Predictive Maintenance: Wartung vorhersagen — und was Sie dafür wirklich brauchen

Predictive Maintenance ist Instandhaltung auf Basis einer Vorhersage: Sensoren messen den Zustand einer Anlage, ein Modell schätzt daraus, wann ein Bauteil kritisch wird. Damit das funktioniert, braucht es vier Dinge — Messwerte, einen Speicher dafür, eine dokumentierte Historie tatsächlicher Ausfälle und einen Prozess, der aus der Vorhersage einen Auftrag macht. Die Historie fehlt am häufigsten.

1. Was Predictive Maintenance ist — und was es nicht ist

Predictive Maintenance, auf Deutsch vorausschauende Instandhaltung, verschiebt den Wartungszeitpunkt: weg vom Kalender, weg vom Ausfall, hin zu einer Schätzung. Ein Modell wertet laufende Messwerte aus und sagt, wann ein Bauteil Aufmerksamkeit braucht. Der Nutzen liegt darin, weder zu früh noch zu spät einzugreifen.

So weit die Definition, die auch jede andere Seite liefert. Interessanter ist, was der Begriff nicht bezeichnet. Er ist kein Produkt, das Sie kaufen und einschalten. Er ist auch keine Eigenschaft einer Maschine, selbst wenn ein Anbieter sie als „Predictive-Maintenance-ready" bewirbt. Und er ist keine Software-Kategorie im gleichen Sinn wie ein ERP oder ein CRM.

Predictive Maintenance ist eine Betriebsweise, die auf einer Kette von Voraussetzungen ruht. Fehlt eines der Glieder, entsteht kein halbes Ergebnis, sondern gar keines. Genau deshalb enden so viele Projekte nach der Pilotphase: Man hat Sensoren gekauft und dabei übersehen, dass am anderen Ende der Kette niemand die Empfehlung entgegennimmt oder dass in der Mitte die Vergangenheit fehlt.

Ein zweiter Punkt der Begriffsklärung lohnt sich, weil er in Gesprächen oft für Verwirrung sorgt: Instandhaltung ist der Oberbegriff, Wartung nur ein Teil davon. DIN 31051 „Grundlagen der Instandhaltung" in der Ausgabe von Juni 2019 gliedert die Instandhaltung vollständig in vier Grundmaßnahmen — Wartung, Inspektion, Instandsetzung und Verbesserung. Wenn im Marketing von „vorausschauender Wartung" die Rede ist, ist meist die gesamte Instandhaltungsplanung gemeint, nicht das Nachfüllen von Schmierstoff.

2. Reaktiv, präventiv, zustandsorientiert, prädiktiv: die vier Stufen

Die meisten Übersichten stellen drei Formen der Instandhaltung gegenüber: reaktiv, präventiv und prädiktiv. Das ist die Darstellung, die auch Googles KI-Zusammenfassung zu diesem Suchbegriff ausgibt. Sie unterschlägt eine Stufe — und ausgerechnet die, auf der die meisten mittelständischen Betriebe realistisch landen können.

Diese Leiter ist eine didaktische Einordnung, kein Normzitat. Die Fachbegriffe dahinter sind aber definiert: DIN EN 13306 „Instandhaltung — Begriffe der Instandhaltung" in der Ausgabe von Februar 2018 legt die Terminologie dreisprachig fest, DIN 31051 die Grundmaßnahmen. Wer im Projekt mit Anbietern spricht, tut gut daran, sich auf diese Begriffe zu einigen, bevor über Technik geredet wird.

Der praktische Wert der Leiter liegt in einer einfachen Regel: Man überspringt keine Stufe. Wer heute reaktiv arbeitet, kommt nicht mit einem Sensorpaket auf Stufe 4. Jede Stufe erzeugt die Daten und die Routinen, die die nächste voraussetzt. Stufe 3 ist dabei kein Trostpreis — sie verhindert bereits einen erheblichen Teil der ungeplanten Stillstände und kostet einen Bruchteil.

