KI-Aufzugswartung: Predictive Maintenance Lifte

TL;DR

KI-basierte Aufzugswartung mit Predictive Maintenance reduziert ungeplante Ausfälle um 55% und senkt Wartungskosten um 25%. Ein mittelständischer Aufzugservice mit 1.800 betreuten Anlagen sparte €320.000 jährlich durch vorausschauende Wartung statt starrer Intervalle. Sensoren erkennen Verschleiß 4–6 Wochen vor dem Ausfall.

Aufzugswartung in Deutschland: Zahlen und Herausforderungen

Deutschland betreibt rund 840.000 Aufzugsanlagen. Die Betriebssicherheitsverordnung (BetrSichV) schreibt regelmäßige Prüfungen und Wartungen vor. Trotzdem fallen Aufzüge durchschnittlich 4–6 Mal pro Jahr ungeplant aus – mit Stillstandzeiten von 8–48 Stunden pro Ausfall.

Für Betreiber bedeutet jeder Ausfall: verärgerte Mieter, Produktivitätsverlust in Bürogebäuden und im schlimmsten Fall Personenrettungen mit Feuerwehreinsatz (Kosten: €1.500–3.000 pro Einsatz). KI-Aufzugswartung mit Predictive Maintenance verhindert diese Ausfälle, indem sie Probleme erkennt, bevor sie entstehen.

Der Ansatz funktioniert ähnlich wie Verschleißerkennung in der Produktion – Sensordaten verraten den Zustand lange vor dem sichtbaren Defekt.

Wie Predictive Maintenance für Aufzüge funktioniert

Sensorik im Aufzugsschacht

Moderne KI-Aufzugswartung nutzt 8–12 Sensoren pro Anlage:

• Vibrationssensoren: Am Antrieb und an den Führungsschienen. Ungewöhnliche Schwingungsmuster deuten auf verschlissene Lager oder lockere Führungsschuhe hin.
• Temperatursensoren: Am Motor und an der Steuerungselektronik. Überhitzung kündigt Motorschäden 2–4 Wochen vorher an.
• Stromsensoren: Leistungsaufnahme des Antriebs. Steigender Energieverbrauch signalisiert erhöhte Reibung durch verschlissene Tragmittel.
• Türsensoren: Öffnungs- und Schließzeiten. 70% aller Aufzugsstörungen betreffen die Türmechanik.
• Positionssensoren: Bündigkeitsabweichung an den Haltestellen. Verschleiß an Bremse oder Seil zeigt sich durch unpräzise Positionierung.

KI-Analyse der Sensordaten

Die KI verarbeitet pro Aufzug täglich 2–5 GB Sensordaten. Machine-Learning-Modelle vergleichen aktuelle Muster mit historischen Ausfalldaten und berechnen die Restlebensdauer kritischer Komponenten.

# Beispiel: KI-Aufzugswartung Monitoring-Konfiguration
aufzug_predictive_maintenance:
  sensorik:
    vibration:
      position: ["Antrieb", "Führungsschienen oben/unten"]
      abtastrate: "10 kHz"
      schwellenwert_warnung: "2.5 mm/s RMS"
    temperatur:
      position: ["Motor", "Steuerung", "Schachtgrube"]
      messintervall: "60 Sekunden"
    strom:
      messung: "3-Phasen-Leistungsaufnahme"
      aufloesung: "100 ms"
    tuermechanik:
      oeffnungszeit_soll: "3.2 Sekunden"
      toleranz: "±0.5 Sekunden"
      kraft_soll: "150 N max."

  ki_modell:
    algorithmus: "LSTM + Random Forest Ensemble"
    trainingszeit: "6 Monate historische Daten"
    vorhersage_horizont: "4-6 Wochen"
    komponenten:
      - "Tragmittel (Seile/Riemen): Restlebensdauer"
      - "Türantrieb: Verschleißgrad"
      - "Führungsschuhe: Austauschzeitpunkt"
      - "Bremse: Bremsbelag-Zustand"
      - "Steuerung: Elektronik-Anomalien"

  alarmierung:
    stufe_1: "Empfehlung: Wartung in 4-6 Wochen planen"
    stufe_2: "Warnung: Wartung in 1-2 Wochen erforderlich"
    stufe_3: "Kritisch: Sofortige Inspektion empfohlen"

