Predictive Maintenance

Predictive Maintenance, vorausschauende Instandhaltung, bezeichnet Verfahren, die aus dem gemessenen Zustand einer Anlage auf einen bevorstehenden Ausfall schließen. Sie steht zwischen zwei älteren Ansätzen: der reaktiven Instandhaltung, bei der repariert wird, wenn etwas kaputt ist, und der präventiven Instandhaltung, bei der nach festen Intervallen gewartet und getauscht wird.

Beide haben Nachteile. Die reaktive Variante erzeugt ungeplante Ausfälle zum ungünstigsten Zeitpunkt. Die präventive tauscht Teile, die noch funktionsfähig sind, und übersieht Bauteile, die früher als erwartet verschleißen. Predictive Maintenance zielt darauf, den Eingriff dann vorzunehmen, wenn er nötig wird – kurz vor dem Ausfall, aber nicht danach.

Voraussetzung sind Zustandsdaten: Betriebsstunden, Schaltzyklen, Temperaturen, Drücke, Stromaufnahme, Schwingungen. Sie stammen aus der Anlagenregelung, aus nachgerüsteter Sensorik oder aus Datenloggern. Relevant ist das für Heizungsbauer, SHK-Betriebe und Elektrobetriebe mit Anlagen im Service.

Zu klären ist außerdem, wem die Anlagendaten gehören und wer darauf zugreifen darf. Werden Betriebsdaten über eine Herstellercloud ausgewertet, ist der Handwerksbetrieb häufig nicht der Empfänger der Auswertung, sondern erhält nur die daraus abgeleitete Meldung. Für ein eigenes Servicegeschäft ist deshalb vertraglich zu regeln, welche Daten der Betrieb erhält und ob er sie auch nach Ende der Zusammenarbeit weiter nutzen kann.

Wo KI ansetzt

Der Kern ist ein Prognoseproblem. Aus dem bisherigen Verlauf von Messgrößen soll auf die verbleibende Nutzungsdauer geschlossen werden. Dafür werden Modelle auf historischen Daten trainiert, in denen sowohl normaler Betrieb als auch Ausfälle enthalten sind. Das Modell lernt, welche Verlaufsmuster einem Ausfall vorausgingen.

Genau darin liegt die praktische Hürde für Handwerksbetriebe. Ein belastbares Modell braucht viele beobachtete Ausfälle desselben Bauteiltyps unter vergleichbaren Bedingungen. Ein Betrieb mit einigen hundert betreuten Anlagen unterschiedlicher Fabrikate hat diese Datenbasis nicht. Deshalb kommen solche Modelle meist von Herstellern, die über ihre gesamte Gerätebasis auswerten – der Betrieb nutzt das Ergebnis, entwickelt es aber nicht selbst.

Ein einfacherer und realistischer Einstieg ist die Zustandsüberwachung mit Schwellwerten und Trendbetrachtung: steigende Stromaufnahme einer Pumpe, zunehmende Taktzahl, wachsende Spreizung, häufiger auftretende Sammelstörungen. Solche Trends sind ohne aufwendige Modelle erkennbar und liefern bereits einen erheblichen Teil des Nutzens.

Wirtschaftlich zahlt sich das über mehrere Wege aus: weniger ungeplante Einsätze, Bündelung von Reparaturen mit ohnehin anstehenden Wartungen, bessere Ersatzteilplanung und die Möglichkeit, Serviceverträge mit Verfügbarkeitszusagen anzubieten.

Ebenso gehört der Kunde einbezogen. Eine Meldung, die einen Eingriff vor dem Ausfall auslöst, bedeutet für ihn eine Rechnung für eine Anlage, die noch funktioniert. Ohne verständliche Erläuterung und eine vertragliche Grundlage wird das als unnötige Leistung wahrgenommen. Die Aufnahme in einen Wartungsvertrag mit klar beschriebenem Leistungsumfang ist deshalb der praktikablere Weg als die Abrechnung im Einzelfall.

Ein Hinweis zur Erwartungshaltung: Der Begriff wird im Marketing großzügig verwendet. Vieles, was als Predictive Maintenance angeboten wird, ist eine Grenzwertüberwachung mit Meldung – nützlich, aber keine Vorhersage. Bei der Bewertung von Angeboten lohnt die Frage, worauf die Prognose beruht und mit welcher Datenbasis sie erstellt wurde.