3. Die Kette: sechs Stationen von der Sensorik zur Empfehlung

Für die Frage, was technisch tatsächlich passieren muss, gibt es eine anbieterneutrale Gliederung. ISO 13374-1 beschreibt seit 2003, wie Zustandsdaten von Maschinen verarbeitet werden. Die Norm zerlegt den Weg in sechs aufeinander aufbauende Blöcke — die ersten drei sind messtechnisch geprägt, die letzten drei kombinieren Informationen.

Diese Tabelle ist der eigentliche Nutzen des Beitrags. Nehmen Sie sie mit in die nächste Besprechung und gehen Sie die rechte Spalte Zeile für Zeile durch. In den meisten Betrieben bricht die Kette zwischen Station 3 und Station 5 ab — und zwar lange bevor jemand über Algorithmen nachdenkt.

Bemerkenswert an der Norm ist eine Stelle, die in Anbieter-Darstellungen fehlt. Sie hält ausdrücklich fest, dass für die Bewertung des Maschinenzustands frühere Arbeitsaufträge aus dem Instandhaltungssystem und frühere Betriebsdaten wie Starts, Stopps und Lasten herangezogen werden müssen. Die Vergangenheit ist also nicht Beiwerk, sondern Bestandteil des Verfahrens.

4. Station 1 und 2: Haben Sie überhaupt Messwerte?

Am Anfang steht eine unromantische Bestandsaufnahme. Welche Größen werden an der Anlage gemessen, und was passiert mit den Werten? Sehr häufig lautet die Antwort: Es wird gemessen, aber nur angezeigt. Die Steuerung kennt Temperatur, Strom und Drehzahl, doch nach ein paar Stunden ist der Verlauf überschrieben.

Genau darin liegt der erste, oft unterschätzte Aufwand. Ein Messwert wird erst zum Datenpunkt, wenn er mit Zeitstempel, Einheit und Herkunft dauerhaft abgelegt wird. Die Norm nennt dafür ausdrücklich auch Kalibrierung, Datenqualität und Sensorkonfiguration. Ohne diese Zusatzangaben lässt sich später nicht mehr entscheiden, ob ein Ausschlag echt war oder ob jemand den Aufnehmer neu justiert hat.

Bei gewachsenen Maschinenparks kommt eine Ungleichheit hinzu, die Projektpläne durcheinanderbringt: Die eine Anlage liefert über eine offene Schnittstelle einen sauberen Datenstrom, die daneben hat eine Störmeldeleuchte und sonst nichts. Beide gehören zur selben Fertigung, brauchen aber völlig unterschiedliche Wege. Diese Wege zu bauen, ist unsere Rolle in solchen Projekten — mehr dazu unter individuelle Datenintegration.

Station 2 ist die stille Hürde. Aus einem Rohsignal wird ein aussagekräftiger Kennwert, und dafür braucht es Fachwissen über die Maschine, nicht über Statistik. Welche Frequenz im Schwingungsbild zeigt ein Lager an, welcher Stromanstieg deutet auf Verschleiß, welcher auf ein zu volles Werkstückmagazin? Diese Zuordnung leistet kein Werkzeug automatisch. Sie steckt im Kopf Ihrer Instandhalter — und gehört auf Papier, bevor jemand in Rente geht.

5. Station 3: Die Datenhistorie — hier enden die meisten Projekte

Jetzt kommt der Punkt, den kaum eine Seite offen ausspricht. Ein Vorhersagemodell lernt aus Ausfällen. Es braucht Verläufe, an deren Ende etwas passiert ist: ein gebrochenes Lager, ein gerissener Riemen, eine unbrauchbare Charge. Ohne diese Beispiele gibt es nichts zu lernen — und damit keine Vorhersage.

Daraus folgt eine unbequeme Rechnung. Wer heute anfängt zu messen, hat heute keine Historie. Er sammelt sie erst. Wie lange das dauert, hängt davon ab, wie oft die betreffende Anlage überhaupt ausfällt: Eine Maschine mit monatlichen Störungen liefert schneller Material als eine, die alle zwei Jahre einmal steht. Eine allgemein gültige Zahl an Monaten gibt es nicht, und wer Ihnen eine nennt, kennt Ihren Maschinenpark nicht.

