# Vorausschauende Instandhaltung: den Ausfall vorhersehen > Den realen Zustand eines Geräts überwachen, um genau im richtigen Moment einzugreifen: weder zu früh noch zu spät. Das ist das Versprechen der vorausschauenden Instandhaltung — und ihre oft unterschätzten Erfolgsbedingungen. - Quelle : https://industryhub.site/de/learn/data-ai/maintenance-predictive - Lernpfad : Daten & KI - Niveau : Praktiker - Lesezeit : 6 min - Sprache : Deutsch ## Drei Arten, eine Maschine instand zu halten Bevor man von Vorhersage spricht, braucht man die drei großen Instandhaltungsstrategien: - die **reaktive**: man repariert nach dem Ausfall. Einfach, aber der Stillstand wird erlitten, oft im schlechtesten Moment. - die **systematische vorbeugende**: man tauscht in festem Intervall (Kalender, Betriebsstunden), ob Verschleiß oder nicht. Man vermeidet den Ausfall, tauscht aber mitunter noch gute Teile. - die **vorausschauende** (zustandsbasierte): man überwacht den realen Zustand und greift erst ein, wenn die Verschlechterung es verlangt. Die Vorausschau zielt auf den optimalen Punkt: weder zu früh (Verschwendung) noch zu spät (Ausfall). ## Das Prinzip der Vorausschau Die Idee ist einfach: **Eine Maschine kündigt ihren Ausfall an, bevor sie stehen bleibt**. Ein verschleißendes Lager schwingt anders; ein überlasteter Motor erhitzt sich; ein schlecht geschmiertes Lager sendet Ultraschall aus. Indem man diese Signale laufend misst und ihre Entwicklung verfolgt, erkennt man die Drift und schätzt die Restzeit bis zum Ausfall. Dann plant man den Eingriff zum richtigen Zeitpunkt, mit bereitliegenden Teilen und Mannschaft. ## Die Signale, die den Ausfall ankündigen Die überwachten Größen hängen von der Maschine ab: **Schwingung** (der Klassiker bei rotierenden Maschinen), **Temperatur**, **elektrischer Strom**, **Ölanalyse**, **Schallemission**. Die Rohdaten steigen aus dem Feld auf ([siehe „industrielle Daten"](/de/learn/data-ai/donnee-industrielle)); man vergleicht sie mit einer gesunden Signatur, und jede dauerhafte Abweichung wird zum Alarm. Hier bringt das [maschinelle Lernen](/de/glossary#term-ml) Wert: Es lernt das „Normale" einer Maschine und erkennt Signalkombinationen, die ein einfacher Schwellwert verfehlte. ## Die Verfügbarkeit, das bezifferte Ziel All dies zielt auf eine Kennzahl: die **Verfügbarkeit**, die die mittlere Zeit zwischen Ausfällen ([MTBF](/de/glossary#term-mtbf)) und die mittlere Reparaturzeit ([MTTR](/de/glossary#term-mttr)) verknüpft: $$A = \frac{\mathrm{MTBF}}{\mathrm{MTBF} + \mathrm{MTTR}}$$ Eine Maschine mit einem MTBF von 2.000 h und einem MTTR von 8 h zeigt $A = 2000/2008 \approx 99{,}6\,\%$. Die Vorausschau wirkt auf beide Hebel: Sie **verlängert den MTBF** (man greift vor dem Bruch ein) und **senkt den MTTR** (man bereitet den Eingriff vor, Teile und Mannschaft bereit). ## Was die Einführung erfordert Vorausschau ist nicht nur ein Algorithmus. Sie setzt voraus: zuverlässige, gut platzierte Sensoren, eine saubere Datenhistorie, Kenntnis der Ausfallarten — oft aus einer [FMECA](/de/glossary#term-fmeca)-Analyse — und ein Werkzeug, um Eingriffe auszulösen und nachzuverfolgen, das [CMMS](/de/glossary#term-cmms). Ohne dieses Fundament sagt das Modell ins Leere voraus. Es ist der Geist der Asset-Management-Norm [ISO 55000](/de/standards/iso-55000): nach Risiko und Wert entscheiden, nicht nach Gewohnheit. ## Wann sie sich lohnt — und wann nicht Instrumentieren und analysieren ist teuer. Man reserviert die Vorausschau daher für **kritisches Equipment**: jenes, dessen Ausfall die Produktion stoppt, die Sicherheit gefährdet oder lange zu reparieren ist. Bei redundantem, billigem oder folgenlosem Equipment genügen Reaktion oder Vorbeugung. Der richtige Reflex: nach Kritikalität denken, gestützt auf Kennzahlen wie [MTBF](/de/glossary#term-mtbf) (mittlere Zeit zwischen Ausfällen) und [MTTR](/de/glossary#term-mttr) (mittlere Reparaturzeit), um nur dort vorherzusagen, wo es sich lohnt. ## Merksatz Die vorausschauende Instandhaltung überwacht den realen Zustand eines Geräts (Schwingung, Temperatur, Signale), um im richtigen Moment einzugreifen — weder zu früh wie die systematische Vorbeugung noch zu spät wie die Reaktion. Sie erfordert zuverlässige Daten und lohnt nur bei kritischem Equipment.