen im Produktivbetrieb [10]. Eine LLM-API (in der EU gehostetes Mistral oder Claude, GPT oder Gemini in EU-Regionen) übernimmt Warnungserklärungen und den Entwurf von Arbeitsaufträgen. Das LLM trifft nie die Entscheidung zur Abschaltung.
• Wählen Sie B, wenn: die Daten bereits bei einem Hyperscaler landen, Sie viele verschiedenartige Anlagentypen haben oder Sie als Maschinenbauer einen Flottenservice anbieten.

Weg C — Selbst betreiben (Open Source)

• Konnektivität und Daten: OPC UA (open62541), MQTT-Broker (Eclipse Mosquitto, EMQX), Node-RED oder Apache Kafka, eine Zeitreihen-DB (TimescaleDB, InfluxDB, QuestDB), Grafana-Dashboards, ThingsBoard als IoT-Plattform.
• Modelle: PyOD 3 (über 60 Ausreißer-Detektoren, BSD-2) [13], scikit-learn, LightGBM/XGBoost, tsfresh-Merkmale, scikit-survival / lifelines für die RUL, Darts / sktime. Zeitreihen-Foundation-Modelle für die Erkennung über Prognose-Residuen: Amazon Chronos-2 (120M, Apache-2.0, Kovariaten, Okt. 2025) [9], IBM Granite TimeSeries TTM, MOMENT (MIT, mit Rekonstruktionsmodus zur Anomalieerkennung) [12] und TiRex (35M xLSTM, NX-AI Linz, EU; Community-Lizenz) [11]. Beachten Sie, dass die Gewichte von TimesFM 3.0 nur für nichtkommerzielle Nutzung lizenziert sind. Verwenden Sie für den Produktivbetrieb Version 2.5 (Apache-2.0) oder den Weg über Google Cloud [10].
• Edge: ONNX Runtime oder TensorRT auf Industrie-PCs oder NVIDIA Jetson. TinyML auf dem Sensorknoten wird in ROBO-011 behandelt.
• LLM-Schicht: ein offenes Modell mit 7–30B (Mistral Small, Qwen3, Llama) mit RAG über Handbücher und Arbeitsaufträge, bereitgestellt mit vLLM oder Ollama.
• Hardware: HW1 genügt für die Kernanalytik (CPU-Server oder Edge-Box). HW2 kommt nur hinzu, wenn Sie auch den LLM-Copiloten selbst hosten. Der Betriebsaufwand ist erheblich: Datenpipelines, Modellüberwachung für jede Anlage und Feinabstimmung der Warnungen.

Weg D — Eigenes Training

Lohnt sich für Maschinenbauer und große Flotten: Fehlerklassifikatoren, die auf Ihren eigenen gelabelten Spektren trainiert sind, physikinformierte oder hybride Digital-Twin-Modelle (Simulation des Antriebsstrangs plus ML auf den Residuen) und RUL-Modelle für bestimmte Verschleißarten. Erforderliche Daten: Monate bis Jahre hochfrequenter Daten je Anlagenklasse plus dokumentierte Ausfälle. Run-to-Failure-Beispiele sind knapp, deshalb werden die Daten durch Prüfstandsläufe (SCI-022), simulierte Fehler oder öffentliche Datensätze (NASA C-MAPSS, CWRU-Lagerdaten) für das Vortraining ergänzt. Das Feintuning eines Zeitreihen-Foundation-Modells auf Flottendaten ist ein aufkommender Mittelweg.

Stand der Technik (2026)

