Predictive Maintenance und Lebensdauerprognose: Ausfälle vorhersagen, bevor sie eintreten

Ausfälle sind teuer – beim Fahrzeug als Garantiekosten, in der Produktion als ungeplante Stillstände. Wir sagen sie vorher, mit zwei getrennt buchbaren Bausteinen – Zustandsüberwachung an Produktionsanlagen und Lebensdauerprognose für Fahrzeugkomponenten mit zensierungsfähiger Zuverlässigkeitsstatistik.

Ausgangslage

In der Produktion kündigen sich viele Ausfälle in den Sensordaten an – in Vibrationen, Temperaturen, Strömen –, lange bevor die Anlage steht. Genutzt wird dieses Signal selten: Gewartet wird nach Plan oder nach Ausfall.

Bei Fahrzeugkomponenten stützt sich die Auslegung oft auf pauschale Nutzungsannahmen statt auf reale Lastkollektive, und Garantierückstellungen ruhen auf Erfahrungswerten statt auf einer statistisch sauberen Ausfallprognose.

Typische Datengrundlage

Für die Zustandsüberwachung: Sensordaten als Zeitreihen – Vibration, Temperatur, Ströme, Drücke –, Betriebsdaten der Anlagen, Zustands- und Störmeldungen sowie die Instandhaltungs- und Ausfallhistorie mit Servicemeldungen und Ersatzteilverbrauch.

Für die Lebensdauerprognose: gemessene oder simulierte Lastzeitreihen aus Erprobung und Feldbetrieb mit den daraus abgeleiteten Lastkollektiven, Werkstoff- und Bauteilkennwerte, Wöhlerlinien und Auslegungsdaten sowie Feld- und Garantiedaten mit Einbaudatum, Laufleistung und Ausfallart.

Der am häufigsten übersehene Teil: der Bestand der noch nicht ausgefallenen Bauteile. Er ist für eine belastbare Schätzung genauso wichtig wie die Ausfälle selbst.

Woran solche Vorhaben scheitern

Wenig Ausfälle, wenig Lernmaterial. Gerade die relevanten Ausfallarten sind selten. Das Modell muss auch mit stark unbalancierten Daten und wenigen echten Fehlerfällen zuverlässig lernen.

„Noch intakt“ ist auch Information. Viele Einheiten laufen zum Analysezeitpunkt noch. Werden diese zensierten Beobachtungen ignoriert, entstehen systematisch verzerrte Prognosen.

Historie braucht Kontext. Wartungs- und Reparaturdaten sind oft lückenhaft oder uneinheitlich dokumentiert. Belastbare Labels entstehen nur gemeinsam mit den Instandhaltern.

Ohne Datenstrom keine Prognose. Fehlende Sensorik muss teilweise nachgerüstet und die Maschinendaten müssen zuverlässig per Streaming angebunden werden.

Alarmflut zerstört Vertrauen. Eine Warnung muss relevant sein. Die Schwellen werden bewusst so gewählt, dass wenige, dafür belastbare Meldungen entstehen – statt Alarmflut und Alert Fatigue.

Vorgehen

Baustein 1: Zustandsüberwachung. Auf den Sensorzeitreihen entsteht eine Merkmalsbildung je Zeitfenster mit statistischen Kennwerten, Trends und Frequenzmerkmalen, für Wälzlager auch Hüllkurvenanalyse auf den bekannten Schadensfrequenzen. Darauf arbeiten Gradient Boosting für die Zustandsbewertung und Sequenzmodelle für zeitliche Muster. Wo Ausfalllabels fehlen, erkennt ein Autoencoder Abweichungen vom eingelernten Normalverhalten. Vortrainierte Zeitreihenmodelle (Chronos, TimesFM, Moirai) dienen als schnelle Vergleichsbasis, gegen die sich der Nutzen eines eigens trainierten Modells beurteilen lässt. Die Pipeline folgt dem Muster Sensorik, Streaming, Datenplattform, Feature Store, Training, MLOps, Alarmierung; Modelle werden überwacht und bei erkannter Drift nachtrainiert. Alarmschwellen und Wartungsempfehlungen stimmen wir mit der Instandhaltung ab.

Baustein 2: Lebensdauer und Betriebsfestigkeit. Hier greifen die Verfahren der Betriebsfestigkeit, ergänzt um Statistik und maschinelles Lernen – nicht ersetzt durch sie. Aus den Lastzeitreihen entstehen über Rainflow-Klassierung Lastkollektive; mit Wöhlerlinie und linearer Schadensakkumulation nach Palmgren-Miner folgt daraus die rechnerische Schädigung. Maschinelles Lernen wirkt an drei Stellen: Es überträgt verfügbare Betriebsgrößen auf die Lastkollektive dort, wo keine Messstelle sitzt; es beschleunigt die Schädigungsrechnung über Ersatzmodelle, wenn viele Varianten oder Nutzungsprofile zu bewerten sind; und es ordnet Fahrzeuge nach ihrem tatsächlichen Nutzungsprofil in Kollektivklassen ein, statt mit einem Durchschnittskunden zu rechnen.

Die Ausfallwahrscheinlichkeit über der Betriebszeit modellieren wir mit Verfahren der Zuverlässigkeitsstatistik, die zensierte Beobachtungen korrekt behandeln: Weibull-Anpassungen je Ausfallart, Cox-Modelle und zensierungsfähige Lernverfahren wie Random Survival Forests oder Accelerated-Failure-Time-Modelle. Ergebnis ist keine Ja-Nein-Aussage, sondern eine Überlebenskurve je Bauteilvariante und Nutzungsprofil mit Vertrauensbereich – daraus abgeleitet die verbleibende Nutzungsdauer und belastbare Aussagen zu Serviceintervallen und Garantierückstellungen.

Was dabei entsteht

Baustein 1: Ungeplante Stillstände gehen zurück, Wartungen werden planbar, und die Ersatzteilplanung verbessert sich, weil sich der Bedarf früher abzeichnet. Gemessen wird an der Vorwarnzeit vor einem Ereignis, an der Zahl der Fehlalarme je Woche und am Anteil der Ausfälle, die das System vorab gemeldet hat – alle drei im Pilot erhoben und als Abnahmekriterium vereinbart.

Baustein 2: Die Auslegung stützt sich auf das reale Nutzungsprofil statt auf pauschale Annahmen, kritische Auslegungen fallen früher auf, und Serviceintervalle wie Garantierückstellungen ruhen auf einer statistisch sauberen Grundlage. Die Modellgüte weisen wir über den Vergleich der prognostizierten mit der beobachteten Ausfallverteilung auf zurückgehaltenen Feldjahrgängen aus.