Predictive Maintenance im Mittelstand: IoT Pipeline ohne Hyperscaler

In drei von vier Mittelstands-Werken, die ich in den letzten zwölf Monaten gesehen habe, sieht Wartung so aus: Eine Liste in Excel, eine Erinnerung in Outlook und ein Servicetechniker, der freitags kommt und schaut, ob etwas auffällig läuft. Wenn die Maschine ausfällt, kostet die Stunde Stillstand fünf- bis achtmal so viel wie die Stunde, die der Techniker gebraucht hätte, um das Lager rechtzeitig zu tauschen. Predictive Maintenance verspricht, diesen Schmerz wegzunehmen. Die Frage ist nur: Was davon ist umsetzbar, ohne dass Sie sich an einen Hyperscaler binden oder ein Data Science Team aufbauen müssen.

Was Predictive Maintenance eigentlich heißt

Predictive Maintenance ist keine Magie. Es ist die nüchterne Idee, dass eine Maschine, bevor sie kaputtgeht, Hinweise gibt. Lager werden lauter. Motoren werden heißer. Vibrationen verschieben sich um wenige Hertz. Wer diese Signale aufzeichnet und dauerhaft vergleicht, kann Wartung nicht mehr nach Kalender, sondern nach Zustand planen.

Das ist der Unterschied zur klassischen “vorbeugenden” Wartung. Vorbeugende Wartung tauscht jedes Lager nach 5.000 Betriebsstunden, weil das Handbuch das so sagt. Predictive Maintenance schaut sich an, wie das spezifische Lager auf Ihrer spezifischen Maschine läuft, und sagt: “Dieses hier hält noch 600 Stunden. Das nächste ist morgen früh am Ende.”

Der Wert entsteht, wenn Sie aus zwei Größen Geld machen. Erstens: weniger ungeplante Stillstände. Zweitens: längere Standzeiten von Verschleißteilen, weil Sie sie nicht prophylaktisch zu früh tauschen.

Die Pipeline in vier Schichten

Eine Predictive-Maintenance-Pipeline für eine mittelständische Produktion lässt sich auf vier Schichten reduzieren. Wer diese vier sauber baut, hat den Rest schon fast erledigt.

Schicht 1: Erfassung. Sensoren am Asset. Schwingung, Temperatur, Stromaufnahme, Drehzahl. Bei Bestandsmaschinen klemmen wir nachrüstbare IO-Link-Sensoren an. Bei neueren Maschinen gibt es OPC UA direkt aus der Steuerung. Ein typischer Spritzgusspark mit 12 Maschinen erzeugt so 80 bis 150 Messwerte pro Sekunde. Das klingt nach viel, ist aber technisch trivial.

Schicht 2: Edge. Die Roh-Daten landen nicht in einer Cloud, sondern erstmal auf einem kleinen Industrierechner direkt in der Halle. Wir nutzen meistens einen Mini-PC mit Debian, manchmal einen Siemens IPC, manchmal einen Revolution Pi. Dort läuft ein MQTT-Broker, der die Sensoren entgegennimmt, und ein Python-Worker, der die Werte filtert, aggregiert und auf 1-Sekunden-Mittelwerte herunterrechnet. Das spart später drastisch Bandbreite und Speicher.

Schicht 3: Speicherung. Eine Zeitreihen-Datenbank, in unseren Projekten meistens TimescaleDB oder InfluxDB, beide laufen auf einem einzigen mittelgroßen Server. Für 12 Maschinen über zwei Jahre Historie reichen 200 GB Speicher mit Kompression. Diese Datenbank kann auf einem deutschen Server stehen, im eigenen Rechenzentrum oder in einer EU-Cloud wie Mittwald, IONOS oder Hetzner. Sie brauchen weder AWS noch Azure dafür.

Schicht 4: Erkennung. Hier passiert das, was die meisten als “KI” verkaufen. Tatsächlich reicht für 80 Prozent der Fälle ein Modell, das pro Maschine eine sogenannte Baseline lernt, also ein normales Schwingungs- und Temperaturmuster, und auf Abweichungen reagiert. Wir nutzen meistens Isolation Forest oder einen kleinen Autoencoder. Das Modell ist ein paar Megabyte groß, läuft auf jeder normalen CPU und braucht keine GPU.