Praxisbeispiel: Aufzugsservice aus Nordrhein-Westfalen

Ein mittelständischer Aufzugsservice mit 45 Mitarbeitenden betreute 1.800 Anlagen im Ruhrgebiet – Wohngebäude, Bürokomplexe und Einkaufszentren. Der Jahresumsatz lag bei €6,2 Mio.

Ausgangslage

• Ungeplante Ausfälle: 7.200/Jahr (4 pro Anlage)
• Durchschnittliche Reparaturzeit: 12 Stunden
• Notrufeinsätze: 840/Jahr
• Wartungskosten: €2,8 Mio./Jahr
• Kundenzufriedenheit (NPS): 22

Einführung der KI-Aufzugswartung

Das Unternehmen rüstete 400 Anlagen (22%) mit IoT-Sensorik nach. Investition: €180.000 für Hardware (€450/Anlage) plus €36.000/Jahr Softwarelizenz für die KI-Plattform. Die Budgetplanung für das KI-Projekt berücksichtigte auch €25.000 Schulungskosten für die 12 Servicetechniker.

Die KI-Implementierung startete mit 50 Anlagen in einem Pilotprojekt (8 Wochen), bevor die Ausweitung auf 400 Anlagen folgte.

Ergebnisse nach 14 Monaten (400 Anlagen)

Die Gesamtersparnis lag bei €320.000/Jahr für die 400 nachgerüsteten Anlagen. Bei Gesamtkosten von €216.000 im ersten Jahr (Hardware + Software + Schulung) amortisierte sich die Investition nach 9 Monaten.

Bemerkenswert: Die kürzere Reparaturzeit resultierte daraus, dass Techniker mit der KI-Diagnose bereits vor der Anfahrt wussten, welches Ersatzteil sie brauchen – in 78% der Fälle wurde beim ersten Besuch repariert (vorher: 45%).

KONE, Schindler & Co.: Was die Großen machen

Die internationalen Aufzugshersteller setzen massiv auf KI-Aufzugswartung:

• KONE: 24/7-Monitoring von 1,4 Mio. Anlagen weltweit über die IBM-Watson-Plattform. Ergebnis: 60% weniger Ausfallzeit.
• Schindler: Ahead-Plattform mit Predictive Maintenance für 1 Mio. Anlagen. KI erkennt 90% der Störungen vorab.
• thyssenkrupp: MAX-Lösung auf Microsoft Azure. Predictive Maintenance für 120.000+ Anlagen.
• Otis: Otis ONE cloudbasierte IoT-Plattform mit Echtzeit-Monitoring.

Für mittelständische Aufzugsservicefirmen bedeutet das: Wer nicht in KI-Aufzugswartung investiert, verliert Wartungsverträge an die Hersteller. Die eigene KI-Lösung ist die Antwort – und der ROI ist kalkulierbar.

Nachrüstung von Bestandsanlagen

85% der deutschen Aufzüge sind Bestandsanlagen ohne digitale Sensorik. Die Nachrüstung ist technisch unkompliziert:

Plug-and-Play-Sensormodule

Kabellose Sensoren (batteriebetrieben, 5 Jahre Laufzeit) werden an Antrieb, Türmechanik und Führungsschienen befestigt. Keine Eingriffe in die Aufzugssteuerung nötig – die Sensoren messen passiv.

Nachrüstkosten pro Anlage

Bei durchschnittlichen Einsparungen von €800–1.200 pro Anlage und Jahr durch vermiedene Notfalleinsätze und optimierte Wartungsintervalle ist der Business Case selbst für einzelne Anlagen positiv.