• Klassische Methoden sind weiterhin konkurrenzfähig. Der Benchmark TSB-AD (NeurIPS 2024; 1.070 Zeitreihen, 40 Algorithmen) fand, dass einfache und statistische Methoden neuronale Netze oft erreichen oder übertreffen. Neuronale Modelle waren bei multivariaten Daten stärker und Foundation-Modelle bei Punktanomalien [14]. Die Betreuer der weit verbreiteten Time-Series-Library warnten 2026, dass viele ältere Benchmarks zur Anomalieerkennung möglicherweise nicht mehr aussagekräftig sind [15].
• Zeitreihen-Foundation-Modelle (Chronos-2, TimesFM 2.5/3.0, TiRex, Moirai, Toto, MOMENT) liefern Zero-Shot-Prognose-Baselines und residuenbasierte Erkennung ohne Training je Anlage. Ihr Wert liegt im schnellsten Einbinden neuer Anlagen, weniger in der besseren Diagnose bestimmter mechanischer Fehler [9][10][11][12].
• Agentische Wartung: Anbieter ergänzen LLM-Agenten für Warnungserklärungen, Vorschläge zur Ursachenanalyse, den Aufbau von FMEA-/RCM-Strategien und die Erstellung von Arbeitsaufträgen. Beispiele sind IBM Maximo (Condition Insight, Alert Insights, RCM Strategy Builder) [7] und die Reliability- und Operations-Agenten von Augury [8]. PyOD 3 ergänzt einen agentischen Ablauf zur Auswahl von Detektoren [13].
• Plattformkonsolidierung: Hyperscaler haben eigenständige Anomalie-APIs 2026 eingestellt [3][5]. Die Funktion wandert in IoT-/Analytik-Plattformen, planen Sie daher auf Übertragbarkeit.
• Grenzen: Fehlalarme untergraben das Vertrauen schnell. Plötzliche Ausfälle ohne Vorboten (elektrische Fehler, Bedienfehler) sind nicht vorhersagbar. Wechsel des Betriebszustands (neues Produkt, Drehzahl, Jahreszeit) sehen wie Anomalien aus. RUL-Schätzungen haben eine große Unsicherheit. Nachgerüstete Sensoren übersehen Fehlerarten, die sie nicht sehen können, etwa Verunreinigung des Schmiermittels ohne Ölsensoren.

Gemeinsame Bausteine & Kombinationen

• Gleicher Sensor-/Stream-Stack (Streaming + Zeitreihen + Anomalieerkennung): ANOM-005 Prozessanomalien, PRED-014 Soft-Sensoren, ANOM-031 Fehlererkennung in der Gebäudeklimatisierung, PRED-026 Batteriezustand, PRED-046 Überwachung des Bauwerkszustands. Eine OPC-UA-/MQTT-Pipeline, ein Historian und eine Modell-Serving-Schicht auf einem HW1-Server können alle bedienen.
• Datenerfassung: ROBO-015 Inspektionsroboter und VIS-003 Drohnen erfassen Wärme-, Akustik- und Messgerätewerte. SPEECH-009 akustische Ereigniserkennung nutzt dieselben Audiomodelle (audio-classification). ROBO-011 verlagert Modelle auf den Sensor.
• Technikerschicht (llm-general + embedding-text + vector-db): KNOW-004 Assistent für Servicehandbücher, KNOW-021 Ersatzteilidentifikation, SPEECH-011 freihändige Sprachbedienung. Ein einziger RAG-Stack und LLM-Server (HW2) kann alle bedienen.
• Nachgelagerte Optimierung: OPT-002 plant Wartungsfenster in die Produktionspläne ein, OPT-019 disponiert Servicetechniker im Außendienst, OPT-005 plant den Ersatzteilbestand.
• Vorgelagert/angrenzend: PRED-025 verknüpft Feldausfälle mit der Produktqualität, und SCI-022 liefert Degradationsdaten vom Prüfstand für das Vortraining.

Aufwand, Kosten & Kennzahlen

• Weg A: Pilot an 10–30 kritischen Anlagen in 4–12 Wochen. Kosten sind Funksensoren (einmalige Hardware) plus ein Abonnement je Anlage oder je Sensor. Installation und Gateways werden oft unterschätzt.
• Weg B: 3–6 Monate für eine Aufnahme-Pipeline, erste Modelle und die CMMS-Integration. Kostentreiber sind Datenvolumen, Streaming-Rechenleistung und Entwicklungszeit.
• Weg C: 4–9 Monate. Überwiegend Personalkosten: Datenengineering, ML und OT/IT-Sicherheit.
• Weg D: 6–18 Monate mit einem Data-Science-Team und gelabelter Ausfallhistorie.
• Kennzahlen: Stunden ungeplanter Stillstand, MTBF/MTTR, OEE-Verfügbarkeit, Anteil geplanter gegenüber reaktiven Arbeitsaufträgen, Wartungskosten je Anlage, Wert des Ersatzteilbestands, Vorlaufzeit der Erkennung, Warnungspräzision (bestätigte Befunde ÷ Warnungen) und übersehene Ausfälle.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsführung und der Leitung von Instandhaltung oder Produktion (Prozessverantwortung) und holen Sie dann die Techniker dazu, die die Maschinen kennen: Sie labeln Ausfälle und beurteilen Warnungen. IT und IT-Sicherheit müssen einbezogen werden, weil Sensordaten aus dem OT-Netz in die IT oder die Cloud gelangen (Segmentierung, Fernzugriff, GUIDE-013). Maschinenbauer und Sensorlieferanten sind Partner für Schnittstellen und Gewährleistungsfragen. Der Dateneigner von CMMS und ERP gibt den Zugriff frei.

