Predictive Maintenance: vorausschauende Wartung im Gebäudebetrieb

Vorausschauende Instandhaltung (Predictive Maintenance) baut auf der zustandsbasierten Überwachung auf: Durch die kontinuierliche Echtzeitanalyse des Anlagenzustands lassen sich Verschleiß und Ausfälle frühzeitig erkennen und verhindern.

Möglich wird das durch Sensordaten in Kombination mit fortgeschrittenen Analyseverfahren und maschinellem Lernen. Probleme werden frühzeitig erkannt und behoben, bevor es zum Ausfall kommt. Entscheidend ist dabei, dass die richtigen Personen zur richtigen Zeit die richtigen Informationen erhalten. Eine Sensormeldung allein löst noch kein Problem. Erst wenn daraus automatisch ein Auftrag für die zuständige Person wird, entsteht echter Nutzen.

In diesem Beitrag erfahren Sie, wie vorausschauende Instandhaltung funktioniert, welche Rolle künstliche Intelligenz dabei spielt, welche Anlagen sich eignen und welche Voraussetzungen in Ihrem CAFM erfüllt sein müssen, damit aus einem Sensorwert ein belastbarer Prozess wird.

• Definition: Predictive Maintenance leitet aus laufend erfassten Zustandsdaten eine Prognose ab und terminiert die Instandhaltungsmaßnahmen, bevor eine Anlage ausfällt.
• Abgrenzung: Vorbeugende Wartung folgt festen Zeit- und Zählerintervallen. Die zustandsorientierte reagiert auf einen überschrittenen Grenzwert.
• Geeignete Anlagen: Lohnt sich besonders bei Anlagen mit hohen Ausfallfolgekosten und messbarem Verschleiß, wie RLT-Anlagen, Kälteerzeugung, Ventilatoren, Aufzügen und Elektroverteilungen. In Abhängigkeit der Immobilienlage können auch Tauchpumpen, Hebelanlagen oder je nach Immobilienart die Großküchen- oder Kühltechnik (Lebensmittel) sowie USV oder Netzersatzanlagen kritisch und somit geeignete Anlagen sein.

Predictive Maintenance, vorausschauende Wartung, prädiktive Instandhaltung: derselbe Ansatz?

Im deutschen Sprachraum kursieren mehrere Begriffe für denselben Ansatz. Vorausschauende Wartung, vorausschauende Instandhaltung und prädiktive Instandhaltung meinen alle den datengestützten, prognosebasierten Ansatz.

Fachlich sinnvoll ist außerdem die Abgrenzung nach oben: Die präskriptive Instandhaltung geht einen Schritt weiter als die prädiktive. Sie sagt nicht nur, dass ein Bauteil voraussichtlich in einigen Wochen ausfällt, sondern schlägt die Maßnahme samt Zeitpunkt und Priorität vor. In deutschen Gebäudebeständen ist das bislang die Ausnahme. Wer eine solide, vorausschauende Instandhaltung aufbaut, legt die Datengrundlage, auf der präskriptive Ansätze später überhaupt funktionieren können.

Wie funktioniert Predictive Maintenance?

Vorausschauende Instandhaltung besteht im übertragenen Sinne aus vier Gliedern einer Kette. Reißt ein Glied, ist die ganze Kette wertlos.

Daten erfassen

Am Anfang stehen die Zustandsdaten: Schwingung, Temperatur, Druck, Stromaufnahme, Laufzeiten, Schaltspiele, Differenzdruck etc. Dazu kommen Daten, die dem Facility Management längst vorliegen: Messwerte aus wiederkehrenden Prüfungen, Störmeldungen, Instandsetzungshistorien, Ersatzteilverbräuche und Herstellerangaben zur erwarteten Lebensdauer.

Dieser zweite Datentyp ist erfahrungsgemäß der unterschätzte Hebel. Eine über Jahre gepflegte Prüf- und Störhistorie sagt oft mehr über die Ausfallneigung einer Anlage aus als ein nachträglich angebrachter Sensor.

