Die Geschichte klingt verlockend.
Statt Anlagen nach starrem Kalender zu warten, wartet man sie genau dann, wenn sie es brauchen. Sensoren messen laufend, ein Algorithmus erkennt Muster, und bevor etwas ausfällt, kommt eine Warnung. Der Techniker fährt raus, tauscht das Teil, und das Problem ist gelöst, bevor es überhaupt eines wurde.
Weniger Ausfälle, weniger unnötige Wartung, geringere Kosten. So steht es in den Prospekten. In der Praxis hängt das an Bedingungen, die selten alle erfüllt sind.
Was Predictive Maintenance wirklich ist
Zuerst die Begriffe, weil sie im Alltag gern durcheinandergehen.
Reaktive Wartung. Man wartet, bis etwas kaputtgeht, und repariert dann. Einfach, aber teuer bei kritischen Anlagen. Der Aufzug steht, die Mieter beschweren sich, der Notdienst kostet das Dreifache.
Präventive Wartung. Gewartet wird nach festem Plan, alle sechs Monate kommt der Techniker, ob nötig oder nicht. Das ist sicher, aber oft verschwenderisch. Manches Teil fliegt raus, das noch Jahre gehalten hätte.
Zustandsorientierte Wartung. Gewartet wird, wenn ein Messwert eine Grenze überschreitet. Die Vibration ist zu hoch, also kommt jemand.
Predictive Maintenance. Sie geht einen Schritt weiter: Aus dem Verlauf der Messwerte wird geschätzt, wann die Grenze erreicht sein wird. Die Wartung lässt sich dann einplanen, bevor es eng wird.
Das Versprechen ist die Sicherheit der präventiven Wartung ohne deren Verschwendung. Dieses Versprechen hat allerdings Voraussetzungen.
Was Predictive Maintenance nicht ersetzt
Eines vorweg, weil es in fast jeder Diskussion untergeht: Predictive Maintenance ersetzt keine vorgeschriebene Prüfung. Der Aufzug wird weiter von einer zugelassenen Überwachungsstelle geprüft, die Brandmeldeanlage weiter nach Norm gewartet, egal was die Sensoren melden. Viele Intervalle im FM sind gesetzlich oder vom Hersteller festgelegt.
Predictive Maintenance kann die Wartung zwischen diesen Pflichtterminen besser steuern. Mehr nicht. Wie man die Pflichttermine selbst im Griff behält, beschreiben die Beiträge zu Betreiberverantwortung und Prüfpflichten.
Die vier Voraussetzungen
Damit Predictive Maintenance funktioniert, müssen vier Bedingungen zusammenkommen.
Erstens: Sensoren, die das Richtige messen.
Ohne Daten keine Vorhersage, und es müssen die passenden Daten sein. Temperatur, Vibration, Stromaufnahme, Druck, Laufzeit: Welche Werte zählen, hängt von der Anlage ab.
Viele Bestandsanlagen haben keine Sensorik oder nur eine rudimentäre. Eine Heizungsanlage aus den Neunzigern meldet vielleicht eine Störung, wenn sie ausfällt. Laufende Zustandsdaten liefert sie nicht. Nachrüsten geht, kostet aber, und nicht jede Anlage rechtfertigt das.
Zweitens: Historische Daten zum Lernen.
Ein Algorithmus lernt aus Beispielen. Ist eine Pumpe dreimal ausgefallen und hat man vorher jedes Mal steigende Vibrationen gemessen, kann er den Zusammenhang erkennen. Fehlen die Ausfälle in der Historie oder die Messwerte aus der Zeit davor, hat er nichts, woran er lernen kann.
Die meisten Unternehmen haben Wartungshistorien. Zustandsdaten haben sie selten, und wenn doch, wurden sie fast nie mit den Ausfällen verknüpft.
Drittens: Ausfälle, die sich ankündigen.
Manche Defekte entstehen schleichend. Die Vibration nimmt zu, die Temperatur steigt, der Verschleiß wird messbar. Solche Ausfälle lassen sich vorhersagen.
Andere kommen ohne Vorwarnung: ein Blitzschlag, ein Materialfehler, eine Fehlbedienung. Das sieht kein Sensor kommen, egal wie viel KI man darauf wirft. Für diese Fälle braucht es andere Strategien.
Viertens: Wirtschaftlichkeit.
Selbst wenn technisch alles passt, bleibt die Frage, ob es sich lohnt. Sensoren, Dateninfrastruktur, Software und laufender Betrieb kosten Geld. Dem stehen vermiedene Ausfälle, vermiedene Folgeschäden und eingesparte Wartungseinsätze gegenüber.
Unsere Faustregel: Unter 50 vergleichbaren Anlagen trägt die Datenbasis selten. Ab etwa 200 fängt es an, sich zu rechnen. Dazwischen lohnt ein ehrlicher Blick auf den Einzelfall. Bei einer Kälteanlage, deren Ausfall einen OP-Trakt oder ein Rechenzentrum lahmlegt, geht die Rechnung schneller auf als bei der Klimaanlage im Besprechungsraum.
