Vorausschauende Wartung mit KI

Dank vorausschauender Wartung mittels KI können Service-leistungen besser geplant werden. Bild: Biesse Schweiz

Wartung.  Mithilfe von künstlicher Intelligenz werden Wartungs- und Serviceleistungen besser planbar. Dies durch die Interpretation von Maschinendaten. Michael Gwerder zeigt im Experteninterview, was bereits möglich ist und worauf man achten sollte.

Maschinenstillstände oder sogar Ausfälle gehören zu den teuersten Störungen im Werkstattalltag. Fällt beispielsweise eine CNC-Anlage oder eine Kantenanleimmaschine unerwartet aus, stehen nicht nur einzelne Arbeitsschritte still. Oft geraten ganze Produktionsabläufe unter Druck.

Ein Lösungsansatz, um Störungen zu vermeiden, stützt sich auf die Tatsache, dass moderne Maschinen heute bereits eine Vielzahl von Betriebs- und Zustandsdaten erfassen. Diese Informationen können genutzt werden, um Auffälligkeiten frühzeitig zu erkennen und Wartungen gezielter zu planen. Unter dem Begriff «Predictive Maintenance», also vorausschauende Wartung, gewinnt dieser Ansatz auch in der Holzbearbeitung zunehmend an Bedeutung. Doch was ist heute bereits möglich, wo liegen die Grenzen, und welchen konkreten Nutzen bringt die Technologie für Schreinerbetriebe? Über diese Fragen hat die Schreinerzeitung mit Michael Gwerder, Vertriebsleiter der Biesse Schweiz GmbH, im Experteninterview gesprochen.