Zustand bewerten

Aus den Rohdaten kann eine Aussage abgeleitet werden, sobald Grenz- und Toleranzwerte, Trends und Abweichungen vom Normalverhalten definiert sind. Ein Ventilatorlager, dessen Schwingungswerte über drei Messungen hinweg stetig steigen, erfordert eine andere Bewertung als ein Lager mit einem einmaligen Ausschlag.

Prognose bilden

Erst hier kommen statistische Modelle oder Verfahren des maschinellen Lernens ins Spiel. Sie schätzen die verbleibende Restnutzungsdauer oder die Ausfallwahrscheinlichkeit in einem Zeitfenster.

Maßnahme auslösen

Der Schritt, an dem die meisten Projekte erfahrungsgemäß scheitern. Erst wenn die Auffälligkeit automatisch zu einem Auftrag führt, der Objekt, Verantwortlichen, Termin sowie Dienstleister enthält und anschließend umgesetzt wird, kann die Anlagenverfügbarkeit gesteigert werden.

Aus unserer Sicht ist dieses vierte Glied das entscheidende. Sensorik und Modelle liefern Signale. Der Prozess dahinter entsteht in Ihrem Instandhaltungsmanagement.

Die vier Instandhaltungsstrategien im Vergleich

Predictive Maintenance bildet die datengetriebenste Option unter den vier Standardmodellen der modernen Instandhaltung.

• Reaktive Instandhaltung: Gehandelt wird erst nach dem Ausfall, also wenn die Anlage bereits steht.
• Vorbeugende Instandhaltung: Gewartet wird nach festen Zeit- und Zählerintervallen, unabhängig vom tatsächlichen Zustand.
• Zustandsorientierte Instandhaltung: Ausgelöst wird die Maßnahme durch gemessene Ist-Werte, sobald ein Grenzwert überschritten ist.
• Vorausschauende Instandhaltung: Aus den Werten wird ein künftiger Ausfall hochgerechnet. Es wird vor dem Schaden eingegriffen.

Welche Strategie sinnvoll ist, muss für jede Anlage individuell entschieden werden. In der Praxis laufen deshalb alle vier nebeneinander.

Zustandsorientiert und vorausschauend werden oft gleichgesetzt, unterscheiden sich aber im Kern: Die eine reagiert auf einen erreichten Wert, die andere sagt ihn voraus.

Condition Monitoring: die Vorstufe, die niemand überspringen kann

Condition Monitoring (Zustandsüberwachung) bezeichnet die kontinuierliche oder periodische Erfassung und Bewertung physikalischer Kenngrößen an Anlagen. Die DIN ISO 17359 beschreibt es als systematischen Prozess zur Zustandsbewertung. Damit beantwortet Condition Monitoring die Frage, wie es der Anlage gerade geht.

Dagegen liefert Predictive Maintenance die Antwort auf die Frage, wie es der Anlage in einigen Wochen gehen wird. Ein Wälzlager verändert sein Schwingungsmuster beispielsweise oft Wochen, bevor es blockiert. Um solche Frühwarnsignale in eine Prognose zu übersetzen, braucht es die Zeitreihen, die Condition Monitoring erzeugt. Wer ohne diese Basis mit Prognosemodellen beginnt, hat nichts, woran das Modell lernen könnte.

Für Betreiber heißt das: Condition Monitoring ist der realistische erste Schritt, nicht die Vorbereitung eines späteren Projekts. Entscheidend ist, dass die Messwerte nicht in einem separaten Sensorportal versanden, sondern beim jeweiligen Objekt in der Anlagenstruktur landen.

Welche Rolle spielt künstliche Intelligenz dabei?

Während künstliche Intelligenz dem Thema neue Dynamik verleiht, birgt sie zugleich das höchste Potenzial für überzogene Erwartungen.

Was KI leisten kann: Verfahren des maschinellen Lernens erkennen Muster in großen Messreihen, die über eine einfache Grenzwertprüfung hinausgehen. Sie finden Anomalien, für die niemand vorher einen Schwellwert definiert hat. Steigt die Stromaufnahme einer Pumpe leicht, während die Fördermenge sinkt und die Lagertemperatur zunimmt, ist jeder Einzelwert unauffällig, das Muster aber nicht. Neben Mustererkennung und Trendanalyse kommen regelbasierte und physikalische Modelle zum Einsatz, letztere auch als digitaler Zwilling. Zusätzlich helfen Sprachmodelle bei der Auswertung unstrukturierter Inhalte: Freitexte aus Störmeldungen, Rückmeldungen von Technikern, Bemerkungen in Prüfprotokollen.

