KI-Readiness im Maschinenbau: Welche Daten Sie vor Predictive Maintenance brauchen
Predictive-Maintenance-Piloten bleiben oft stecken, weil die Grundlagen fehlen: welche Maschine, welche Teile, welche Ausfälle. Die Datenschichten, die KI braucht, ein Reifecheck und Anwendungsfälle, die mit den Daten funktionieren, die die meisten OEMs schon haben.
Noch nicht bereit für ein Gespräch? Machen Sie den 3-Minuten-Datenbasis-Check
TL;DR
- Sensordaten allein sagen nichts voraus. Sie müssen wissen, welche Maschine, welche Teile und welche Ausfälle wann aufgetreten sind.
- Vier Datenschichten: Anlagenstamm, Ausfallhistorie, Teiledaten, Sensordaten. Bei den meisten OEMs ist die Ausfallhistorie am schwächsten.
- Mit Anwendungsfällen starten, die saubere Stammdaten, aber keine Sensoren brauchen: KI-Teilesuche, Teileidentifikation, Vorschläge für Fehlercodes.
- Predictive Maintenance lohnt sich, sobald die Ausfallhistorie je Komponente sauber und mit der Maschine verknüpft ist.
Welche Datenschichten braucht KI?
| Schicht | Welche Frage sie beantwortet | Typische Lücke |
|---|---|---|
| Anlagenstamm | Welche Maschine ist das, und was steckt drin? | Kein Ist-Stand, falscher Standort |
| Ausfallhistorie | Was ist wann und warum kaputtgegangen? | Freitextberichte, „Sonstiges“ als Fehlercode |
| Teiledaten | Welches Teil behebt es? | Nicht klassifizierte Teile, keine Nachfolger |
| Sensordaten | Was hat die Maschine vorher getan? | Signale ohne Bezug zu Komponente oder Seriennummer |
Wie bereit sind Sie?
Anlagenstamm ≥ 90 % der aktiven Maschinen mit Seriennummer, Standort und Ist-Stand
Ausfallhistorie ≥ 80 % der Serviceaufträge mit strukturiertem Fehlercode
und getauschten Teilenummern
Teiledaten Serviceteile klassifiziert, Nachfolger strukturiert
Sensordaten Signale Seriennummer und Komponente zugeordnet, einheitliche Zeitstempel
Pilot Predictive Maintenance: alle vier Schichten über Schwelle für einen MaschinentypLabels zählen mehr als Algorithmen
Ein Modell lernt Ausfälle aus beschrifteter Historie. Wenn die Hälfte der Serviceberichte „Sonstiges“ sagt, lernt das Modell Rauschen. Fehlercodes und Teile in Serviceaufträgen zu bereinigen ist weniger spannend als ein Modell, aber weit nützlicher.
Welche Anwendungen funktionieren mit heutigen Daten?
| Anwendung | Braucht | Sensoren? |
|---|---|---|
| KI-Teilesuche (Text oder Foto) | Klassifizierte Teile, Bilder, Nachfolger | Nein |
| Teileidentifikation über Seriennummer | Ist-Stand, Servicestückliste | Nein |
| Fehlercode-Vorschlag für Techniker | Saubere Ausfallhistorie | Nein |
| Prognose des Ersatzteilbedarfs | Installierte Basis, Verbrauchshistorie | Nein |
| Predictive Maintenance | Alle vier Schichten, saubere Labels | Ja |
Wo sollten Sie anfangen?
- Einen Maschinentyp mit vielen Einheiten im Feld und ordentlicher Servicehistorie wählen.
- Den Anlagenstamm bereinigen und Serviceaufträge mit Seriennummern verknüpfen.
- Eine kurze Fehlercodeliste einführen und getauschte Teile in jedem Auftrag erfassen.
- Eine Anwendung ohne Sensoren starten, die innerhalb von Monaten Nutzen zeigt.
- Sensordaten für die Komponenten ergänzen, die am häufigsten ausfallen, sobald Labels vorhanden sind.
Checkliste
- Aktive Maschinen mit Seriennummer, Standort und Ist-Stand
- Serviceaufträge mit Seriennummern verknüpft
- Strukturierte Fehlercodes im Einsatz
- Getauschte Teile in Serviceaufträgen erfasst
- Sensorsignale Komponente und Seriennummer zugeordnet
Häufige Fragen
Welche Daten braucht Predictive Maintenance?
Einen Anlagenstamm mit Ist-Stand je Seriennummer, eine saubere Ausfall- und Servicehistorie mit getauschten Teilen, strukturierte Teiledaten und Sensorsignale, die Maschine und Komponente zugeordnet sind.
Warum scheitern Predictive-Maintenance-Piloten?
Oft, weil die Ausfallhistorie zu schwach ist, um daraus zu lernen: fehlende Fehlercodes, Serviceaufträge ohne Maschinenbezug und keine Angabe, welche Teile getauscht wurden.
Welche KI-Anwendungen funktionieren ohne Sensordaten?
KI-gestützte Teilesuche und -identifikation, Fehlercode-Vorschläge für Techniker und die Prognose des Ersatzteilbedarfs, jeweils auf Basis sauberer Stamm- und Servicedaten.
Was ist ein Anlagenstamm?
Ein Datensatz je Maschine im Feld mit Seriennummer, Konfiguration, verbauten Teilen, Standort und Eigentümer. Er ist der Anker für alle anderen Datenschichten.
Wo sollte ein Maschinenbauer mit KI anfangen?
Mit einem Maschinentyp, einem sauberen Anlagenstamm und strukturierter Servicehistorie sowie einer Anwendung, die ohne Sensoren Nutzen bringt. Predictive Maintenance kommt danach.
Wie bereit sind Ihre Daten für KI?
Schicken Sie uns Maschinen- und Servicedaten für einen Maschinentyp unter NDA. Wir liefern einen Reifewert je Datenschicht und die erste passende Anwendung.




