Predictive Maintenance

Eine belastbare Datenarchitektur ist die Voraussetzung für eine erfolgreiche Predictive-Maintenance-Strategie. Universitäten sollten vor der Installation von Sensoren definieren, welche Daten benötigt werden, wo sie gespeichert werden, wer Zugriff erhält, wie die Daten validiert werden und wie sie in bestehende Facility-Management-Prozesse eingebunden werden.

Das Datenmanagement muss klare Standards enthalten. Dazu gehören einheitliche Anlagenkennzeichnungen, konsistente Namenskonventionen, strukturierte Datenfelder, definierte Messintervalle und verbindliche Qualitätsprüfungen. Fehlerhafte, doppelte oder unvollständige Daten können Prognosen verfälschen und zu falschen Wartungsentscheidungen führen.

Ein weiterer zentraler Punkt ist die Datensicherheit. Technische Gebäudedaten können sensible Informationen über Infrastruktur, Nutzungsmuster und kritische Versorgungssysteme enthalten. Daher sind rollenbasierte Zugriffsrechte, verschlüsselte Datenübertragung, sichere Schnittstellen, regelmäßige Systemprüfungen und klare Verantwortlichkeiten zwischen Facility Management, IT-Abteilung und externen Dienstleistern erforderlich.

Betriebsdaten zeigen, wie technische Anlagen unter realen Bedingungen arbeiten. Für das Facility Management sind sie besonders wertvoll, weil sie Abweichungen zwischen geplantem und tatsächlichem Betrieb sichtbar machen. Eine Lüftungsanlage kann zum Beispiel technisch funktionsfähig sein, aber aufgrund falscher Regelparameter unnötig hohe Energieverbräuche verursachen. Ebenso kann eine Pumpe noch laufen, obwohl steigende Vibrationen bereits auf Lagerprobleme hinweisen.

Die Integration der Sensordaten in bestehende Systeme ist entscheidend. Sensoren sollten nicht isoliert betrieben werden, sondern mit Building Management Systems, Computerized Maintenance Management Systems und gegebenenfalls CAFM-Plattformen verbunden sein. Dadurch können Messwerte automatisch überwacht, Grenzwertverletzungen dokumentiert und Wartungsaufträge ohne Medienbruch ausgelöst werden.

Die Datenerfassungsfrequenz sollte nicht für alle Anlagen gleich festgelegt werden. Kritische Laborinfrastruktur, Reinraumbereiche, Kälteanlagen oder sicherheitsrelevante Systeme benötigen oft engmaschigere Messintervalle. Allgemeine Gebäudetechnik, die weniger kritisch ist, kann mit längeren Intervallen überwacht werden. Entscheidend ist ein ausgewogenes Verhältnis zwischen Datenqualität, Systembelastung, Speicherkosten und betrieblichem Nutzen.

Universitätsspezifische Faktoren müssen in die Bewertung einfließen. Dazu gehören Vorlesungszeiten, Prüfungsphasen, Semesterferien, Forschungsbetrieb, Veranstaltungen, Belegungsdichte und saisonale Nutzung. Ein erhöhter Energieverbrauch während einer Großveranstaltung kann normal sein, während derselbe Verbrauch in einer unbelegten Ferienwoche auf eine Fehlfunktion hinweisen kann. Ohne Kontextdaten besteht die Gefahr, normale Betriebssituationen falsch zu interpretieren.

Die Zustandsbewertung dient dazu, den technischen Gesundheitszustand von Anlagen nachvollziehbar, vergleichbar und priorisierbar zu machen. Sie kombiniert Sensordaten mit Inspektionsergebnissen, Wartungshistorie, Betriebsstunden, Herstellerangaben und Erfahrungswerten des Facility-Management-Teams.

Für eine objektive Priorisierung sollte ein Condition Index eingeführt werden. Dieser Index bewertet Anlagen anhand definierter Kriterien, zum Beispiel von 1 bis 5 oder von 0 bis 100. Eine hohe Punktzahl kann einen guten Zustand anzeigen, während eine niedrige Punktzahl auf erhöhten Handlungsbedarf hinweist. Die Bewertung sollte transparent dokumentiert werden, damit Instandhaltungsentscheidungen fachlich begründet und gegenüber Hochschulleitung, Budgetverantwortlichen und Nutzern nachvollziehbar sind.