SchreinerZeitung: Herr Gwerder, wenn wir über KI und Maschinenwartung sprechen, was ist heute bereits Realität und was noch Zukunftsmusik?
Michael Gwerder: Vernetzte Maschinen, Remote-Diagnosen und Condition Monitoring gehören heute bereits zum Alltag. Moderne Maschinen liefern laufend Daten zu Betriebszuständen, Laufzeiten, Belastungen oder Fehlermeldungen. Daraus lassen sich Auffälligkeiten und Trends erkennen. Predictive Maintenance beginnt dort, wo aus diesen Daten eine belastbare Prognose über die weitere Zustandsentwicklung einer Komponente abgeleitet werden kann. Eine universelle künstliche Intelligenz (KI), die für jede Maschine den exakten Ausfallzeitpunkt berechnet, bleibt hingegen Zukunftsmusik. Dafür unterscheiden sich Maschinen, Einsatzzwecke und Fehlerbilder zu stark.
Kann ein System tatsächlich erkennen, dass sich ein Problem anbahnt, bevor die Maschine stillsteht?
Ja, sofern sich ein Defekt über längere Zeit entwickelt und messbare Vorzeichen hinterlässt. Ein Lager verändert beispielsweise sein Vibrationsverhalten, ein Motor benötigt zunehmend mehr Strom oder eine Baugruppe erwärmt sich stärker als üblich. Entscheidend ist dabei die Veränderung gegenüber dem normalen Verhalten derselben Maschine. Nicht jeder Ausfall lässt sich allerdings vorhersagen. Gerade elektronische Komponenten können auch ohne erkennbare Vorzeichen ausfallen.
Welche Daten sind dafür besonders interessant?
Das hängt von der jeweiligen Komponente ab. Für mechanischen Verschleiss sind Betriebsstunden, Bewegungszyklen, Temperaturen und Vibrationen wichtige Indikatoren. Bei Motoren oder Spindeln liefern zudem Stromaufnahme, Leistung oder Drehmoment wertvolle Hinweise. Ebenso interessant sind Fehlermeldungen. Tritt dieselbe Warnung über einen längeren Zeitraum immer häufiger auf, lässt sich daraus oft ein Trend ableiten. Besonders aussagekräftig werden die Analysen, wenn mehrere Signale gemeinsam betrachtet werden.
Wie läuft Predictive Maintenance in der Praxis ab?
Am Anfang steht immer ein konkreter Anwendungsfall, beispielsweise die Überwachung einer CNC-Hauptspindel. Zuerst wird definiert, welches Fehlerbild erkannt werden soll und welche Messgrössen dafür relevant sind. Anschliessend wird ein Normalzustand der Maschine aufgebaut. Im laufenden Betrieb vergleicht das System die aktuellen Werte mit diesem Referenzwert. Werden dauerhafte Abweichungen festgestellt, folgt die Diagnose und später eine Prognose über die weitere Entwicklung. Daraus können Wartungsentscheide abgeleitet werden.
Was unterscheidet die klassische Wartung von Predictive Maintenance?
Bei der klassischen Wartung wird nach festen Intervallen gearbeitet, beispielsweise nach einer bestimmten Anzahl Betriebsstunden oder nach einem Jahr. Bei der zustandsbasierten Wartung entscheidet der aktuelle Maschinenzustand über einen Eingriff. Predictive Maintenance geht noch einen Schritt weiter und versucht vorherzusagen, wie sich der Zustand entwickeln wird und wann ein Eingriff sinnvoll ist. Vereinfacht gesagt lautet die Frage nicht mehr «Wann haben wir zuletzt gewartet?», sondern «Wann müssen wir tatsächlich handeln?».
Können Sie ein konkretes Beispiel aus der Praxis nennen?
Ein gutes Beispiel ist die Überwachung einer CNC-Hauptspindel. Dabei werden unter anderem Stromaufnahme, Temperatur, Belastung und Vibration überwacht. Eine einzelne erhöhte Temperatur ist noch kein Grund für einen Eingriff. Wenn jedoch gleichzeitig die Lagertemperatur steigt, sich das Vibrationsverhalten verändert und die Stromaufnahme zunimmt, entsteht ein deutlich stärkeres Indiz für eine mechanische Veränderung. Der Service kann die Ursache dann gezielt prüfen und die Wartung in ein geplantes Produktionsfenster legen.
Welchen konkreten Nutzen hat das für einen Schreinerbetrieb?
Der grösste Nutzen liegt in einer höheren und besser planbaren Maschinenverfügbarkeit. Ein ungeplanter Ausfall verursacht nicht nur Reparaturkosten. Mitarbeitende können nicht produktiv arbeiten, Liefertermine geraten unter Druck und die Produktion wird gestört. Predictive Maintenance hilft dabei, ungeplante Ausfälle in planbare Wartungsvorgänge umzuwandeln. Gleichzeitig lassen sich Ersatzteile, Serviceeinsätze und Wartungsfenster gezielter organisieren.
Geht es dabei nur um die Vermeidung von Stillständen?
Nein. Wenn der Zustand einer Komponente bekannt ist, können unnötige Wartungen vermieden und Ersatzteile gezielter beschafft werden. Damit profitieren die Unternehmen nicht nur bei der Verfügbarkeit ihrer Maschinen, sondern auch bei Wartungsaufwand, Lagerhaltung und Serviceplanung.
Welche Rolle spielen Vernetzung und Maschinendaten in diesem Zusammenhang?
Sie sind eine Grundvoraussetzung. Bei Biesse nutzen wir dafür die IoT-Plattform Sophia, die seit 2017 Maschineninformationen in Echtzeit erfasst und auswertet. Die Plattform unterstützt unter anderem bei der Erkennung von Fehlfunktionen und Wartungsaktivitäten. Entscheidend ist jedoch nicht allein die Datenmenge, sondern deren Qualität und eindeutige Interpretation. Nur so können verlässliche Aussagen getroffen werden.
Wo liegen aktuell die grössten Herausforderungen?
Die Datenqualität bleibt eine der wichtigsten Voraussetzungen. Unterschiedliche Maschinen, Steuerungen, Sensoren und Softwarestände erschweren die Vergleichbarkeit. Zudem braucht es für belastbare Prognosen dokumentierte Schadensfälle, die als Lernbasis dienen. Weitere Herausforderungen sind Cybersecurity, Datenhoheit und die Vermeidung von Fehlalarmen.
Wie kann ein KMU mit dem Thema starten?
Aus unserer Sicht beginnt man am besten mit einer einzelnen Maschine. Für die Nutzung genügt eine stabile Internetverbindung. Die wenigsten Schreinereien werden eigene Sensorik entwickeln oder eine eigene Überwachungsplattform aufbauen. Deshalb ist es sinnvoll, auf Lösungen von den Maschinenherstellern zurückzugreifen und sich bereits bei der Investition mit den entsprechenden Möglichkeiten auseinanderzusetzen.
Wie verändert KI die Rolle der Mitarbeitenden in der Werkstatt, aber auch im Bereich der Wartung?
Die Rolle verändert sich, sie verschwindet aber nicht. Systeme können Auffälligkeiten erkennen und Prioritäten setzen. Dadurch bleibt mehr Zeit für gezielte Analysen und technische Entscheidungen. Die Erfahrung der Mitarbeitenden bleibt jedoch auch in Zukunft unverzichtbar. Sie beurteilen die Plausibilität einer Warnung und entscheiden letztlich über die geeigneten Massnahmen.
Blicken wir fünf Jahre in die Zukunft. Wie wird die Maschinenwartung dann aussehen?
Die Wartung wird deutlich weniger reaktiv sein. Maschinen überwachen ihren Zustand laufend und melden kritische Entwicklungen frühzeitig. Die Bereiche Produktionsplanung, Ersatzteillogistik und Service werden enger zusammenspielen. Der eigentliche Wandel besteht aber nicht darin, dass Maschinen sich selbst reparieren, sondern darin, dass Betriebe früher und fundierter wissen, wo sie eingreifen müssen.
www.biesse.com