Das führt zu einem Paradox, das in Beratungsgesprächen regelmäßig auftaucht: Je zuverlässiger eine Anlage läuft, desto schlechter lässt sich ihr Ausfall vorhersagen. Gerade die gut gewartete Maschine, um die man sich sorgt, liefert die wenigsten Lernbeispiele. Dieser Widerspruch ist kein Argument gegen das Verfahren, aber er erklärt, warum es in der Prozessindustrie mit Dauerbetrieb häufiger trägt als in einer Fertigung mit hoher Variantenvielfalt.

Auch die Forschung sagt das, wenn man genau liest. Das Fraunhofer-Institut für Experimentelles Software Engineering nennt als ersten Umsetzungsschritt die Überprüfung historischer Daten zu Geräteausfällen und Ausfallzeiten und verlangt Daten, die „genau, vollständig und für das zu überwachende Objekt relevant" sind (Quelle: Fraunhofer IESE, Beitrag vom 16. Juni 2023, öffnet in neuem Tab).

Die gute Nachricht: Die Historie ist oft mehr vorhanden, als der erste Blick vermuten lässt. Schichtbücher, Reparaturaufträge, Ersatzteilentnahmen und Notizen im Warenwirtschafts- oder Instandhaltungssystem enthalten zusammen ein erstaunlich vollständiges Bild. Es ist nur verstreut. Diese Quellen zusammenzuführen ist Datenarbeit, keine Datenwissenschaft — und der Schritt, mit dem ein Projekt vernünftig beginnt.

Die entscheidende Frage lautet deshalb nicht, wo die Historie herkommt, sondern wo sie entsteht. Genau das ist die Aufgabe eines Instandhaltungssystems: Jede Störmeldung, jeder Auftrag und jeder Prüfnachweis landet dort mit Zeitstempel, Anlage, Ursache und Maßnahme — und ergibt nach einigen Monaten den Datensatz, den ein Modell später braucht. Wie ein solches System aufgebaut ist und welche Felder der Anlagenstamm tragen muss, haben wir im Beitrag zu CMMS und Instandhaltungssoftware beschrieben.

6. Station 4 und 5: Was ein Modell wirklich lernt

Erst an dieser Stelle kommt das ins Spiel, was in der Werbung ganz vorne steht. Station 4 bewertet den aktuellen Zustand aus mehreren Messgrößen gemeinsam, Station 5 schätzt daraus künftige Zustände, wahrscheinliche Fehlerarten und eine verbleibende Nutzungsdauer. Beides sind statistische Aussagen — keine Termine, die im Kalender stehen.

Dieser Unterschied wird in der Praxis unterschätzt. Ein Modell sagt nicht „das Lager fällt am 14. Oktober aus". Es sagt sinngemäß: „Der Verlauf ähnelt Fällen, in denen innerhalb der nächsten Wochen ein Schaden auftrat." Wer daraus einen festen Termin macht, hat die Aussage überdehnt. Wer daraus eine Priorität in der Wochenplanung macht, nutzt sie richtig.

Dazu gehört die Frage nach den Fehlern in beide Richtungen. Ein zu empfindliches Modell meldet Schäden, die nie eintreten — nach dem dritten Fehlalarm schaut niemand mehr hin. Ein zu träges Modell übersieht den einen Fall, für den es angeschafft wurde. Diese Abwägung ist eine betriebliche Entscheidung, keine technische: Was kostet ein unnötiger Serviceeinsatz, was kostet ein Stillstand? Ohne diese beiden Zahlen lässt sich kein Modell sinnvoll einstellen.

Für den Einstieg brauchen Sie dafür kein eigenes Data-Science-Team. Verbreitete Verfahren stecken heute in Instandhaltungs- und Plattformprodukten und lassen sich mit vorhandenen Daten erproben. Die Kompetenz, die Sie wirklich im Haus brauchen, ist eine andere: jemand, der die Maschine versteht und beurteilen kann, ob eine Meldung plausibel ist. Wie sich der Zustand einer Anlage darüber hinaus als Abbild modellieren lässt, behandelt unser Beitrag zum digitalen Zwilling.

