KI-Vibrationsanalyse: Maschinenzustand praezise erkennen

TL;DR

KI-gestuetzte Vibrationsanalyse erkennt Lagerschaeden, Unwuchten und Ausrichtungsfehler bis zu 6 Wochen vor dem Ausfall. Mittelstaendische Fertiger senken ungeplante Stillstaende um 73 % und sparen durchschnittlich €185.000 pro Jahr. Der Einstieg gelingt mit 3 Sensoren pro Maschine und einem Edge-Gateway ab €12.000.

Warum Vibrationsanalyse mit KI den Unterschied macht

Jede rotierende Maschine erzeugt ein Schwingungsmuster. Solange Lager, Wellen und Kupplungen intakt sind, bleibt dieses Muster stabil. Sobald ein Defekt entsteht, aendert sich das Frequenzspektrum – oft Wochen bevor der Mensch etwas hoert oder die Temperatur steigt.

Klassische Grenzwert-Ueberwachung nach ISO 10816 meldet erst, wenn die Amplitude einen festen Schwellenwert ueberschreitet. Zu diesem Zeitpunkt ist der Schaden bereits fortgeschritten. KI-Vibrationsanalyse arbeitet anders: Machine-Learning-Modelle lernen das individuelle Normalverhalten jeder Maschine und erkennen subtile Abweichungen in Echtzeit.

Ein Praezisionsdrehteile-Hersteller aus Baden-Wuerttemberg (82 Mitarbeiter) hat 2025 KI-Vibrationsanalyse an 14 CNC-Spindeln eingefuehrt. Das Ergebnis nach 12 Monaten:

• 73 % weniger ungeplante Stillstaende (von 22 auf 6 Vorfaelle pro Jahr)
• €185.000 eingesparte Reparatur- und Ausfallkosten
• Restlebensdauer-Prognose mit 89 % Genauigkeit
• Wartungsintervalle um 31 % verlaengert, weil intakte Lager nicht mehr prophylaktisch getauscht werden

Wie KI-Vibrationsanalyse technisch funktioniert

Der Prozess gliedert sich in vier Stufen: Datenerfassung, Signalverarbeitung, KI-Analyse und Handlungsempfehlung.

Stufe 1: Sensorik und Datenerfassung

Triaxiale MEMS-Beschleunigungssensoren messen Schwingungen in drei Achsen mit Abtastraten zwischen 10 und 25 kHz. Fuer Standardmaschinen genuegen piezoelektrische Sensoren mit ICP-Schnittstelle; fuer Hochfrequenzanwendungen (Spindeln, Schnelllaufer) werden kapazitive Sensoren mit Bandbreiten bis 50 kHz eingesetzt.

Pro Maschine werden typischerweise 2-4 Messpunkte instrumentiert: Antriebslager, Abtriebslager und bei Bedarf Getriebe oder Kupplung. Die Sensoren uebertragen Rohdaten per Kabel oder drahtlos (Bluetooth 5.0, IO-Link Wireless) an ein Edge-Gateway.

Stufe 2: Signalverarbeitung

Das Edge-Gateway fuehrt eine Fast Fourier Transformation (FFT) durch und zerlegt das Zeitsignal in sein Frequenzspektrum. Zusaetzlich berechnet es Kennwerte wie RMS-Geschwindigkeit, Crest-Faktor, Kurtosis und Envelope-Spektrum. Diese Features reduzieren die Datenmenge um Faktor 100 und ermoeglichen eine effiziente Uebertragung an die KI-Plattform.

Stufe 3: KI-Analyse

Die Kernintelligenz liegt in der Mustererkennung. Ein Autoencoder-Netzwerk lernt in der Trainingsphase (2-4 Wochen Normalbetrieb) das individuelle Schwingungsprofil jeder Maschine. Weicht das aktuelle Muster vom gelernten Normalzustand ab, steigt der Rekonstruktionsfehler – ein zuverlaessiger Indikator fuer beginnende Schaeden.

Parallel klassifiziert ein CNN (Convolutional Neural Network) den Schadenstyp anhand des Frequenzspektrums:

• Unwucht: erhoehte 1x-Drehfrequenz
• Ausrichtungsfehler: 2x-Drehfrequenz dominiert
• Lagerschaden: charakteristische BPFO/BPFI-Frequenzen
• Zahnradschaden: Zahneingriffsfrequenz und Seitenbaender
• Kavitation (bei Pumpen): breitbandiges Hochfrequenzrauschen

Stufe 4: Handlungsempfehlung

Das System gibt nicht nur eine Warnung aus, sondern eine konkrete Handlungsempfehlung: welches Bauteil betroffen ist, wie dringend die Massnahme ist und welches Zeitfenster bis zum voraussichtlichen Ausfall bleibt. Der Instandhalter erhaelt eine Push-Nachricht mit Prioritaet und geschaetzter Restlebensdauer.