Datenplattformen für mittelständische Aufzugsservices

Nicht jeder Aufzugsservice muss eine eigene KI-Lösung bauen. Spezialisierte Plattformen bieten Predictive Maintenance als Service:

• Augury: Vibrationsanalyse mit KI-Diagnose. Ab €20/Anlage/Monat. Fokus auf rotierende Maschinen, gut geeignet für Aufzugsantriebe.
• Uptake: Industrielle KI-Plattform mit branchenspezifischen Modellen. Ab €30/Anlage/Monat. Umfassende Analysefunktionen.
• IoT-Connector (Eigenentwicklung): Sensordaten sammeln, in Azure/AWS analysieren. Initialkosten €40.000–80.000, dafür volle Kontrolle über Daten und Algorithmen.

Für Betriebe mit unter 500 Anlagen empfiehlt sich eine Plattformlösung. Ab 500 Anlagen kann eine Eigenentwicklung wirtschaftlicher sein.

Regulatorische Vorteile der KI-Aufzugswartung

Die BetrSichV fordert eine „Prüfung nach dem Stand der Technik". KI-basiertes Monitoring gilt zunehmend als Best Practice:

• ZÜS-Prüfungen: Lückenlose Sensordaten vereinfachen die Dokumentation für die Zugelassene Überwachungsstelle (TÜV, DEKRA).
• Betreiberverantwortung: Nachweisbare vorausschauende Wartung reduziert das Haftungsrisiko bei Unfällen.
• Versicherungsprämien: Erste Versicherer bieten 10–15% Rabatt auf Betriebshaftpflicht bei nachgewiesenem Predictive-Maintenance-System.

FAQ

Welche Aufzugstypen eignen sich für KI-Predictive-Maintenance?

Grundsätzlich alle Aufzugstypen – Seil-, Hydraulik- und Zahnstangenaufzüge. Am meisten profitieren stark frequentierte Anlagen (>100 Fahrten/Tag) in Bürogebäuden, Hotels und Einkaufszentren. Bei Wohngebäuden mit 20–30 Fahrten/Tag ist die Datenmenge geringer, aber die KI liefert auch hier nach 3–4 Monaten zuverlässige Vorhersagen.

Braucht man Internetzugang im Aufzugsschacht?

Die Sensordaten werden per Gateway über Mobilfunk (4G/LTE) oder das Gebäude-WLAN übertragen. Datenvolumen: 50–200 MB pro Anlage und Monat. In Tiefgaragen ohne Mobilfunkempfang funktioniert die Übertragung über kabelgebundene Ethernet-Anbindung des Gateways.

Wie verhält sich KI-Wartung zur vorgeschriebenen Regelwartung?

KI-Aufzugswartung ersetzt die gesetzlich vorgeschriebene Regelwartung nicht – sie ergänzt sie. Die BetrSichV schreibt mindestens eine Wartung pro Quartal vor. Die KI optimiert den Umfang: Statt bei jeder Wartung alle Komponenten zu prüfen, fokussieren sich Techniker auf die Bauteile, bei denen die KI Verschleiß erkennt. Das spart 30–40% der Wartungszeit.

Was passiert bei einem Fehlalarm der KI?

In den ersten 6 Monaten liegt die False-Positive-Rate bei 12–15%. Nach 12 Monaten sinkt sie auf unter 5%. Jeder Fehlalarm wird zurückgemeldet und verbessert das Modell. Ein Fehlalarm bedeutet im schlimmsten Fall eine unnötige Inspektion – kein Sicherheitsrisiko. Das Risiko eines übersehenen Defekts (False Negative) liegt unter 2%.

Können mittelständische Aufzugsfirmen mit KONE und Schindler konkurrieren?

Ja – gerade bei Bestandsanlagen. Die Hersteller-Lösungen funktionieren typischerweise nur mit eigenen Aufzügen. Mittelständische Servicefirmen betreuen herstellerübergreifend und können herstellerunabhängige KI-Plattformen (z.B. Uptake, Augury, eigenentwickelt) einsetzen. Das ist ein Wettbewerbsvorteil bei Kunden mit gemischtem Aufzugsbestand.