7. Station 6: Die Empfehlung, die fast alle überspringen

Der letzte Block der Norm heißt Advisory Generation und erzeugt umsetzbare Hinweise auf Instandhaltungs- oder Betriebsänderungen. Klingt nach einer Formalie, ist aber der Punkt, an dem der Nutzen entsteht oder verpufft. Eine Vorhersage, die niemanden erreicht, ist ein teures Dashboard.

Drei Fragen entscheiden darüber, ob Station 6 trägt. Erstens: Wer bekommt die Meldung, und was tut diese Person damit? Zweitens: Entsteht daraus automatisch ein Auftrag im führenden System, oder muss ihn jemand abtippen? Drittens: Wird das Ergebnis zurückgemeldet — also festgehalten, ob der Verdacht stimmte? Ohne diese Rückmeldung lernt weder das Modell noch die Organisation etwas dazu.

Auch dazu ist die Norm deutlicher als die meisten Ratgeber: Sie verlangt Schnittstellen zu Instandhaltungs- und Betriebsführungssystemen, damit empfohlene Maßnahmen als Arbeitsanforderung weitergegeben werden können, und sie beschreibt die Archivierung der Daten über alle Blöcke hinweg, damit frühere Verläufe statistisch auswertbar bleiben und frühere Bewertungen später überprüft werden können.

In der Praxis heißt das: Die Anbindung an das System, in dem Ihre Instandhaltung ohnehin arbeitet, ist kein Nachgedanke, sondern Teil des Projekts. Bei fertigenden Betrieben ist das häufig ein MES oder die Produktionsplanung im Warenwirtschaftssystem. Wo diese Verbindung fehlt, bleibt jede Vorhersage folgenlos.

8. Warum Condition Monitoring meist das ehrliche Ziel ist

Wenn man die Kette so durchgeht, landet man bei einer Empfehlung, die kein Anbieter gerne ausspricht: Für die meisten mittelständischen Betriebe ist Stufe 3 das richtige Ziel. Zustandsorientierte Instandhaltung, im Fachjargon Condition Monitoring, wirkt sofort, braucht kein Modell und keine Historie — und sie ist zugleich die Vorstufe, ohne die Stufe 4 ohnehin nicht erreichbar ist.

Der Aufbau ist überschaubar: dauerhaft messen, gemeinsam mit der Instandhaltung Grenzwerte festlegen, einen Alarmweg zu einem konkreten Menschen definieren. Damit fangen Sie genau die Fälle ab, in denen sich ein Schaden über Tage ankündigt und heute niemand hinsieht. Das ist der Löwenanteil der vermeidbaren Stillstände.

Der zweite Vorteil ist strategisch. Jeder Tag Condition Monitoring erzeugt genau die Messverläufe, die ein späteres Modell braucht. Sie investieren also nicht in eine Zwischenlösung, sondern in die Grundlage. Wer stattdessen direkt ein Vorhersageprojekt startet, kauft dieselben Sensoren, wartet dieselbe Zeit und hat in der Zwischenzeit keinen Nutzen.

Genau deshalb raten wir in Projekten regelmäßig zur kleineren Lösung. Yagemi verkauft weder Sensorik noch Instandhaltungssoftware und verdient nicht an Ihrer Auswahl — unsere Rolle sind die Datenwege, die Auswahlbegleitung und der Betrieb. Wie wir dieses Themenfeld in der Fertigung angehen, steht auf unserer Seite zur Digitalisierung in der Produktion. Den größeren Rahmen dazu — Reifegrade, Begriffe, Einstiegsprojekte — behandelt unser Beitrag zu Industrie 4.0 im Mittelstand.

9. Was Predictive Maintenance nicht ersetzt: die Prüffristen

Ein Punkt, der in keiner der großen Darstellungen vorkommt und in der Praxis regelmäßig für Missverständnisse sorgt: Vorhersagen ändern nichts an gesetzlich vorgeschriebenen Prüfungen. Ein Modell, das eine Anlage als gesund einstuft, ist kein Grund, eine fällige Prüfung zu verschieben.