Wo es funktioniert
Aufzugsanlagen. Moderne Aufzüge haben umfangreiche Sensorik, die Hersteller sammeln seit Jahren Daten, die Ausfallmuster sind bekannt. Hier ist Predictive Maintenance oft schon Teil des Wartungsvertrags. Die Pflichtprüfungen bleiben trotzdem.
Kritische Gebäudetechnik. Große Kälteanlagen, Lüftungszentralen, Notstromaggregate: Anlagen, deren Ausfall sofort Folgen hat. Hier lohnt sich die Investition, sofern die Anlagen modern genug sind und es eine Datenhistorie gibt.
Produktionsnahe Infrastruktur. In Industrieunternehmen verschwimmt die Grenze zwischen Produktion und FM. Druckluft, Kühlwasser, Energieverteilung. Weil ein Ausfall hier direkt die Produktion trifft, rechnet es sich oft.
Wo es (noch) nicht funktioniert
Für viele Anlagen im typischen FM ist Predictive Maintenance heute nicht sinnvoll.
Ältere Anlagen ohne Sensorik. Die Heizung aus den Neunzigern, die Lüftung aus den Nullerjahren, Klimageräte ohne Netzwerkanbindung. Nachrüsten wäre möglich, rechnet sich aber meistens nicht. Für diese Anlagen bleibt gut geplante präventive Wartung die richtige Strategie, sauber dokumentiert und ganz ohne KI.
Anlagen mit geringen Ausfallkosten. Die Umwälzpumpe im Nebengebäude, für die ein Ersatzteil im Lager liegt und die in einer Stunde getauscht ist, braucht keine Sensorik. Die ehrliche Frage lautet: Was kostet ein Ausfall wirklich, und ist das mehr als die Überwachung?
Bereiche ohne Datenbasis. Wo es keine Historie gibt, muss man erst sammeln. Das dauert eher Jahre als Monate. In dieser Phase in Predictive-Maintenance-Software zu investieren, ist verfrüht. Besser: Daten erfassen, Sensorik gezielt ausbauen, Grundlagen legen.
Der realistische Weg
Für die meisten FM-Organisationen führt der Weg in Stufen dorthin.
Stufe 1: Datengrundlage schaffen. Wartungshistorien sauber führen. Ausfälle so erfassen, dass man später etwas damit anfangen kann: Was genau, wann, warum, und nicht nur “defekt”. Zustandsdaten sammeln, wo Sensorik schon da ist. Das ist keine KI, das ist ordentliches Facility Management. Ohne diese Stufe gibt es keine weiteren.
Stufe 2: Kritische Anlagen benennen. Welche Anlagen sind wirklich kritisch, und wo sind die Ausfallkosten hoch genug für eine Investition? Eine Liste, eine Reihenfolge, mit den wichtigsten beginnen.
Stufe 3: Mit einem Piloten starten. Ein oder zwei Anlagen, bei denen Sensorik, Daten und erkennbare Ausfallmuster zusammenkommen. Klein anfangen, daraus lernen, dann erweitern.
Stufe 4: Ausweiten, wenn es trägt. Läuft der Pilot, auf weitere Anlagen übertragen. Und zwar dort, wo die Voraussetzungen stimmen, nicht überall, wo es technisch möglich wäre.
Die eigentliche Frage
Das Ziel war nie Predictive Maintenance. Das Ziel ist, dass Anlagen verfügbar sind, die Kosten im Rahmen bleiben und es weniger böse Überraschungen gibt. Predictive Maintenance ist ein Weg dorthin, für manche Anlagen der beste.
Deshalb halte ich die Frage “Wie führen wir Predictive Maintenance ein?” für falsch gestellt. Sinnvoller ist: Welche Wartungsstrategie passt zu welcher Anlage? Die Antwort ist manchmal Predictive Maintenance, oft gut gemachte präventive Wartung und gelegentlich auch: reaktiv bleiben und im Schadensfall schnell sein.
Ein Pauschalurteil über alle Anlagen hinweg hilft niemandem.
Ein nüchterner Schluss
Predictive Maintenance ist kein Hype, der wieder verschwindet. Die Technik funktioniert, unter den richtigen Bedingungen. Ein Allheilmittel ist sie nicht, und der Weg dorthin führt über solide Daten, nicht über Abkürzungen.
Wer das ignoriert, kauft teure Technik für Probleme, die sich billiger lösen ließen. Ich fürchte, das passiert gerade häufiger, als es sollte.
Dieser Artikel gehört zu unserer Reihe über KI im Facility Management. Ebenfalls erschienen: KI im Facility Management: Hype vs. Realität und Bevor Sie KI einführen: Diese 5 Hausaufgaben müssen erledigt sein.