Betriebsrat: abhängig vom Einzelfall. Maschinendaten sind für sich nicht personenbezogen, aber wenn sie sich Bedienern, Schichten oder dem Arbeitstempo zuordnen lassen (z. B. Lastmuster je Schicht), ist das System objektiv zur Leistungsüberwachung geeignet und §87 Abs. 1 Nr. 6 BetrVG greift; §90 Abs. 1 Nr. 3 verlangt eine frühzeitige Unterrichtung über KI-gestützte Arbeitsprozesse. Vereinbaren Sie in einer Betriebsvereinbarung, dass Maschinendaten nicht zur individuellen Beurteilung verwendet werden (GUIDE-004). Die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte wird nur benötigt, wenn Bediener- oder Schichtdaten gespeichert werden.

Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) des Wartungspersonals: was eine Warnung bedeutet, Fehlalarme, Grenzen (GUIDE-006). Starten Sie einen Pilot an einer Linie mit wenigen Maschinen und laufen Sie zuerst im Schattenbetrieb. Typische Bedenken: Angst vor dem Verlust von Know-how (das Modell unterstützt die Planung, der Techniker entscheidet) und Alarmmüdigkeit (Schwellenwerte gemeinsam abstimmen). Menschen genehmigen jeden Eingriff und jede Abschaltung. Siehe GUIDE-009 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko. Beratende Wartungsplanung ist keine Verwendung nach Anhang III, und die Pflicht zur KI-Kompetenz nach Art. 4 gilt. Sie kann Hochrisiko werden, wenn das KI-System ein Sicherheitsbauteil bei der Verwaltung und dem Betrieb kritischer digitaler Infrastruktur, des Straßenverkehrs oder der Versorgung mit Wasser, Gas, Wärme oder Strom ist (Anhang III Nr. 2) [17]. Dasselbe gilt, wenn es ein Sicherheitsbauteil eines Produkts nach den Harmonisierungsvorschriften des Anhangs I ist. Beispiel: eine automatische Abschaltung oder Verriegelung an einer Netz- oder Wasseranlage auf Grundlage der Modellausgabe. Halten Sie PdM beratend und getrennt von Sicherheitsfunktionen, die bei zertifizierten Schutzsystemen bleiben.
• Maschinenverordnung (EU) 2023/1230 (gilt ab 20. Jan. 2027) stellt besondere Anforderungen an Sicherheitsbauteile mit sich selbst weiterentwickelndem (ML-)Verhalten. Relevant für Maschinenbauer, die KI-gestützte Schutzfunktionen einbetten, weniger für beratende PdM [18].
• EU Data Act (anwendbar seit 12. Sep. 2025): Nutzer vernetzter Maschinen können auf die von den Maschinen erzeugten Daten zugreifen und sie an Reparatur- und Dienstleister Dritter weitergeben. Das betrifft Geschäftsmodelle und Verträge von OEMs [16].
• DSGVO: Maschinendaten sind überwiegend nicht personenbezogen. Anmeldungen von Bedienern, schichtbezogene Leistungsdaten, Notizen von Technikern und Standortdaten sind personenbezogen. Verwenden Sie PdM-Daten nicht ohne Rechtsgrundlage zur Leistungsüberwachung Einzelner und beziehen Sie den Betriebsrat ein (§87 Abs. 1 Nr. 6 BetrVG in Deutschland). Auftragsverarbeitungsverträge und EU-Hosting sind zu beachten.
• Sektorregeln: NIS2 und der KRITIS-Rahmen für Versorger. IEC 62443 für OT-Sicherheit, weil Gateways das OT-Netz öffnen. Schiene (ECM-Verordnung) und Luftfahrt (EASA Part-M/CAMO) verlangen dokumentierte, genehmigte Wartungsprogramme; eine KI-Empfehlung ersetzt daher genehmigte Intervalle nicht ohne Änderung der Zulassung.
• Gegenmaßnahmen: segmentierte OT/IT-Architektur mit Datenfluss in nur einer Richtung, Prüfung der Warnungen durch Menschen, Drift-Überwachung, Dokumentation von Modellen und Schwellenwerten und ein Ausstiegsplan beim Anbieter, da Cloud-Dienste eingestellt wurden [3][5].

