Instandhaltungsstrategie definieren (preventive/predictive/condition‑based)

Das Hauptziel der Methode ist die Erarbeitung einer optimalen Mischung aus präventiver, zustandsorientierter und prädiktiver Instandhaltung. Dadurch sollen ungeplante Stillstände erheblich reduziert und die Anlagenverfügbarkeit erhöht werden. Gleichzeitig wird angestrebt, die Lebensdauer der Anlagen zu verlängern und Wartungskosten zu senken. Konkrete Zielgrößen können z.B. sein: MTBF (Mean Time Between Failures) deutlich steigern, MTTR (Mean Time To Repair) senken, geplante Wartung auf >90 % aller Einsätze steigern und die Overall Equipment Effectiveness (OEE) auf Weltklasse-Niveau (>85 %) bringen. Darüber hinaus sollen Transparenz und Planbarkeit verbessert werden: Die Strategie liefert Kennzahlen (KPIs) zur stetigen Überprüfung, welche Maßnahmen tatsächlich Wirkung zeigen. So entsteht ein datenbasierter Kreislauf aus Planung, Umsetzung und kontinuierlicher Optimierung.

Diese Methode ist in allen technischen FM-Szenarien einsetzbar, in denen Anlagen hohe Verfügbarkeitsanforderungen haben. Typische Einsatzbereiche sind Industrie- und Produktionsanlagen (z.B. Fertigungslinien, Pumpen, Elektromotoren), kritische Infrastruktur (Energieversorgung, Rechenzentren, Krankenhäuser) und komplexe Gebäudetechnik (KLIMA-Anlagen, Aufzüge, Lüftungsanlagen). Beispielsweise überwachen KI-gestützte Systeme in großen Immobilien Klimaanlagen und Aufzüge, um Anomalien frühzeitig zu erkennen. In der Prozessindustrie (Chemie, Lebensmittel, Pharma) werden vernetzte Sensoren (IoT) eingesetzt, um Fertigungsunterbrechungen zu vermeiden. Insgesamt ist die Strategie für alle asset-intensiven Bereiche geeignet, in denen Ausfälle gravierende Kosten oder Sicherheitsrisiken erzeugen.

Oft herrscht in der Ausgangslage eine überwiegend reaktive Instandhaltung: Reparaturen erfolgen erst nach Ausfällen. Untersuchungen zeigen, dass bis zu 46 % aller Wartungseinsätze „Feuerwehr-Reparaturen“ sind. Budget- und Personalknappheit beschränken präventive Wartung oft auf ein Minimum. Digitale Datenerfassung ist in vielen Betrieben noch unzureichend: Sensorik und Analysetools sind selten flächendeckend installiert. Diese Mischung aus Überreaktionen, zufälligen Ausfällen und wenig Daten führt zu häufigen ungeplanten Stillständen und unnötig hohen Kosten. Das ist die Ausgangssituation, die durch eine strukturierte Strategie verbessert werden soll. Die Umstellung erfordert also den Übergang von eher planlosen Reaktionen zu systematischer Datennutzung und frühzeitigem Eingreifen.

Vor der Einführung der Methode müssen bestimmte Voraussetzungen erfüllt sein. Eine wesentliche Grundlage ist Management-Commitment: Unternehmensleitung und FM-Leitung müssen die Strategie unterstützen und entsprechende Budgets bereitstellen. Außerdem benötigt man einen vollständigen Anlagenbestand (Asset Register) mit technischen Stammdaten aller relevanten Assets. Eine IT- und Daten-Infrastruktur muss vorhanden sein oder aufgebaut werden – idealerweise ein CAFM/CMMS-System als zentrale Datenplattform. Für Predictive-Methoden ist eine Sensorik-/IoT-Infrastruktur notwendig, um Betriebs- und Zustandsdaten zu erfassen. Weiterhin sollten qualifiziertes Personal (z.B. Instandhaltungsingenieure, Datenanalysten) verfügbar sein oder geschult werden. Schließlich sind klare Zielvorgaben und KPIs festzulegen (z.B. Ausfallzeiten, MTBF) sowie eine Kritikalitätsanalyse der Anlagen vorzubereiten. Nur wenn diese Voraussetzungen (Commitment, Ressourcen, Daten, Know-how) gegeben sind, kann die Methode erfolgreich umgesetzt werden.