Die Betriebssicherheitsverordnung regelt das ausdrücklich. Nach § 3 Absatz 6 hat der Arbeitgeber „Art und Umfang erforderlicher Prüfungen von Arbeitsmitteln sowie die Fristen von wiederkehrenden Prüfungen nach den §§ 14 und 16 zu ermitteln und festzulegen"; die Fristen sind dabei so zu wählen, „dass die Arbeitsmittel bis zur nächsten festgelegten Prüfung sicher verwendet werden können" (Quelle: § 3 BetrSichV, öffnet in neuem Tab).

§ 14 Absatz 2 knüpft daran an: Arbeitsmittel, die schädigenden Einflüssen ausgesetzt sind, sind wiederkehrend „von einer zur Prüfung befähigten Person prüfen zu lassen", und zwar „entsprechend den nach § 3 Absatz 6 ermittelten Fristen" (Quelle: § 14 BetrSichV, öffnet in neuem Tab).

Praktisch nutzbar ist die Zustandsüberwachung hier trotzdem, nur anders herum: Sie liefert eine dokumentierte Grundlage für die Gefährdungsbeurteilung und macht nachvollziehbar, wie eine Anlage tatsächlich beansprucht wird. Das kann Fristen begründen und Prüfungen vorbereiten. Ersetzen kann es sie nicht.

Hinweis: Dieser Abschnitt ist allgemeine Information und ersetzt keine Rechtsberatung. Maßgeblich ist die Betriebssicherheitsverordnung in ihrer geltenden Fassung; für Ihren Betrieb und Ihre Arbeitsmittel ist Ihre Fachkraft für Arbeitssicherheit oder Ihre Rechtsberatung zuständig. Stand: August 2026.

10. Einstieg ohne Data-Science-Team: sechs Schritte

Der Weg, den wir in Projekten vorschlagen, dreht die übliche Reihenfolge um. Er beginnt nicht mit Technik, sondern mit einer Auswahl, und er nimmt bewusst in Kauf, dass die interessante Frage erst am Ende gestellt wird:

Der Reiz dieses Wegs liegt darin, dass jeder Schritt für sich einen Nutzen hat. Nach Schritt 2 kennen Sie Ihre Ausfallschwerpunkte, nach Schritt 4 sinken die ungeplanten Stillstände bereits. Sollte sich in Schritt 6 herausstellen, dass ein Modell nichts hinzufügt, haben Sie trotzdem gewonnen — anders als bei einem Projekt, das alles auf die letzte Karte setzt.

Was dabei an Hürden auftaucht, ist übrigens gut dokumentiert. Das Fraunhofer IESE nennt als Gründe für die geringe Verbreitung hohe Kosten, lange Entwicklungszeiten, fehlende Ressourcen oder Expertise und Widerstände gegen Prozessveränderungen. Nur der letzte Punkt lässt sich nicht einkaufen — er entscheidet aber oft mehr als die Technik.

11. Warum wir Ihnen hier keine Einsparungsquote nennen

Wer zu diesem Thema sucht, stößt sofort auf Prozentzahlen: so und so viel weniger Stillstand, so und so viel geringere Wartungskosten. Eine dieser Zahlen steht direkt in einem Suchergebnis-Auszug auf der ersten Seite. Wir nennen bewusst keine — und halten es für redlicher, das zu begründen, als eine fremde Zahl weiterzureichen.

Der Grund ist einfach: Die kursierenden Werte stammen ganz überwiegend aus Material von Anbietern, die die Technik verkaufen. Sie nennen selten die Ausgangslage, fast nie die Anlagenart und praktisch nie die Berechnungsmethode. Eine Ersparnis gegenüber rein reaktiver Instandhaltung sieht völlig anders aus als eine gegenüber einem gut gepflegten Wartungsplan — die gleiche Prozentzahl kann beides meinen.

Dazu kommt ein Auswahleffekt. Veröffentlicht werden die Projekte, die funktioniert haben. Die Pilotversuche, die nach anderthalb Jahren still eingestellt wurden, tauchen in keiner Fallstudie auf. Ein Durchschnitt aus veröffentlichten Erfolgen ist kein Durchschnitt.