Für die restlichen 20 Prozent, die kompliziertere Fehlerbilder haben, kommt ein zweites Modell pro Maschinen-Typ obendrauf, das wir mit historischen Stördaten trainieren. Das ist die Stelle, an der echte ML-Arbeit anfängt. Sie ist aber erst sinnvoll, wenn Schicht 1 bis 3 stabil laufen.

Realistische Outcomes

Ein Beispiel aus einem Projekt im Maschinenbau, 18 CNC-Bearbeitungszentren, 24/7 Betrieb. Vor der Einführung: 7 ungeplante Stillstände pro Monat, durchschnittlich 4,2 Stunden pro Stillstand. Nach neun Monaten: 2 ungeplante Stillstände pro Monat, durchschnittlich 1,8 Stunden, weil das Team ja vorgewarnt war und Ersatzteile schon im Werkzeugwagen lagen. Bei einem internen Stundensatz von 380 Euro Stillstand sind das gut 8.500 Euro Ersparnis pro Monat, vor Kosten.

Die Investition lag bei rund 38.000 Euro einmalig (Sensoren, Edge-Hardware, Setup, Datenbank, Modelle) und 1.200 Euro pro Monat laufend (Monitoring, Modell-Pflege, kleine Anpassungen). Amortisation: etwa fünf Monate.

Wichtig zur Einordnung: Das sind keine Werte von Hochglanz-Studien. Das ist ein Maschinenpark, der vorher überdurchschnittlich gut gewartet war. In Werken mit größerem Wartungsrückstand sind die ersten sechs Monate oft dramatischer, weil die Pipeline akute Probleme aufdeckt, die vorher nur nicht beachtet wurden.

Was in der Praxis nicht funktioniert

Drei Dinge gehen regelmäßig schief, und es lohnt sich, sie vorab zu kennen.

Erstens: Datenqualität wird unterschätzt. Wer Sensoren ungeprüft klemmt, bekommt Rauschen und keine Erkennung. Jede einzelne Messstelle muss kalibriert und im Betrieb verifiziert sein. Wir rechnen pro Maschine ein bis zwei Stunden für die saubere Erst-Erfassung.

Zweitens: Die Werkstatt wird übergangen. Wenn der Servicetechniker die ersten Warnmeldungen ignoriert, weil “die Maschine klingt doch normal”, ist das Projekt politisch tot, auch wenn die Daten technisch sauber sind. Lösung: Die ersten vier Wochen werden alle Warnungen gemeinsam mit dem Team durchgesprochen. Das Modell lernt vom Team, das Team lernt dem Modell zu vertrauen.

Drittens: Zu früh skalieren. Ich habe Projekte gesehen, in denen ein Konzern für 90 Maschinen gleichzeitig anfangen wollte. Das wird teuer und chaotisch. Starten Sie mit drei bis fünf Maschinen, die wirtschaftlich am meisten wehtun, wenn sie stehen. Nach zwei Quartalen wissen Sie, was funktioniert, und können sauber skalieren.

Wann sich Predictive Maintenance rechnet

Faustregel aus unserer Projekt-Praxis: Ab einer Maschine, die im ungeplanten Stillstand mehr als 250 Euro pro Stunde kostet und mindestens 1.500 Betriebsstunden pro Jahr läuft, ist das Thema einen ehrlichen Blick wert. Darunter ist klassische Wartung meistens günstiger.

Predictive Maintenance ist kein Selbstzweck. Sie bringt dann Geld, wenn der Stillstand teuer ist und die Wartung kompliziert. Bei einer simplen Pumpe lohnt es sich selten. Bei einer Spritzgussmaschine mit zwei Wochen Lieferzeit für Ersatzteile fast immer.

Wie wir das anpacken

Wir bauen Predictive-Maintenance-Pipelines so, dass Sie nach dem Projekt selbst Eigentümer sind. Code auf Ihrem Server, Datenbank auf Ihrer Infrastruktur, Modelle dokumentiert. Wir liefern keine Black Box, sondern ein System, das Ihr IT-Team auch ohne uns weiterbetreiben kann. Wenn Sie wissen wollen, ob sich das für Ihre Anlagen rechnet, rufen Sie uns an unter 040 468 967 680 oder schreiben Sie kurz über unser Kontaktformular. Wir schauen ehrlich, ob das Thema bei Ihnen Sinn ergibt, oder ob ein anderer Hebel zuerst dran wäre.