• Unternehmensunterstützung und Budget: Geschäftsleitung trägt die Strategie mit und stellt Mittel bereit (Technology, Schulung).

• Asset-Verzeichnis: Vollständige Inventarisierung aller Anlagen mit Herstellerdaten, Lage, Verfügbarkeitshistorie.

• Datenplattform: Funktionierendes CAFM/CMMS-System oder EAM zur Verwaltung von Wartungs- und Sensordaten.

• Sensor-/IoT-Installation: Verbundene Sensoren für Temperatur, Vibration, Druck etc. sowie Gateway- und Datenbank-Infrastruktur zur Datensammlung.

• Qualifiziertes Personal: Instandhalter, Datenanalysten und IT-Experten mit Kenntnissen in Sensorik, Datenanalyse und Betriebsführung.

• Kennzahlen und Ziele: Definierte KPIs (z.B. MTBF, OEE, geplanter Wartungsanteil) und Zielwerte.

• Regulatorische Vorgaben: Einhaltung von Normen (z.B. DIN EN 13306) und Sicherheitsbestimmungen (BetrSichV, VDI-Richtlinien).

• Asset-Stammdaten: Technische Details (Typ, Alter, Seriennummer), Instandhaltungszertifikate, Herstellerangaben.

• Betriebsdaten: Betriebsstunden, Lastzyklen, Drehzahlen, Energieverbrauch und andere Prozessgrößen.

• Wartungs- und Ausfalldaten: Historische Störungsberichte, Reparaturhistorie (MTTR), Auftragsdaten aus CMMS, Ersatzteilverbräuche.

• Sensordaten (Condition Monitoring): Kontinuierliche Messwerte wie Temperatur, Vibration, Druck, Schwingung oder Ölzustand. Diese Daten (meist über IIoT oder BMS gesammelt) sind essenziell für prädiktive Modelle.

• Umgebungs- und Kontextdaten: Externe Einflüsse wie Umgebungstemperatur, Luftfeuchte, Nutzungszeiten, die den Anlagendurchsatz oder Verschleiß beeinflussen.

• Kennzahlen zu Kritikalität: Ausfallfolgekosten, Sicherheitsrisiken, Produktionsbeeinträchtigungen pro Anlagentyp.

• Vergleichs- bzw. Benchmark-Daten: Branchenkennwerte (z.B. durchschnittliche MTBF-Werte) zur Beurteilung der eigenen Leistung.

Eine zuverlässige Datenbasis ist entscheidend. So sollte die Sensorik Sensor-, Betriebs- und Umweltdaten kontinuierlich erfassen. Historische Ausfall- und Wartungsprotokolle bilden die Grundlage für Analysen und Modellbildung. Wichtig ist auch Datenqualität: Fehlende oder ungenaue Daten (z.B. inkorrekte Ausfallursachen) müssen vorab bereinigt werden.

• Asset Stammdaten (Typ, Hersteller, Inbetriebnahmedatum, Standort)

• Betriebsdaten (Laufzeiten, Lastprofile, Prozessgrößen)

• Wartungsdaten (Reparaturberichte, Arbeitsaufträge, MTTR)

• Sensordaten (z.B. Temperatur, Schwingung, Vibration, Druck)

• Umgebungsdaten (Umgebungstemperatur, Luftfeuchte, Arbeitszeiten)

• Ausfallfolgen/Denkosten (Sicherheitsrisiko, Produktionsausfall)

• Benchmark-/Branchenwerte (industrielle KPI-Richtwerte)

• Facility-/Instandhaltungsleiter (FM-Leitung): Gesamtverantwortung für Strategie, Budget und Erfolgskontrolle. Genehmigt Maßnahmen und überwacht Kennzahlen.

• Asset Owner/Betriebsleiter: Priorisiert Anlagen nach Kritikalität; koordiniert Stillstandstermine mit Produktion.

• Reliability Engineer/Zustandsüberwachungsexperte: Verantwortlich für Analyse von Ausfällen und Daten, Entwicklung von Prognosemodellen und Instandhaltungs-KPI.

• Instandhaltungstechniker/-personal: Durchführung von Inspektionen, Wartungen und Reparaturen; Installation und Kalibrierung von Sensorik; Erfassung von Zustandsdaten.

• IT-/IoT-Spezialist: Aufbau und Pflege der Dateninfrastruktur (Edge, Cloud, Netzwerke); Integration von Sensorsystemen und CMMS/CAFM.