YAML-Konfiguration: Vibrationsanalyse-System

# KI-Vibrationsanalyse – Basiskonfiguration Mittelstand
projekt:
  name: "Condition-Monitoring CNC-Linie"
  unternehmen: "Musterfertigung GmbH"
  maschinen_anzahl: 14
  sensoren_pro_maschine: 3

sensorik:
  typ: "triaxialer MEMS-Beschleunigungssensor"
  abtastrate_khz: 25
  frequenzbereich_hz: "2 - 12500"
  schnittstelle: "IO-Link Wireless"
  montage: "Magnetfuss oder Schraubmontage"

edge_gateway:
  hardware: "Industrial Raspberry Pi CM4"
  signalverarbeitung:
    - fft_punkte: 8192
    - fensterung: "Hanning"
    - kennwerte: ["RMS", "Crest-Faktor", "Kurtosis", "Envelope"]
  uebertragung: "MQTT an On-Premise-Server"

ki_modell:
  anomalieerkennung: "Autoencoder (PyTorch)"
  schadensklassifikation: "1D-CNN"
  trainingsphase_wochen: 4
  retraining_intervall: "quartalsweise"
  explainability: "SHAP-Werte fuer Feature-Importance"

integration:
  cmms: "SAP PM oder Wartungsplaner"
  alarmierung: "E-Mail, MS Teams Webhook"
  dashboard: "Grafana mit InfluxDB"

ROI-Berechnung fuer den Mittelstand

Die Wirtschaftlichkeit haengt von der Maschinenanzahl und den bisherigen Ausfallkosten ab. Eine konservative Beispielrechnung fuer einen Betrieb mit 10-20 Maschinen:

Fuer eine detaillierte ROI-Berechnung mit Excel-Vorlage empfehlen wir unser separates Berechnungstool.

Implementierung in 4 Schritten

Schritt 1: Kritische Maschinen identifizieren (Woche 1-2)

Erstellen Sie eine Priorisierungsmatrix: Welche Maschinen verursachen die hoechsten Ausfallkosten? Wo sind die Lieferzeiten fuer Ersatzteile am laengsten? Starten Sie mit den Top-5-Maschinen, nicht mit der gesamten Halle.

Schritt 2: Sensorik montieren und Gateway einrichten (Woche 3-4)

Die Montage eines Sensors dauert 15-30 Minuten pro Messpunkt. Waehlen Sie Messpunkte nah an Lagerstellen – nicht am Maschinengehaeuse. Ein Edge-Gateway kann bis zu 32 Sensoren verarbeiten. Stellen Sie sicher, dass eine Netzwerkverbindung (Ethernet oder WLAN) vorhanden ist.

Schritt 3: Trainingsphase durchlaufen (Woche 5-8)

Die KI benoetigt 2-4 Wochen Normalbetrieb, um das Baseline-Profil jeder Maschine zu lernen. Waehrend dieser Phase sollten die Maschinen moeglichst in verschiedenen Betriebszustaenden laufen (unterschiedliche Drehzahlen, Lasten, Werkstuecke). Markieren Sie bekannte Anomalien im System, damit das Modell ueberwacht lernen kann.

Schritt 4: Produktivbetrieb und Tuning (ab Woche 9)

Nach der Trainingsphase beginnt die Echtzeit-Ueberwachung. In den ersten 4 Wochen wird es Fehlalarme geben – erfahrungsgemaess 8-12 % der Meldungen. Durch Feedback der Instandhalter (Bestaetigung oder Ablehnung von Alarmen) lernt das Modell iterativ und erreicht nach 3 Monaten eine Praezision von ueber 92 %.

Fuer eine umfassende Einfuehrung in KI-Implementierung im Mittelstand lesen Sie unseren Schritt-fuer-Schritt-Leitfaden.

Typische Fehler bei der Einfuehrung

Sensoren am falschen Ort montiert. Ein Sensor 30 cm vom Lager entfernt auf dem Maschinengehaeuse liefert ein stark gedaempftes Signal. Die Diagnosequalitaet sinkt um 60-80 %. Regel: Sensor so nah wie moeglich an der Lagerstelle, auf einer planen, gereinigten Flaeche.

Zu kurze Trainingsphase. Wer nur 3 Tage Daten sammelt, erfasst nicht alle Betriebszustaende. Das Modell produziert spaeter massenhaft Fehlalarme bei Lastwechseln oder Materialwechseln. Mindestens 2 Wochen, besser 4 Wochen trainieren.

Kein Feedback-Loop. Wenn Instandhalter Alarme ignorieren statt zu bestaetigen oder abzulehnen, kann das Modell nicht lernen. Richten Sie einen einfachen Feedback-Mechanismus ein – ein Button im Dashboard genuegt.

