Instandhaltung im Maschinenbau: Warum Wissen über Verfügbarkeit entscheidet

Predictive Maintenance im Maschinenbau löst die Hälfte des Problems

Predictive Maintenance hat die Instandhaltung grundlegend verändert. Maschinen liefern heute kontinuierlich Zustandsdaten und Sensoren erfassen beispielsweise Temperatur, Vibration, Druck oder Stromaufnahme. Künstliche Intelligenz kann daraus Muster erkennen und Anomalien frühzeitig identifizieren.
Somit können Unternehmen Probleme erkennen, bevor eine Maschine tatsächlich ausfällt. Dadurch wird die Instandhaltung planbarer, Wartungsmaßnahmen lassen sich gezielter vorbereiten und ungeplante Stillstände können vermieden werden.

Predictive Maintenance beantwortet im wesentlichen eine Frage: Wann droht ein Problem?

Daraus ergibt sich für die Mitarbeitenden Shopfloor: Was tun wir jetzt?

Ein erkannter Fehler ist noch keine gelöste Störung und zwischen Anomalie und Wiederanlauf liegen Diagnose, Ursachenanalyse sowie die Auswahl der richtigen Maßnahme. Somit entsteht an dieser Stelle eine Lücke zwischen Maschinendaten und Handlungswissen. 

Das Wissen ist da. Aber nicht dort, wo es gebraucht wird.

Maschinendaten zeigen, was an einer Anlage passiert, aber nicht automatisch, welche Maßnahme bei einem vergleichbaren Fehler erfolgreich war. Dabei ist dieses Wissen in Unternehmen meist längst vorhanden und steckt in Wartungs- und Reparaturprotokollen, Servicefällen, Technischen Dokumentationen, Checklisten und vor allem im Erfahrungswissen der Mitarbeitenden.

Allerdings sind diese Informationen häufig getrennt voneinander und nicht als zusammenhängendes Wissen verfügbar. Eine Betriebsanleitung beschreibt, wie eine Maschine funktionieren soll. Ein Wartungsprotokoll zeigt, was bei einer konkreten Störung tatsächlich gemacht wurde. Und erfahrene Instandhaltende wissen womöglich, welches scheinbar nebensächliche Symptome auf bestimmte Ursachen hindeuten.

Erst das Zusammenspiel dieser Informationen macht Wissen für die konkrete Situation wertvoll.

Eine Arbeit des Fraunhofer IML zeigt, dass relevantes Instandhaltungswissen häufig gar nicht oder nur unstrukturiert dokumentiert ist, und im Bedarfsfall nur mit erheblichem Aufwand zugänglich wird.

Damit stellt sich im Störungsfall eine entscheidende Frage: Finde ich ein Dokument oder eine Lösung?

Hier setzt intelligentes Wissensmanagement an. Es verbindet unterschiedliche Wissensquellen und stellt sie im Kontext der konkreten Situation bereit. KI kann dabei Wartungsfälle, technische Dokumentationen, Checklisten und Erfahrungswissen zusammenführen und daraus einen relevanten Lösungsweg ableiten.

Aus verstreuten Informationen wird somit handlungsrelevantes Wissen.

Wenn Erfahrungswissen zum Produktionsfaktor im Maschinenbau wird

Besonders deutlich wird das bei erfahrenen Mitarbeitenden. Sie können Fehler häufig aufgrund jahrelanger Erfahrung schnell einordnen und wissen, welche Prüfung oder Maßnahme als Nächstes sinnvoll ist. Doch dieses Wissen lässt sich nicht einfach ersetzen, wenn Mitarbeitende ausscheiden, den Standort wechseln oder nicht verfügbar sind.

Für McKinsey ist der Verlust von kritischem Erfahrungswissen eine der größten Herausforderungen in der modernen Instandhaltung. Gleichzeitig werden Maschinen komplexer und erfordern neue digitale Kompetenzen. Wissensmanagement wird zu einem operativen Faktor, weil es Erfahrungswissen für das gesamte Team nutzbar macht – unabhängig davon, welcher Experte gerade verfügbar ist.

An dieser Stelle wird Expertenwissen zur Grundlage dafür, dass auch andere Kollegen schneller und sicherer handeln können.

KI macht Wissen in der Instandhaltung handlungsfähig

Die Bedeutung von KI wird in der Instandhaltung immer größer. KI kann nicht nur erkennen, dass bestimmte Daten auf eine Anomalie hindeuten. Sie kann vorhandenes Unternehmenswissen analysieren, Zusammenhänge herstellen und relevante Lösungswege für eine konkrete Situation bereitstellen.

Die Forschung zeigt zunehmend das Potenzial solcher wissensbasierten Assistenzsysteme. In einem Forschungsprojekt zur industriellen Instandhaltung wurden beispielsweise Wissensbestände, Produktionsdaten und konkrete Instandhaltungsaufgaben miteinander verknüpft. Ziel war es, Mitarbeitern genau das Wissen bereitzustellen, das sie für ihre jeweilige Aufgabe benötigen. Damit entsteht ein neues Zusammenspiel:

Die Maschine liefert den Kontext.
Die Daten zeigen die Abweichung.
Das Wissensmanagement liefert die Erfahrung.
KI verbindet alles und unterstützt bei der nächsten Handlung.

Der Wert entsteht nicht durch KI allein, sondern dort, wo sie auf relevantes, strukturiertes und zugängliches Unternehmenswissen trifft. Für die Produktion hat diese Verbindung einen sehr konkreten Effekt: Wissen wird vom persönlichen Erfahrungswert von einzelnen Mitarbeitenden zu einer Ressource, die im gesamten Unternehmen genutzt werden kann.

Damit lassen sich Störungen schneller einordnen, weil relevante Informationen nicht erst mühsam zusammengesucht werden müssen. Bewährte Lösungswege können über Schichten und Standorte hinweg genutzt werden. Und Expertenwissen bleibt verfügbar, auch wenn der entsprechende Mitarbeiter gerade nicht vor Ort ist.
Damit wird Wissensmanagement zu einem direkten Produktivitätshebel der Instandhaltung.