Belastbar ist stattdessen eine Rechnung mit Ihren eigenen Zahlen, und die brauchen Sie ohnehin: Was hat Sie im letzten Jahr ungeplanter Stillstand an dieser einen Anlage gekostet? Wie viele Wartungen wurden durchgeführt, obwohl nichts zu tun war? Was kostet ein unnötiger Serviceeinsatz? Diese drei Werte stehen in Ihren eigenen Systemen. Sie sind unbequemer als eine Prozentzahl aus einer Broschüre und um Größenordnungen aussagekräftiger.

Normbezug: ISO 13374-1:2003 und DIN 31051:2019-06 (öffnen in neuem Tab). Stand: August 2026 — Angaben ohne Gewähr. Die vollständige Quellenliste finden Sie am Ende des Beitrags.

12. Fazit: Erst die Kette prüfen, dann das Modell

Predictive Maintenance scheitert im Mittelstand selten an der Mathematik. Es scheitert daran, dass eine der sechs Stationen fehlt — meist die dokumentierte Vergangenheit, manchmal der Weg von der Empfehlung in einen Auftrag. Wer die Kette vor dem Projektstart einmal ehrlich durchgeht, weiß nach einer Stunde, woran er ist.

Für die meisten Betriebe führt dieser Blick zu einer kleineren, schnelleren Entscheidung: dauerhaft messen, Grenzwerte setzen, den Alarmweg klären. Das ist zustandsorientierte Instandhaltung, sie wirkt sofort — und sie legt nebenbei genau die Datenbasis an, die ein Modell später bräuchte. Wer in zwei Jahren wirklich vorhersagen möchte, fängt heute damit an.

Wenn Sie diese Kette für eine konkrete Anlage durchgehen möchten, ist unsere Beratung zur Digitalisierung in der Produktion der passende Rahmen; für den Weg von der Steuerung in ein System, mit dem Ihre Instandhaltung arbeitet, ist es die individuelle Datenintegration. Wenn Sie noch weiter vorne stehen und erst sortieren möchten, wo Digitalisierung bei Ihnen den größten Hebel hat, hilft unser Leitfaden zur Digitalisierung im Mittelstand oder direkt unsere Digitalisierungsberatung.

Zum Stand dieses Beitrags: Die genannten Normen und Vorschriften sind mit Ausgabestand angegeben und wurden am 31. August 2026 geprüft. Normtexte sind kostenpflichtig; die verlinkten Seiten führen zu den offiziellen Fundstellen, nicht zum Volltext. Konkrete Aufwände und Ergebnisse hängen von Anlagentyp, Ausfallhäufigkeit und Datenlage ab und lassen sich nicht allgemein beziffern.

13. Häufige Fragen zu Predictive Maintenance

Was versteht man unter Predictive Maintenance?

Predictive Maintenance, auf Deutsch vorausschauende Instandhaltung, sagt aus laufend gemessenen Zustandsdaten voraus, wann ein Bauteil Aufmerksamkeit braucht. Gewartet wird dann nicht nach Kalender und nicht nach dem Ausfall, sondern zu einem Zeitpunkt, den ein Modell aus Messwerten und aus früheren Ausfällen geschätzt hat.

Was ist der Unterschied zwischen präventiver und prädiktiver Wartung?

Präventive Wartung folgt einem festen Intervall: alle 500 Betriebsstunden, jedes Quartal, jeden Frühling. Sie ersetzt dabei regelmäßig Teile, die noch gut waren. Prädiktive Wartung greift stattdessen zu einem geschätzten Zeitpunkt ein. Dafür braucht sie dauerhafte Messwerte und eine Historie, aus der ein Modell lernen konnte.

Welche Arten der Wartung gibt es?

In der Praxis lassen sich vier Stufen unterscheiden: reaktiv, also erst nach dem Ausfall; präventiv nach festen Intervallen; zustandsorientiert, wenn ein Messwert eine Grenze überschreitet; und prädiktiv, wenn ein Modell den Zeitpunkt schätzt. Die dritte Stufe wird häufig übersprungen, obwohl sie für viele Betriebe die passende ist.