• Datenanalyst/Data Scientist: Bereinigung, Verarbeitung und Modellierung der gesammelten Daten; Bewertung der ML-Modelle und Reporting.

• Qualitäts- und Sicherheitsbeauftragter: Prüft Einhaltung von Normen und Vorschriften bei Instandhaltungsmaßnahmen.

• Lieferanten/Servicepartner: Externe Spezialisten für Sensorik, Software, Analytik und Schulungen.

• Ist-Analyse (2–4 Wochen): Aufnehmen des aktuellen Anlagenbestands und der Maintenance-Prozesse. Erfassen Sie bereits vorhandene Daten und dokumentieren Sie bisherige Ausfallraten. Führen Sie erste Datenqualitätsprüfungen durch (Vollständigkeit, Plausibilität).

• Kritikalitätsanalyse (1–2 Wochen): Bewerten Sie alle Anlagen nach Risiko- und Folgenkriterien (z.B. Sicherheitsrisiko, Ausfallkosten). Erstellen Sie eine Asset-Kritikalitätsmatrix (Beispiel unten) und klassifizieren Sie Anlagen in Stufen (A, B, C). Anhand der Kritikalität legen Sie fest, welche Anlagen prioritär überwacht werden.

• Zieldefinition und Strategieauswahl (2–3 Wochen): Definieren Sie klare Ziele (z.B. Reduktion der Ausfallkosten um 30 %, MTBF+20 %). Entscheiden Sie sich je nach Kritikalität: Sehr kritische Anlagen können prädiktiv überwacht werden, weniger kritische ggf. mit zustandsorientierter oder präventiver Wartung. Entwickeln Sie auf dieser Basis den Wartungsplan mit Intervallen oder Schwellenwerten.

• Systemeinrichtung (2–4 Wochen): Implementieren bzw. konfigurieren Sie die benötigte Technik. Dazu gehört die Installation von Sensoren (z.B. Temperaturfühler, Vibrationssensoren) an kritischen Punkten sowie die Einrichtung der Datenarchitektur: Edge-Geräte erfassen die Rohdaten und leiten sie an eine Cloud-/Datenplattform und ins CMMS/EAM weiter. Stellen Sie sicher, dass Systeme wie CAFM/CMMS integriert sind und regelmäßig Daten erfassen.

• Daten- und Modellbildung (4–6 Wochen): Sammeln Sie erste Betriebs- und Sensor-Daten. Führen Sie explorative Analysen durch und erstellen Sie Vorhersagemodelle. Wählen Sie geeignete ML-Algorithmen (z.B. Random Forest, neuronale Netze, Zeitreihenanalyse) und Merkmale (Features) wie Durchschnittstemperatur, Schwingungs-FFT oder Energieverbrauch. Validieren Sie die Modelle mit historischen Testdaten und justieren Sie die Parameter. Achten Sie auf moderne ML-Pipeline-Praktiken: Split in Training/Validierung, Cross-Validation, regelmäßiges Überwachen auf Daten-Drift.

• Pilotphase (4–8 Wochen): Testen Sie die Vorgehensweise an einem oder wenigen ausgewählten Anlagenpaaren (Pilotprojekte). Überwachen Sie, ob die prädiktiven Warnungen korrekte Alarmierungen liefern. Messen Sie KPIs wie reduziert Ausfallstunden im Pilotbereich. Definieren Sie klare Erfolgskriterien (z.B. Reduktion von Ausfällen um X %) und einen Zeitrahmen. Beispiel: Für einen Pumpenpilot könnten Sie 2 Monate Laufzeit anstreben, danach die Ergebnisse auswerten. (Siehe auch die Zeitleiste unten.)

• Auswertung und Anpassung (2 Wochen): Analysieren Sie im Pilot gesammelte Daten: War die Vorhersage korrekt? Sind die definierten Ziele erreicht? Passen Sie die Parameter im Modell und im Wartungsplan ggf. an (Schwellenwerte, Messfrequenzen).

• Rollout und Schulung (4–6 Wochen): Übertragen Sie die erfolgreiche Strategie auf weitere Anlagen. Schulen Sie das Wartungspersonal umfassend in den neuen Prozessen, Sensor-Handling und Softwaretools. Nutzen Sie Change-Management, um Akzeptanz zu schaffen (z.B. Schulungen, regelmäßige Feedbackrunden).