Was KI nicht leisten kann: Ein Modell lernt aus Vergangenheitsdaten. Liegen keine dokumentierten Ausfälle vor, kann es keine Ausfälle vorhersagen. Sind Anlagenstammdaten unvollständig, Zuordnungen falsch oder Historien lückenhaft, produziert das Modell zuverlässig falsche Aussagen. Außerdem ist eine KI-Prognose kein Nachweis: Gegenüber Auditoren, Behörden, Versicherern oder der internen Revision zählt die dokumentierte, von einer befähigten oder qualifizierten Person durchgeführte Prüfung, nicht die Einschätzung eines Algorithmus.

Ein CAFM-System wie NOVA-FM liefert dieses Fundament direkt aus den laufenden Betriebsprozessen heraus. Der Workflow-Manager garantiert die erforderliche Datenhygiene über Pflichtfelder, Wertegrenzen und automatisierte Prüfungen. Ein solcher Softwareeinsatz macht am Ende den Unterschied zwischen einem unverbindlichen KI-Prototypen und einer skalierbaren Praxislösung.

Welche Anlagen im Gebäudebetrieb eignen sich besonders?

Die meisten Fachbeiträge erklären Predictive Maintenance anhand von Produktionsmaschinen. Der Gebäudebetrieb unterscheidet sich davon jedoch grundlegend. Er ist geprägt von einer Vielzahl verteilter Anlagen mit moderatem Einzelwert sowie der starken Einbindung externer Dienstleister.

Der wirtschaftliche Mehrwert im Gebäudebetrieb entsteht dort, wo drei Kernfaktoren zusammenkommen: hohe Ausfallfolgekosten, messtechnisch erfassbarer Verschleiß und eine ausreichende Vorwarnzeit für geplante Eingriffe.

Geeignete Kandidaten in der technischen Gebäudeausrüstung sind zum Beispiel:

• Raumlufttechnische Anlagen: Differenzdruck an Filtern zeigt Zusetzung, Schwingungswerte an Ventilatorlagern zeigen Verschleiß. Beides ist mit überschaubarem Aufwand messbar.
• Kälteerzeugung: Kältemaschinen und Kälteanlagen erfordern regelmäßige Wartung von Verdichtern, Kältemittelkreisläufen und Regelkomponenten. Funktionsstörungen unterbrechen die Kühlkette und können in Supermärkten, Großmärkten oder Großküchen dazu führen, dass Lebensmittel vernichtet werden müssen.
• Klimatisierung: Klimaanlagen und Lüftungssysteme benötigen kontinuierliche Überwachung von Filtern, Wärmetauschern, Luftvolumenströmen etc. Besonders in Rechenzentren, Reinräumen und medizinischen Einrichtungen gefährden Ausfälle den laufenden Betrieb unmittelbar.
• Pumpen und Heizungsumwälzung: Stromaufnahme, Vibration und Temperatur sind aussagekräftig, Ausfälle häufig saisonal kritisch.
• Aufzüge und Fördertechnik: Türzyklen, Fahrtenzahlen und Nachstellwege können ausgewertet werden.
• Elektroverteilungen, USV und Batterieanlagen: Thermografie und Messwerte aus wiederkehrenden Prüfungen liefern belastbare Trends. Bei Batterieanlagen kommen Kapazitätstests und Innenwiderstandsmessungen hinzu.

Darüber hinaus profitieren auch Netzersatzanlagen, Wärmeerzeugungsanlagen, Druckluftanlagen, Brandschutzanlagen, Photovoltaikanlagen und motorisch angetriebene Komponenten im Allgemeinen von einer systematischen Zustandsüberwachung.

Weniger geeignet sind Anlagen mit geringen Ausfallfolgekosten und günstigem, schnell verfügbarem Ersatz.

