Warum die meisten ROI-Berechnungen für vorausschauende Instandhaltung falsch sind

Wichtigste Erkenntnisse

• Der typische ROI-Fall für vorausschauende Instandhaltung (PdM) sieht auf dem Papier überzeugend aus: ein paar katastrophale Ausfälle vermeiden, die Sensor- und Softwarekosten rechtfertigen, Amortisation in 12–18 Monaten. Der Fall ist meist falsch, weil er PdM mit „keiner Wartung“ vergleicht statt mit einem gut abgestimmten PM- und zustandsbasierten Programm.
• Drei strukturelle Fehler tauchen in PdM-Geschäftsmodellen wiederholt auf: die adressierbare Ausfallpopulation zu hoch ansetzen, die Kosten für falsch-positive Alarme zu gering ansetzen und gleiche Modellgenauigkeit für Assetklassen voraussetzen, die sich in der Instrumentierung um eine Größenordnung unterscheiden.
• Die ehrliche Prüfung eines PdM-Vorschlags ist nicht „wie hoch ist die projizierte Amortisation“, sondern „welche Ausfälle hätten wir mit diesem System verhindert, die unser aktuelles PM-Programm nicht erkannt hätte.“ Für die meisten mittelständischen Anlagen ist dieser verbleibende Anteil deutlich kleiner als die Anbieter suggerieren.
• PdM funktioniert, wenn es auf spezifische, kostenintensive Ausfallursachen an instrumentierten, kritischen Anlagen zielgerichtet eingesetzt wird, nicht als werksweite Initiative. Die zielgerichtete Version rentiert sich; die werksweite Version meist nicht.

Das Verkaufsargument und die dahinterstehende Rechnung

Das übliche PdM-Verkaufsargument ist um eine kleine Anzahl hoch wirksamer Ausfälle herum aufgebaut. Ein Motor blockiert, ein Lager zerstört sich, ein Getriebe fällt katastrophal aus. Die vermiedenen Kosten eines einzigen dieser Ereignisse — Produktionsstillstand, Sekundärschäden, Eilbeschaffung von Teilen — liegen schnell im sechsstelligen Bereich. PdM erkennt das frühe Signal, das Wartungsteam greift ein, das katastrophale Ereignis tritt nicht ein. Multiplizieren Sie das mit drei oder vier angenommenen Vermeidungen pro Jahr, und der Fall amortisiert Sensoren und Software innerhalb von 18 Monaten.

Das Argument ist intern konsistent und fast nie exakt so zutreffend wie dargestellt. Drei strukturelle Fehler verbergen sich darin.

Fehler 1: Vergleich mit keiner Wartung

Die meisten PdM-Geschäftsmodelle vergleichen implizit mit einer Basislinie, in der die Anlage bis zum Ausfall betrieben worden wäre. Das ist selten die tatsächliche Basislinie. Die reale Basislinie ist das, was das bestehende PM- und zustandsbasierte Programm der Anlage ohnehin entdeckt hätte.

Ein gut abgestimmtes PM-Programm erkennt viele der Ausfallarten, die PdM zu verhindern vorgibt. Lagerschäden werden durch Schmierzyklusprüfungen entdeckt. Riemenbrüche fallen bei Sichtprüfungen auf. Motorblockaden gehen oft mit charakteristischen Stromaufnahme-Signaturen voraus, die ein aufmerksamer Techniker bei seinen Routinen bemerkt. Die ehrliche PdM-ROI zieht die Einsparungen ab, die das bestehende Programm bereits liefert, nicht die katastrophalen Ereignisse, die es nicht verhindert hätte. Zahlen des Department of Energy fassen diese Lücke zusammen: Predictive Maintenance spart auf der Größenordnung von 8–12 % gegenüber einem gut geführten präventiven Programm, aber 30–40 % gegenüber rein reaktiver Wartung; ein Fall, der gegen „keine Wartung“ benchmarked ist, wirkt daher deutlich stärker als einer, der gegen das bereits laufende PM-Programm benchmarked ist.

Anlagen, die diese Subtraktion durchführen, stellen meist fest, dass sich die PdM-Amortisationszeit deutlich über die beworbenen 12–18 Monate hinausstreckt, oft auf mehrere Jahre. Auf einigen Assetklassen bleibt das Ergebnis positiv, aber es ist keine eindeutige Entscheidung mehr. Der Beitrag zum Wartungsplan für vorbeugende Instandhaltung beschreibt, wie ein gut abgestimmtes PM-Programm gegenüber PdM-ähnlichen Ausfallarten abschneidet.

