Jeder AI-Predictive-Maintenance-Pitch klingt so: „Anschliessen, wir trainieren auf Ihren Daten, Sie sparen Q2 30 % Stillstand." Der 90-Tage-Pitch ist in Foliendeck-Mathematik real. In Shopfloor-Realität kann kein KI-Modell Ausfälle vorhersagen, bevor die Daten existieren, aus denen es lernen kann. Die 12-Monats-Regel ist die ehrliche Sequenz zwischen „wir haben AI PdM gekauft" und „AI PdM funktioniert in unserem Werk".
Was ist die 12-Monats-Regel?
Die 12-Monats-Regel sagt: Die Zeit von Kickoff bis zu einem produktionsreifen AI-PdM-Modell beträgt mindestens 12 Monate, unabhängig von Anbieterversprechen. Der Grund ist nicht die Anbieterkompetenz, sondern Datenphysik. Ein prädiktives Modell braucht mindestens 12 Monate sauber codierter Ausfalldaten pro Anlagenklasse, um nutzbare Muster zu finden. Wenn Sie diese Daten heute nicht haben, gibt es keine Abkürzung.
Die 4 Voraussetzungen, von denen der KI-Anbieter nichts sagt
Zwölf Monate sauber codierter Ausfalldaten
AI PdM ist Supervised Learning. Sie braucht beschriftete Beispiele: „so sah die Anlage vor dem Ausfall aus". Die meisten Werke haben 12 Monate Auftragsdaten, aber die Ausfallcodes sind generisch („Allg. Reparatur", „Sonstige") statt spezifisch („Lagerfresser", „Riemen-Spannungsdrift"). Sauberes Codieren ist das erste 3-Monats-Teilprojekt der 12-Monats-Regel.
Sensorabdeckung kritischer Anlagen
KI kann Ausfälle nicht allein aus Aufträgen vorhersagen. Sie braucht Sensordaten: Vibration, Temperatur, Stromaufnahme, akustische Emission, Ölqualität. Die meisten Werke haben 10–20 % ihrer kritischen Anlagen sensorbestückt. Die 12-Monats-Regel verlangt 80 %+ Abdeckung der Anlagen, für die Sie tatsächlich Vorhersagen wollen.
Ein CMMS, das KI-erzeugte Aufträge akzeptiert
Modellausgabe ist ein vorhergesagter Ausfall mit empfohlener Aktion. Diese Empfehlung muss in ein CMMS fliessen, das einen Auftrag erstellt, an den richtigen Instandhalter routet, Abschluss verfolgt und das Ergebnis zurück ans Modell speist. Wenn Ihr CMMS ein Aktenschrank ist, hat das Modell keinen Ort, an den es Vorhersagen schicken kann.
Ein Instandhaltungsteam, das Daten mehr vertraut als dem Bauchgefühl
Diese Voraussetzung wird der Anbieter nie benennen. AI PdM funktioniert nur, wenn Instandhalter auf Modellvorhersagen reagieren, statt zu sagen „das Modell kennt unser Werk nicht". Vertrauen aufbauen erfordert transparente Modellerklärungen, konservative Anfangsschwellen und eine Kultur, die Daten über heroische Einzeldiagnosen stellt. Das dauert länger als jede technische Aufgabe.
Der 12-Monats-Bereitschaftsplan (ehrliche Sequenz)
Monate 1–3: Ausfallcodes und Asset-Register säubern
Letzte 12 Monate Aufträge prüfen. Generische Einträge mit spezifischen Ausfallmodi neu codieren. Asset-Register verifizieren, jede kritische Anlage hat eine eindeutige ID, ein Hierarchie-Eltern-Element und eine Kritikalitätsbewertung. Unsexy und essenziell. Die meisten Werke entdecken, dass 30–60 % ihrer Daten unbrauchbar sind, bis diese Arbeit getan ist.
Monate 4–6: Sensorabdeckung
Top 10 kritische Anlagen listen, bei denen Vorhersage die Ökonomie ändert. Sensoren ergänzen, wo fehlend, Vibration für rotierende Geräte, Temperatur für Lager und Motoren, Strom für Antriebe, akustisch für Druckluftsysteme. Realistisches Budget: 5.000–15.000 € pro Anlage für saubere Abdeckung.