Die Zustandsbewertung sollte außerdem mit einer Kritikalitätsbewertung kombiniert werden. Nicht jede Anlage mit schlechterem Zustand hat automatisch höchste Priorität. Ein kleiner Ventilator in einem Nebenraum kann weniger kritisch sein als eine Kältemaschine für ein Forschungslabor, auch wenn beide technische Auffälligkeiten zeigen. Priorität erhalten Anlagen, bei denen schlechter Zustand, hohe Ausfallwahrscheinlichkeit und hohe betriebliche Auswirkung zusammentreffen.

Early Warning Indicators sind definierte Frühwarnmerkmale, die auf eine mögliche Verschlechterung oder einen bevorstehenden Ausfall hinweisen. Sie helfen dem Facility Management, rechtzeitig einzugreifen, bevor eine Störung den Gebäudebetrieb beeinträchtigt oder hohe Folgekosten verursacht.

Die Festlegung von Frühwarnindikatoren muss sorgfältig erfolgen. Zu enge Grenzwerte führen zu unnötigen Alarmen und belasten das Wartungsteam. Zu weite Grenzwerte können dazu führen, dass kritische Entwicklungen zu spät erkannt werden. Daher sollten Grenzwerte auf Herstellerangaben, historischen Wartungsdaten, Messreihen, Anlagenkritikalität und praktischer Betriebserfahrung basieren.

Ein wirksames Frühwarnsystem sollte direkt in die Arbeitsabläufe des Facility Managements eingebunden werden. Sobald ein Indikator ausgelöst wird, sollte das System automatisch eine Meldung erzeugen, die betroffene Anlage identifizieren, Messwerte darstellen, Priorität zuweisen und eine empfohlene Maßnahme vorschlagen. Bei kritischen Anlagen kann zusätzlich ein Wartungsauftrag im CMMS erstellt werden.

Wichtig ist auch die Rückmeldung nach der Bearbeitung. Wenn ein Techniker bestätigt, dass ein Alarm tatsächlich auf einen beginnenden Defekt hingewiesen hat, verbessert dies die Qualität zukünftiger Auswertungen. Wenn ein Alarm unbegründet war, sollten Schwellenwerte oder Analysemodelle angepasst werden. So entsteht ein kontinuierlicher Verbesserungsprozess.

Künstliche Intelligenz erweitert Predictive Maintenance, indem große Datenmengen analysiert und Zusammenhänge erkannt werden, die in klassischen Inspektions- oder Regelprozessen kaum sichtbar sind. Während einfache Grenzwerte einzelne Messpunkte betrachten, können KI-gestützte Modelle komplexe Muster aus Betriebsdaten, Wartungshistorie, Umgebungsbedingungen und Anlagenverhalten kombinieren.

Für den praktischen Einsatz im Facility Management müssen KI-Modelle nachvollziehbar, überprüfbar und betrieblich nutzbar sein. Ein Modell, das lediglich eine Ausfallwahrscheinlichkeit ausgibt, reicht häufig nicht aus. Die Instandhaltungsteams benötigen zusätzlich Informationen darüber, welche Messwerte auffällig sind, welche Komponente betroffen sein könnte und welche Maßnahme empfohlen wird.

Die Datenqualität ist entscheidend. KI-Modelle benötigen saubere, vollständige und richtig zugeordnete Daten. Historische Wartungsberichte sollten daher möglichst strukturiert erfasst werden. Freitext allein ist für Analysen oft schwer nutzbar. Sinnvoll sind standardisierte Fehlercodes, Ursachenklassifikationen, Maßnahmenarten, Ersatzteilinformationen und Rückmeldungen zur Wirksamkeit der Reparatur.

KI-Modelle sollten regelmäßig aktualisiert werden. Universitätsgebäude verändern sich durch Sanierungen, neue Nutzungskonzepte, geänderte Belegungsprofile, neue Forschungseinrichtungen oder angepasste Betriebsstrategien. Modelle, die nicht nachgeführt werden, können im Laufe der Zeit an Genauigkeit verlieren. Deshalb sollte das Facility Management klare Verantwortlichkeiten für Modellpflege, Ergebnisprüfung und Systemfreigabe definieren.