Fehler 2: Unterschätzung der Kosten falsch-positiver Alarme

PdM-Modelle erzeugen Alarme. Manche Alarme sind echt; manche nicht. Die falsch-positive Rate ist entscheidend, weil jeder Fehlalarm Wartungszeit für die Untersuchung eines Nicht-Ausfalls verbraucht und das Vertrauen der Betreiber in nachfolgende Alarme schwächt.

Anbieter rechnen in Geschäftsmodellen oft mit hoher Modellgenauigkeit. Die tatsächlich erzielte Genauigkeit in real installierten Systemen ist typischerweise im ersten Jahr deutlich niedriger und verbessert sich erst nach umfangreicher Feinabstimmung an den Anlagen des jeweiligen Standorts. Diese Lücke ist relevant: Selbst eine moderate falsch-positive Rate kann die projizierten Einsparungen aufzehren — ein vielzitiertes McKinsey-Programm sah beispielsweise eine 10%-ige falsch-positive Rate, die seine Gewinne aufbrauchte. Wenn ein signifikanter Anteil der Alarme falsch-positiv ist, können die Untersuchungskosten für deren Verfolgung die durch wahre Positive eingesparte Arbeitszeit übersteigen, besonders im ersten Jahr.

Ein ehrlicherer Fall modelliert die Kosten falsch-positiver Alarme explizit: falsch-positive Rate × durchschnittliche Untersuchungskosten × jährliches Alarmvolumen. Diese Zahl kann einen großen Teil des projizierten ROI auffressen und oft aus einem klaren Erfolg einen nur noch marginalen Fall machen. Der Artikel zur Ursachenanalyse behandelt die Untersuchungsaufwände in verwandten Begriffen.

Fehler 3: Gleichsetzen der Modellgenauigkeit

PdM-Anbieter sprechen von Modellgenauigkeit als einzelner Zahl („unser System ist zu 92 % genau“). Die tatsächliche Genauigkeit variiert stark nach Assetklasse. Ein Schwingungsmodell für rotierende Maschinen ist gut entwickelt und hochgenau. Ein Getriebe-Temperaturmodell ist vernünftig. Modelle für Hub- oder Kolbenmaschinen sind weniger ausgereift. Für kundenspezifische oder kleinvolumige Assetklassen existiert unter Umständen überhaupt kein funktionierendes Modell.

Das Geschäftsmodell wendet meist eine einzelne Genauigkeitszahl auf eine heterogene Asset-Population an. Die Assetklassen, für die das Modell ausgereift ist, liefern Ergebnisse; die Klassen, für die es das nicht ist, erzeugen überwiegend Rauschen. Eine werksweite Einführung mittelt eine produktive Teilmenge mit einer lärmerzeugenden Teilmenge und liefert eine Genauigkeit unterhalb der beworbenen Zahl.

Der ehrliche Fall grenzt pro Assetklasse ab: auf welchen Assets das verfügbare Modell tatsächlich mit der behaupteten Genauigkeit arbeitet. Diese Teilmenge ist oft nur ein Bruchteil der Assets, die das Verkaufsargument abdeckt. Die Bereitstellungskosten pro geschütztem Asset werden dadurch deutlich höher als die vom Anbieter suggerierte werksweite Zahl. Der Beitrag zu Produktions-KPIs behandelt die pro Klasse relevanten Messgrößen, von denen dies abhängt.

Wann sich PdM wirklich amortisiert

Zielgerichtetes PdM, auf spezifische Assetklassen mit ausgereiften Modellen und hohen Ausfallkosten angewendet, kann sich klar amortisieren. Die Kriterien:

• Assetklasse mit ausgereiftem Modell. Rotierende Ausrüstung mit Schwingungsanalyse ist das klassische Beispiel.
• Ausfallkosten pro Ereignis deutlich über den Sensor- und Softwarekosten. Wenn das katastrophale Ereignis das Fünffache der PdM-Investition kostet, rechtfertigt schon eine 30%ige Verhinderungsrate die Bereitstellung.
• Das aktuelle PM-Programm erwischt diesen Ausfallmodus nicht. Wenn PM-Maßnahmen bereits 70 % dieser Ausfälle verhindern, kämpft PdM um die verbleibenden 30 % — und die Rechnung wird schwieriger.
• Die Anlage hat Kapazitäten, Alarme zu untersuchen. Ein PdM-System, das Alarme erzeugt, die niemand untersucht, ist Sensordaten ohne betriebliche Konsequenz.