Monate 7–9: Integrationsbus
Sensordaten, Asset-Historie und CMMS in eine Pipeline verdrahten. Sensoren → Zeitreihendatenbank → CMMS-Event-Bus. Webhook von CMMS ans Modell, wenn ein Auftrag schliesst (damit das Modell aus dem Ergebnis lernt). Die Integration ist der am meisten unterschätzte Teil der 12 Monate.
Monate 10–12: Modell-Training und Validierung
Modell auf den jetzt-sauberen, jetzt-vollständigen Daten trainieren. Vorhersagen gegen zurückgehaltene Daten validieren. Schwellen konservativ einstellen. Schattenphase, in der das Modell Vorhersagen feuert, aber Instandhalter nur handeln, wenn der Vorgesetzte zustimmt. In Live-Betrieb überführen, sobald Vertrauen aufgebaut ist.
Die KPI, die beweist, dass AI PdM wirkt
Diese Zahl verfolgen: % der KI-vorhergesagten Ausfälle, die verhindert wurden, bevor sie Stillstand verursachten. Ausgangswert im Monat 12: 25–40 %. Reife Operation im Monat 24: 60–75 %. Ein Werk über 80 % nutzt AI PdM wie vorgesehen. Unter 25 % im Monat 12 heisst: eine Voraussetzung ist noch nicht erfüllt, zurückgehen und beheben.
Werkzeuge, die helfen
Das ist ein Programm, kein Kauf. Lesen Sie die OEE-Software-Preisaufschlüsselung, den Intelligence-Gap-Artikel und den OEE-Schleifenschluss-Leitfaden für das Fundament unter AI PdM.
Entscheidungsmatrix
- Werk mit 12+ Monaten sauberer Daten + guter Sensorabdeckung + modernem CMMS: AI PdM ist jetzt machbar. 90-Tage-Pilot auf einer kritischen Anlagenklasse laufen lassen.
- Werk mit unsauberen Ausfallcodes: Die 12 Monate zuerst aufs Fundament verwenden. KI ist ein Multiplikator, kein Starter.
- Werk ohne Sensorbudget: AI PdM überdenken. Computer-Vision-Monitoring (ohne PLC-Integration) ist eine billigere Brücke.
- Werk mit „Maschinen wissen am besten"-Kultur: AI PdM verschieben, bis Sie mit dem Team Condition-Based Maintenance landen können.
Häufige Fragen
Was, wenn der Anbieter sagt, er schafft es in 90 Tagen?
Entweder (1) Sie haben die vier Voraussetzungen schon und er liefert, oder (2) er trainiert ein generisches Modell auf Annahmen und Sie bekommen Fehlalarme, die das Teamvertrauen im zweiten Monat zerstören. Drei Referenzkunden in Ihrer Anlagenzahl und Komplexität verlangen. Wenn er sie nicht liefern kann, ist die 90-Tage-Behauptung Marketing.
Funktioniert AI PdM ohne Sensoren?
Begrenzt. Auftragsbasierte KI kann Frequenzmuster erkennen, aber keine akuten Ausfälle vorhersagen. Die Kombination von Auftrags-KI mit Computer-Vision-OEE (ohne PLC) ist ein Mittelweg für Werke ohne Sensorbudget.
Wie unterscheidet sich das von Condition-Based Maintenance?
Condition-Based Maintenance handelt nach Schwellenregeln (Vibration > X, Temperatur > Y). AI PdM nutzt Mustererkennung über mehrere Signale, um Ausfälle vorherzusagen, bevor eine einzelne Schwelle ausgelöst wird. CBM ist eine Voraussetzung für AI PdM, keine Alternative.
Was ist mit generativer KI für Instandhaltung?
Generative KI (LLMs) ist exzellent für Auftragszusammenfassung, Technikerhilfe und Wissensdatenbank-Suche. Sie ist keine prädiktive Instandhaltung. Verwechseln Sie die beiden nicht, wenn Sie Anbieter bewerten.
Fazit
AI Predictive Maintenance ist real und funktioniert, sobald das Fundament steht. Die 12-Monats-Regel existiert, weil das Fundament nicht übersprungen werden kann. Anbieter, die schneller versprechen, verkaufen entweder ein generisches Modell, das Fehlalarme produzieren wird, oder rechnen damit, dass Sie das Fundament schon haben. Daten, Sensorabdeckung, CMMS-Bereitschaft und Teamkultur prüfen, bevor Sie unterschreiben. Wenn drei von vier fehlen, machen Sie zuerst die 12-Monats-Fundamentarbeit; das KI-Gespräch läuft danach viel besser.
Anmeldung
Blog