• Kontinuierliche Verbesserung (fortlaufend): Überwachen Sie fortlaufend die KPIs (z.B. MTBF, OEE). Etablieren Sie regelmäßige Review-Meetings (z.B. wöchentlich oder monatlich), um Abweichungen zu analysieren und Verbesserungen einzuleiten. Führen Sie eine Fehlerursachenanalyse durch, falls Abweichungen auftreten.

Nach erfolgreicher Umsetzung ergeben sich mehrere messbare Ergebnisse: Die Verfügbarkeit der Anlagen sollte steigen, und Ausfallzeiten deutlich sinken. Analysen und die Pilotphase zeigen, dass die zuvor definierten Ziele (z.B. Reduktion der ungeplanten Stillstände um X %) erreicht oder übertroffen werden. Technisch besteht das Ergebnis in einem implementierten Wartungssystem: Dokumentierte Arbeitsanweisungen, konfigurierbare Alarmschwellen und automatisierte Work Orders. Zudem liegt nun eine belastbare Datenbasis vor – mit Datensätzen aus Sensorik und Wartungshistorie, die regelmäßige Reports und Dashboards ermöglichen. Auch sollte sich die Lebensdauer der wichtigsten Komponenten durch gezielte Wartung erhöhen. Strategische KPIs wie MTBF oder OEE können nun operationalisiert werden; dadurch steigen die Leistungsmessbarkeit und Planbarkeit. Insgesamt resultieren in vielen Fällen Einsparungen: Weniger Notfalleinsätze, geringerer Ersatzteilverbrauch und optimierte Personaleinsatzplanung. Diese Ergebnisse untermauern den langfristigen Nutzen der Methode.

Die definierte Methode bringt wesentliche Vorteile. Erstens erhöhen sich die Anlagenverfügbarkeit und Anlagenzuverlässigkeit spürbar, da kritische Assets rechtzeitig überwacht und gewartet werden. Die unfallbedingten Stillstände gehen zurück, und Wartungsteams können ihre Kapazitäten effizienter planen. Zweitens senkt sie die Instandhaltungskosten langfristig: Unnötige Wartungen werden vermieden, und teure Notfalleinsätze können durch geplante Eingriffe ersetzt werden. Ein weiterer Vorteil ist die verbesserte Planbarkeit und Transparenz: Mit Kennzahlen wie MTBF oder OEE lässt sich der Zustand der Anlagen objektiv überwachen, was bessere Budget- und Personalentscheidungen ermöglicht. Die Methode ist zudem flexibel: Kritische Komponenten werden bedarfsorientiert (prädiktiv) überwacht, während weniger kritische mit konventioneller Wartung auskommen. Dieser hybride Ansatz maximiert die Effizienz über alle Anlagen hinweg. Moderne Software-Tools unterstützen die Umsetzung durch Automatisierung und Visualisierung, und schaffen so ein solides Fundament für kontinuierliche Prozessverbesserungen.

Die Methode hat auch Grenzen und Risiken. Aufbauend auf [50†L124-L132] sind die Anfangsinvestitionen und Komplexität hoch: Installation von Sensorik, Anschaffung von Software (Edge/Gateway, Cloud) und die Entwicklung von Datenmodellen erfordern Zeit und Geld. Oft werden veraltete Anlagen nachgerüstet, was weitere Integrationsaufwände mit sich bringt. Ein weiterer limitierender Faktor sind Fachwissen und Schulung: Personal muss erst im Umgang mit Datenanalyse und neuen Tools geschult werden, was kosten- und zeitintensiv ist. Auch die Datenqualität ist kritisch: Fehlende oder inkonsistente Daten untergraben Vorhersagen. Sofern historische Ausfalldaten knapp sind, muss das Modell mit unsauberen Daten klar kommen. Bei falscher Kalibrierung besteht das Risiko von Fehlalarmen (Overmaintenance) oder übersehenen Ausfällen (Underperformance). Darüber hinaus kommen neue Risiken hinzu: Cybersecurity (bei vernetzten Sensoren/Cloud-Systemen) und Datenschutz müssen berücksichtigt werden. Schließlich lohnt sich Predictive Maintenance meist nur bei ausreichender Asset-Kritikalität; für billige, leicht austauschbare Geräte ist der Aufwand nicht immer gerechtfertigt.