Was ist der Unterschied zwischen Instandhaltung und Wartung?

Instandhaltung ist der Oberbegriff. DIN 31051 gliedert sie in vier Grundmaßnahmen: Wartung, Inspektion, Instandsetzung und Verbesserung. Wartung ist also nur eine davon, nämlich die vorbeugende Pflege. Wer über Predictive Maintenance spricht, meint fast immer die gesamte Instandhaltungsplanung, nicht nur das Ölen und Schmieren.

Welche Voraussetzungen braucht Predictive Maintenance?

Vier Dinge müssen zusammenkommen: Sensoren, die den relevanten Zustand messen; ein Weg, der die Messwerte dauerhaft speichert; eine dokumentierte Historie mit tatsächlichen Störungen und Reparaturen; und ein Prozess, der aus einer Vorhersage einen Auftrag macht. Die Historie ist der Punkt, an dem die meisten Projekte stehen bleiben.

Brauche ich für Predictive Maintenance ein eigenes Data-Science-Team?

Für den Einstieg nicht. Die ersten drei Schritte sind reine Datenarbeit: messen, speichern, mit der Störungshistorie verknüpfen. Diese Grundlage kann jeder Betrieb mit Unterstützung aufbauen. Erst wenn genug Historie vorliegt, stellt sich die Frage nach einem Modell, und dann oft als fertige Funktion statt als Eigenentwicklung.

Ersetzt Predictive Maintenance die vorgeschriebenen Prüfungen?

Nein. Die Betriebssicherheitsverordnung verlangt in § 14 wiederkehrende Prüfungen durch eine befähigte Person, und zwar zu den Fristen, die der Arbeitgeber nach § 3 Absatz 6 ermittelt hat. Ein Modell kann diese Prüfungen vorbereiten und begründen, es kann sie aber nicht ersetzen. Dies ist keine Rechtsberatung.

14. Quellen & offizielle Informationen

Die Angaben in diesem Beitrag stützen sich auf folgende Quellen (alle am 31. August 2026 geprüft). Externe Quellen öffnen in einem neuen Tab.

• ISO 13374-1:2003 — Condition monitoring and diagnostics of machines, Part 1: General guidelines — die sechs Verarbeitungsblöcke von der Datenerfassung bis zur Handlungsempfehlung, die Einbeziehung früherer Arbeitsaufträge und Betriebsdaten sowie die Datenarchivierung (Primärquelle, kostenpflichtiger Normtext).
• DIN 31051:2019-06 — Grundlagen der Instandhaltung — Gliederung der Instandhaltung in die Grundmaßnahmen Wartung, Inspektion, Instandsetzung und Verbesserung; ersetzt die Ausgabe 2012-09 (Primärquelle, kostenpflichtiger Normtext).
• DIN EN 13306:2018-02 — Instandhaltung, Begriffe der Instandhaltung — dreisprachige Festlegung der Terminologie rund um Instandhaltung und Instandhaltungsmanagement (Primärquelle, kostenpflichtiger Normtext).
• Baunormenlexikon — DIN 31051, Ausgabe 2019-06 — frei zugängliche Wiedergabe von Titel, Ausgabestand und Anwendungsbereich der Norm (Lesehilfe, kein Ersatz für den Normtext).
• Fraunhofer IESE — Predictive Maintenance umsetzen: Wie geht das? — Beitrag von Patricia Kelbert vom 16. Juni 2023: Anforderungen an die Datenqualität, Überprüfung historischer Ausfalldaten als erster Umsetzungsschritt, Hemmnisse in der Praxis (Forschungseinrichtung).
• § 3 Betriebssicherheitsverordnung — Gefährdungsbeurteilung — Absatz 6 zur Ermittlung von Art, Umfang und Fristen wiederkehrender Prüfungen (amtliche Fassung).
• § 14 Betriebssicherheitsverordnung — Prüfung von Arbeitsmitteln — Absatz 2 zur wiederkehrenden Prüfung durch eine zur Prüfung befähigte Person (amtliche Fassung).