Was Predictive Maintenance nicht ersetzt: Prüffristen und Betreiberpflichten

Gesetzlich, normativ oder vertraglich wiederkehrende Leistungen sind fristgebunden und nachweispflichtig. Sie entfallen nicht, weil ein Modell die Anlage als unkritisch einschätzt. Nach der Betriebssicherheitsverordnung muss der Arbeitgeber Arbeitsmittel wiederkehrend durch eine zur Prüfung befähigte Person prüfen lassen. Die Prüffristen sind dabei aus der Gefährdungsbeurteilung abzuleiten (§ 14 BetrSichV). Für überwachungsbedürftige Anlagen sind je nach Anlage zugelassene Überwachungsstellen zuständig (§ 15 BetrSichV).

Ein Prognosemodell ist in diesem Rahmen bestenfalls ein Hilfsmittel, kein Ersatz. Wer Prüffristen durch Sensordaten ersetzt, verletzt seine Betreiberpflichten. Fristüberschreitungen können als Ordnungswidrigkeit geahndet werden. Im Schadensfall drohen dem Betreiber Haftungs- und Versicherungsfolgen. Bei grob fahrlässigem Verhalten drohen neben Berufsverbot auch Freiheitsstrafen.

Mehr zum rechtlichen Rahmen finden Sie im Beitrag zur Betreiberverantwortung im Facility Management.

Was setzt eine vorausschauende Wartung voraus und was kostet das?

Vier Kostenblöcke werden in Projekten regelmäßig unterschätzt.

• Sensorik und Nachrüstung: Neubauten und moderne Anlagen liefern Daten oft schon. Im Bestand ist die Nachrüstung der größere Posten, gerade bei verteilten Liegenschaften und schwer zugänglichen Technikzentralen. Kabelwege, Netzabdeckung und Zugänglichkeit entscheiden hier stärker über die Kosten als der Sensorpreis.
• Datenintegration: Sensordaten, Gebäudeleittechnik, Prüfergebnisse und Anlagenstammdaten liegen anfangs in verschiedenen Systemen. Ohne Schnittstellen entstehen Medienbrüche, die eine doppelte Datenpflege nach sich ziehen.
• Auswertung und Modellpflege: Ein Modell ist kein einmaliges Projekt. Es muss überwacht, nachjustiert und bei Anlagenänderungen neu bewertet werden.
• Qualifikation: Ihr Team benötigt keine Data Scientists, sondern Personal mit fundiertem Urteilsvermögen. Die Mitarbeiter müssen Prognosen einordnen und Falschmeldungen sicher von echten Befunden unterscheiden können. Fehlt dieses Urteilsvermögen, setzt innerhalb weniger Monate Alarmmüdigkeit ein und Meldungen werden ignoriert.

Der teuerste und aufwändigste Posten ist meist keiner dieser vier, sondern die Aufarbeitung der Datenbasis. Wenn Anlagen nicht eindeutig strukturiert sind, Historien in Excel-Listen und Papierordnern liegen und Zuordnungen fehlen, beginnt jedes Predictive-Maintenance-Projekt mit einem Datenprojekt. Wer sein Instandhaltungsmanagement bereits digital und objektbezogen führt, verringert diesen Aufwand spürbar.

Vorausschauende Instandhaltung mit NOVA-FM meistern

Vorausschauende Instandhaltung beginnt mit der Datenbasis. Mit NOVA-FM erhalten Sie eine ganzheitliche CAFM‑Software, mit der Sie diese Datengrundlage schaffen.

Im Anlagen- und Gerätemanagement werden Anlagen und Komponenten in einem strukturierten Systembaum geführt. Über „Prüfen und Messen“ steuert die Software Prüfsysteme direkt an und dokumentiert Messwerte automatisch, offlinefähig per App. Ihre Historie wächst und wird zur Grundlage für Zustandsbewertungen und Prognosen.

Entscheidend ist, dass beide Ebenen in einem System laufen. Das Instandhaltungsmanagement plant Prüfungen und Wartungen rechtssicher, überwacht Fristen und bildet Betreiberpflichten, während die vorausschauende Ebene auf derselben Datenbasis aufsetzt. Die KI erstellt aus den Sensorwerten eine Prognose, aus dieser der Workflow-Manager einen Auftrag als Hintergrundaufgabe generiert.

CAFM?