Die Einführung von Predictive-Maintenance-Sensoren muss wirtschaftlich begründet werden. Neben technischen Vorteilen sind Investitionskosten, Betriebskosten, Einsparpotenziale, Risikoreduzierung und strategische Effekte zu bewerten. Universitäten verfügen häufig über begrenzte Budgets und müssen Investitionen gegenüber internen Entscheidungsträgern plausibel darstellen.

Die Wirtschaftlichkeitsanalyse sollte nicht nur direkte Reparaturkosten betrachten. In Universitäten können Ausfälle indirekte Kosten verursachen, etwa durch unterbrochene Forschungsreihen, abgesagte Lehrveranstaltungen, Einschränkungen im Laborbetrieb, Komfortbeschwerden, Sicherheitsrisiken oder Reputationsschäden. Diese Auswirkungen sollten in der Bewertung berücksichtigt werden, auch wenn sie nicht immer exakt monetär beziffert werden können.

Ein gestuftes Vorgehen ist empfehlenswert. Zunächst sollte ein Pilotprojekt mit ausgewählten, kritischen Anlagen durchgeführt werden. Geeignete Pilotbereiche sind zum Beispiel eine Lüftungszentrale, eine Kälteanlage, ein Laborgebäude oder ein Wohnheim mit hohem Energieverbrauch. Im Pilotprojekt werden technische Funktion, Datenqualität, Alarmverhalten, Prozessintegration und tatsächlicher Nutzen bewertet.

Nach Abschluss des Piloten können Kostenmodelle angepasst werden. Dabei sollte geprüft werden, welche Sensoren tatsächlich Mehrwert liefern, welche Daten redundant sind, welche Schnittstellen stabil funktionieren und welche organisatorischen Anpassungen erforderlich sind. Erst danach sollte eine campusweite Einführung geplant werden.

Eine erfolgreiche Implementierung erfordert einen strukturierten, phasenweisen Ansatz. Predictive Maintenance ist kein reines IT- oder Sensorprojekt, sondern eine Veränderung der Instandhaltungsstrategie. Deshalb muss die Einführung eng mit bestehenden Facility-Management-Prozessen, Verantwortlichkeiten und Entscheidungswegen verbunden werden.

Der erste Schritt ist die Anlagenkritikalitätsbewertung. Dabei werden technische Systeme nach Ausfallrisiko, Bedeutung für Lehre und Forschung, Sicherheitsrelevanz, Wiederbeschaffungskosten, Energieverbrauch und regulatorischer Bedeutung bewertet. Auf dieser Grundlage werden die Anlagen ausgewählt, bei denen Predictive Maintenance den größten Nutzen erwarten lässt.

Anschließend sollte ein Umsetzungskonzept erstellt werden. Dieses umfasst Sensorarten, Messpunkte, Datenflüsse, Schnittstellen, Alarmregeln, Zuständigkeiten, Wartungsprozesse, Schulungsbedarf und Bewertungskennzahlen. Die Anforderungen sollten gemeinsam mit Facility Management, IT, Arbeitssicherheit, Datenschutz, Beschaffung, externen Dienstleistern und betroffenen Nutzergruppen abgestimmt werden.

Schulung und Change Management sind zentrale Erfolgsfaktoren. Techniker, Objektleiter und Facility-Management-Verantwortliche müssen verstehen, wie Sensordaten interpretiert, Alarme bewertet und Wartungsentscheidungen dokumentiert werden. Ebenso müssen Nutzerbereiche wissen, welche Vorteile das System bringt und wie Eingriffe in den Gebäudebetrieb kommuniziert werden.

Die Zusammenarbeit zwischen Facility Management und IT ist besonders wichtig. Während das Facility Management die betrieblichen Anforderungen und Anlagenkenntnis einbringt, stellt die IT sichere Netzwerke, Datenmanagement, Schnittstellen und Systemverfügbarkeit sicher. Nur durch klare Zuständigkeiten und regelmäßige Abstimmung kann ein zuverlässiges Predictive-Maintenance-System entstehen.