Erste Schritte

1. Wählen Sie 10–30 kritische Anlagen mit einer Kritikalitätsanalyse (Ausfallkosten × Wahrscheinlichkeit) aus und erfassen Sie für jede eine Ausgangslage zu Stillstand, reaktiven Arbeitsaufträgen und Wartungskosten.
2. Prüfen Sie, welche Daten schon vorhanden sind (SPS-Tags, Historian, CMMS-Fehlercodes), bevor Sie Sensoren kaufen. Bereinigen Sie die Fehlercodes im CMMS.
3. Testen Sie ein Paket nach Weg A (z. B. Schaeffler OPTIME, SKF, ifm moneo oder Senseye) 3 Monate an diesen Anlagen und verlangen Sie im Vertrag die CMMS-Integration und den Export der Rohdaten.
4. Legen Sie den Umgang mit Warnungen fest: wer bestätigt, Reaktionszeiten und wie Ergebnisse gelabelt werden. Messen Sie die Warnungspräzision ab der ersten Woche.
5. Skalieren Sie auf weitere Anlagen und ergänzen Sie die LLM-Technikerschicht (KNOW-004) oder einen eigenen Modell-Stack (Weg C), sobald die Warnungsqualität belegt ist.

Quellen

1. Siemens — The True Cost of Downtime 2024 — https://assets.new.siemens.com/siemens/assets/api/uuid:1b43afb5-2d07-47f7-9eb7-893fe7d0bc59/TCOD-2024_original.pdf
2. Siemens — Senseye Predictive Maintenance — https://www.siemens.com/global/en/products/services/digital-enterprise-services/analytics-artificial-intelligence-services/predictive-services/senseye-predictive-maintenance.html
3. AWS — What is Amazon Lookout for Equipment (discontinuation notice) — https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/what-is.html
4. AWS ML Blog — Preserve access and explore alternatives for Amazon Lookout for Equipment — https://aws.amazon.com/blogs/machine-learning/preserve-access-and-explore-alternatives-for-amazon-lookout-for-equipment/
5. Microsoft Learn — What is Anomaly Detector? (retirement notice) — https://learn.microsoft.com/en-us/azure/ai-services/anomaly-detector/overview
6. Microsoft Learn — Anomaly detection in Fabric Real-Time Intelligence — https://learn.microsoft.com/en-us/fabric/real-time-intelligence/anomaly-detection
7. IBM — Maximo predictive maintenance — https://www.ibm.com/products/maximo/predictive-maintenance
8. Augury — Machine Health & Industrial AI — https://www.augury.com/
9. Amazon Science — Chronos / Chronos-2 forecasting models — https://github.com/amazon-science/chronos-forecasting
10. Google Research — TimesFM — https://github.com/google-research/timesfm
11. NX-AI — TiRex xLSTM time-series model — https://github.com/NX-AI/tirex
12. CMU Auton Lab — MOMENT time-series foundation model — https://github.com/moment-timeseries-foundation-model/moment
13. PyOD — Python outlier detection library — https://github.com/yzhao062/pyod
14. TSB-AD — Time-series anomaly detection benchmark (NeurIPS 2024) — https://github.com/TheDatumOrg/TSB-AD
15. THUML — Time-Series-Library — https://github.com/thuml/Time-Series-Library
16. European Commission — Data Act — https://digital-strategy.ec.europa.eu/en/policies/data-act
17. Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
18. Regulation (EU) 2023/1230 (Machinery Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1230/oj