IT-Sicherheit vernachlaessigt. Vibrationssensoren an Netzwerk-Gateways oeffnen potenzielle Angriffsvektoren. Segmentieren Sie das Sensornetzwerk vom Produktionsnetz (VLAN), verschluesseln Sie MQTT-Verbindungen mit TLS und aktualisieren Sie Gateway-Firmware regelmaessig.

Vergleich: Vibrationsanalyse-Methoden

Branchenspezifische Anwendungen

Metallverarbeitung: CNC-Spindeln, Pressen, Walzwerke. Spindellagerschaeden sind der haeufigste Ausfallgrund (38 % aller ungeplanten Stillstaende). KI erkennt Spindellager-Degradation 6 Wochen frueher als konventionelle Methoden.

Kunststoffverarbeitung: Spritzgiessmaschinen, Extruder, Granulatoren. Schwingungsanalyse am Extrudergetriebe verhindert Zahnradschaeden und reduziert Ausschussraten durch fruehzeitige Erkennung von Prozessinstabilitaeten.

Lebensmittelindustrie: Ruehrwerke, Pumpen, Abfuellanlagen. Hier gelten erhoehte Hygieneanforderungen – Sensoren muessen IP69K-geschuetzt sein. KI-Vibrationsanalyse vermeidet Produktkontamination durch rechtzeitige Dichtungswechsel.

Weitere Anwendungen finden Sie in unserem Komplett-Leitfaden KI fuer Unternehmen.

Kosten und Budget planen

Die Gesamtkosten fuer ein Vibrationsanalyse-Projekt im Mittelstand liegen zwischen €15.000 und €80.000, abhaengig von der Maschinenanzahl und dem gewaehlten System. Eine detaillierte Aufstellung finden Sie in unserem Budgetplanungs-Guide.

Foerderprogramme nutzen: Das BMWK-Programm „Digital Jetzt" foerdert Investitionen in KI-Loesungen mit bis zu 40 % (bis zu €50.000). Auch regionale Programme der Bundeslaender (z.B. Digitalbonus Bayern) koennen genutzt werden.

FAQ

Welche Sensoren eignen sich fuer KI-Vibrationsanalyse im Mittelstand?

Fuer die meisten Anwendungen genuegen triaxiale MEMS-Beschleunigungssensoren mit einem Frequenzbereich bis 12,5 kHz und einer Empfindlichkeit von 100 mV/g. Sie kosten €150-300 pro Stueck. Fuer Hochdrehzahl-Spindeln (>15.000 U/min) empfehlen sich kapazitive Sensoren mit Bandbreiten bis 50 kHz (€400-800). Wichtig: Schutzklasse mindestens IP67, bei Nassumgebungen IP69K.

Wie viele Daten braucht die KI fuer zuverlaessige Maschinendiagnose?

Die Trainingsphase benoetigt 2-4 Wochen Normalbetrieb bei verschiedenen Lastszenarien. Das entspricht ca. 500-2.000 Stunden Messdaten pro Maschine. Fuer die Schadensklassifikation sind zusaetzlich historische Schadensdaten hilfreich, aber nicht zwingend – Autoencoder-Modelle lernen auch rein aus Normaldaten und erkennen Abweichungen als Anomalien.

Funktioniert KI-Vibrationsanalyse auch bei langsam drehenden Maschinen?

Ja, aber mit angepasster Sensorik. Bei Drehzahlen unter 60 U/min liefern Standard-Beschleunigungssensoren kein ausreichendes Signal. Hier kommen Ultraschall-Sensoren (Acoustic Emission, 25-100 kHz) zum Einsatz, die Mikrorisse im Waelzlager fruehzeitig detektieren. Die KI-Modelle muessen entsprechend auf Envelope-Analyse im Hochfrequenzbereich trainiert werden.

Wie integriere ich Vibrationsanalyse in unser bestehendes CMMS?

Die gaengigen KI-Vibrationsplattformen bieten REST-APIs und standardisierte Schnittstellen (OPC UA, MQTT). Bei SAP PM erfolgt die Integration ueber RFC-Funktionsbausteine oder die SAP-BTP-Plattform. Der typische Workflow: Das KI-System erkennt einen Schaden, erstellt automatisch eine Instandhaltungsmeldung (IH06) in SAP mit Schadenskode, betroffener Maschine und empfohlenem Zeitfenster.

Ab welcher Betriebsgroesse lohnt sich KI-Vibrationsanalyse?

Ab 5 rotierenden Maschinen mit Ausfallkosten ueber €5.000 pro Ereignis ist die Investition wirtschaftlich sinnvoll. Der Break-Even liegt bei den meisten Mittelstaendlern bei 1-2 verhinderten ungeplanten Stillstaenden pro Jahr. Auch die Galvanik-Branche setzt auf aehnliche KI-Ansaetze – mehr dazu unter KI in der Galvanik-Prozesssteuerung.