Auf einen Blick

Vorteile von Predictive Maintenance

KI repariert keine Maschinen. Sie hilft dabei, Probleme früher zu erkennen und Wartungen dann durchzuführen, wenn sie tatsächlich notwendig sind.

  • Maschinen melden Auffälligkeiten frühzeitig, bevor ein ungeplanter Stillstand entsteht.
  • Wartungen können gezielt geplant und in produktionsfreie Zeitfenster gelegt werden.
  • Ersatzteile und Serviceeinsätze lassen sich besser vorbereiten.
  • Komponenten müssen nicht mehr ausschliesslich nach festen Intervallen ersetzt werden.
  • Bereits eine einzelne vernetzte Maschine kann den Einstieg ermöglichen.
  • KI unterstützt bei der Auswertung von Maschinendaten, ersetzt aber weder den Servicetechniker noch das Fachwissen im Betrieb.

Der grösste Nutzen liegt in einer höheren Maschinenverfügbarkeit und einer besseren Planbarkeit der Produktion.

Noah Gautschi, NJG

Veröffentlichung: 22. Oktober 2026 / Ausgabe 43/2026

Bildstrecken

   

Artikel zum Thema

22. Oktober 2026

Grundlage jeder Produktion

Massgebend.  Selbst ein einfacher Korpus mit Tür und Tablar kann nicht ohne konkrete Vorgaben hergestellt werden, weshalb über alle Ausbildungsstufen eine einheitliche Planung vermittelt wird. Mit dem neuen Bildungssystem sind die Ansprüche diesbezüglich sogar gestiegen.

mehr
22. Oktober 2026

Stimmen aus der Branche

Branchenstatement.  Die Digitalisierung und künstliche Intelligenz sind auch in der hölzigen Branche angekommen. Die Schreinerzeitung hat nachgefragt, wie diese im Praxisalltag genutzt werden und wo die Chancen und die Gefahren liegen.

mehr

weitere Artikel zum Thema:

Digitalisierung