Die Methode wird branchenübergreifend eingesetzt. Im Gebäudemanagement überwachen KI-Systeme Klimatechnik, Aufzüge oder Pumpen, um Funktionsstörungen früh zu erkennen. So können z.B. Temperaturalarmmeldungen bei Klimaanlagen erfolgen, bevor empfindliche Technik beeinträchtigt wird. In der Produktion und Prozessindustrie (z.B. Chemie, Lebensmittel) kommen Predictive-Systeme zum Einsatz, um Fertigungsunterbrechungen zu vermeiden: Sensoren melden ungewöhnlich hohen Energieverbrauch oder Vibrationen, sodass Wartungen planbar werden. Energie- und Versorgungsunternehmen (Kraftwerke, Netzbetreiber) setzen prädiktive Instandhaltung zur Verhinderung von Ausfällen mit hohen Folgekosten ein. Ebenso nutzen Transport und Infrastruktur (z.B. Flughäfen, Schienennetze) vorausschauende Wartung für Aufzüge, Weichen oder Rolltreppen. Im Gesundheitswesen erhöht Predictive Maintenance die Zuverlässigkeit von klinischer Ausrüstung. Generell ist die Methode überall dort sinnvoll, wo Ausfälle große Folgen haben: Hohe Kosten, Sicherheitsrisiken oder Imageverlust.

• DIN 31051 – Grundlagen der Instandhaltung (Konzept und Unterteilung von Maßnahmen).

• DIN EN 13306 – Instandhaltung: Begriffe und Definitionen (Standardisierung der Terminologie).

• ISO 55000/55001 – Asset-Management (Leitlinien und Anforderungen für den Lebenszyklus von Vermögenswerten).

• VDI 2553 – Verfahren der Gerätezustandsüberwachung (Einsatz von Sensorik und Diagnostik).

• VDI 2888 – Zustandsorientierte Instandhaltung (Grundlagen und Implementierung).

• VDI 2890 – Planmäßige Instandhaltung (Erstellen von Wartungs- und Inspektionsplänen).

• VDI 2895 – Organisation der Instandhaltung (Aufbau, Rollen und Prozesse).

• Gefahrstoff- und Arbeitsschutzrichtlinien sowie branchenspezifische Regelwerke (z.B. GEFMA-Richtlinien).

Für die Strategiearbeit werden vor allem Normen zu Instandhaltungsbegriffen (DIN/EN 13306), Instandhaltungsprozessen und Asset Management konsultiert. Die VDI-Richtlinien bieten praxisnahe Leitfäden zur Zustandsüberwachung und Organisationsstruktur in der Instandhaltung.

• CMMS/EAM-Systeme: z.B. IBM Maximo, SAP PM/EAM, Infor EAM – dienen als zentrale Plattform für Wartungsplanung, Dokumentation und Reporting. Sie verwalten Arbeitsaufträge, Wartungspläne und Historie.

• CAFM-Software: z.B. FM:Systems, Planon, Nemetschek (MCS) – integrieren Instandhaltungsdaten mit Raum- und Flächenmanagement. Nützlich für Immobilienportfolios mit vielen Anlagen.

• Predictive Analytics/AI-Plattformen: z.B. PTC ThingWorx, GE Predix, C3.ai, Azure Machine Learning – spezialisierte Systeme, die Sensor- und Betriebsdaten analysieren, ML-Modelle hosten und Vorhersagen liefern.

• IoT/Edge-Plattformen: z.B. Siemens MindSphere, AWS IoT, Azure IoT Central – vernetzen Sensoren, übernehmen Datenaggregation und bieten erste Analysen (z.B. Edge-Computing direkt in der Fabrikhalle).

• Sensorhardware: Verschiedene Sensortypen (Beschleunigungs- und Vibrationssensoren, Temperatursensoren, Ultraschall-Leckdetektoren etc.) von Herstellern wie ABB, Siemens, Pepperl+Fuchs. Auswahl und Platzierung orientieren sich am zu überwachenden Anlagenkomponenten.

• Mobile Wartungs-Apps: z.B. UpKeep, Fiix – unterstützen Techniker vor Ort bei Datenerfassung, Work Order Ausführung und Dokumentation.

• Software-Tools (Datenanalyse): Programmiersprachen und Bibliotheken (Python/Pandas, R), Visualisierungstools (Tableau, PowerBI) zur Datenaufbereitung und KPI-Dashboarding.