Anlagen, die gegen diese Kriterien zielgerichtet an instrumentierten kritischen Assets mit ausgereiften Modellen vorgehen, sehen typischerweise eine saubere Amortisation in der zielgerichteten Teilmenge. Anlagen, die werksweit ausrollen, weil der Anbieter einen Rabatt angeboten hat, sehen normalerweise keine klare Amortisation.

Die ehrliche Fallstruktur

Wenn Sie einen PdM-Vorschlag bewerten, die vier Fragen:

1. Welche Ausfallmodi deckt das ab, die unser aktuelles PM-Programm nicht erkennt? Konkrete Modi, nicht vage „Ausfälle“.
2. Auf welchen Assetklassen liefert das Modell tatsächlich die behauptete Genauigkeit? Anbieter-Beispiele auf ähnlichen Assets, nicht aggregierte Genauigkeitsaussagen.
3. Wie hoch ist die projizierte falsch-positive Rate und wie hoch sind die Untersuchungskosten pro falsch-positivem Alarm? Multiplizieren Sie diese Größen durch.
4. Können wir das System an drei Assets für ein Quartal testen, bevor wir uns zur vollständigen Einführung verpflichten? Anbieterwiderstand hier ist selbst diagnostisch.

Spezifische und verteidigungsfähige Antworten deuten auf ein lohnendes Projekt hin. Vage Antworten deuten auf ein Projekt hin, das das Betreiberteam im zweiten Jahr enttäuschen wird. Der Artikel zum System für Arbeitsauftragsverwaltung erläutert, wie die zielgerichteten PdM-Alarme in den bestehenden Arbeitsauftragsfluss integriert werden.

Wie Fabrico sich einfügt

Fabrico wirbt nicht mit einer werksweiten PdM-Lösung. Die Plattform soll die operative Datenschicht sein, auf die jedes PdM-Projekt, ob vom Anbieter oder inhouse, aufgesetzt wird. Ausfallmodi, Asset-Hierarchie, Integration in Arbeitsaufträge, die Schleife zur Untersuchung falsch-positiver Alarme — all das braucht eine stabile Grundlage, bevor PdM Wert liefern kann. Um zu sehen, wie ein zielgerichtetes PdM-Projekt zu Ihren aktuellen Betriebsdaten passt, buchen Sie eine Demo.

Häufig gestellte Fragen

Irreführen Anbieter absichtlich mit diesen ROI-Zahlen?

Normalerweise nicht. Anbieter verwenden Benchmark-Fälle aus ihren Best-Case-Implementierungen. Die Diskrepanz entsteht, weil die Situation der Käufer durchschnittlicher ist als der Benchmark. Lesen Sie jede Fallstudie als „Best Case für den günstigsten Kunden des Anbieters“ und passen Sie die Erwartungen entsprechend an.

Wie sieht es mit KI-basierter Predictive Maintenance aus — ist das besser?

Der Begriff „KI“ umfasst Modelle von wirklich anspruchsvoll bis zu umetikettierten Schwellenwertregeln. Der ehrliche Test ist derselbe: Fragen Sie nach den falsch-positiven Raten für die Assetklassen, die Sie tatsächlich haben, nicht nach einem generischen Benchmark.

Sollten wir überhaupt PdM einsetzen?

Ja, in richtigem Umfang. Zielgerichtetes PdM für rotierende Ausrüstung mit ausgereiften Schwingungsmodellen ist für die meisten mittelständischen Anlagen eine vertretbare Investition. Werksweite PdM-Rollouts sind es in der Regel nicht.

Wie lange sollte der richtige Pilot dauern?

Ein Quartal, drei Assets, mit vor Beginn des Piloten definierten Erfolgskriterien. Kürzere Piloten sammeln nicht genügend Ausfallereignisse, um die Modellgenauigkeit zu messen; längere Piloten verzögern die Einführungsentscheidung über den Zeitpunkt hinaus, an dem Preisdruck seitens des Anbieters relevant ist.

Was ist der häufigste Implementierungsfehler?

Sich zur werksweiten Einführung zu verpflichten, bevor die Modellleistung an der eigenen Asset-Population validiert wurde. Die Genauigkeitsaussagen des Anbieters sind meist für einige Assetklassen zutreffend und für andere nicht — und die einzige Möglichkeit, herauszufinden, welche das sind, ist ein Test an Ihren Assets, nicht an den Assets des Anbieters.