Predictive Maintenance: vorausschauende Instandhaltung mit nachvollziehbaren Entscheiden

Predictive Maintenance (vorausschauende Instandhaltung) ist ein Instandhaltungsansatz, bei dem Zustandsdaten von Anlagen und IT-Komponenten ausgewertet werden, um Ausfälle vorherzusagen und Massnahmen zu planen, bevor ein Service beeinträchtigt ist. Grundlage der Entscheidung ist damit nicht mehr ein Befund, sondern eine Prognose.

Genau darin liegt die Governance-Frage. Wer auf Basis einer Wahrscheinlichkeit einen Austausch auslöst, ein Wartungsfenster verschiebt oder eine Warnung verwirft, muss diesen Entscheid begründen und belegen können. Das gilt besonders in regulierten Branchen wie Banken, Versicherungen, Spitälern oder Energieversorgern, in denen die Verfügbarkeit kritischer Systeme Gegenstand von Aufsicht und Revision ist.

Hinzu kommt die Datenhaltung: Zustandsdaten werden oft in der Cloud des Herstellers ausgewertet. Wo diese Daten liegen, wer sie nutzen darf und ob sie Personen betreffen, gehört ebenso zum Konzept wie das Prognoseverfahren selbst.

Das Wichtigste in Kürze

• Grundsatz: Predictive Maintenance ist eine Form der zustandsorientierten Instandhaltung, die zusätzlich den Zeitpunkt des kritischen Zustands vorhersagt.
• Kontrollpunkte: Datenquelle, Datenqualität, Modell oder Regel, Entscheid, Umsetzung und Nachweis.
• Nachvollziehbarkeit: Dokumentiert werden sollten auch verworfene Warnungen, nicht nur ausgelöste Massnahmen.
• Datenschutz: Gerätedaten, die sich Mitarbeitenden zuordnen lassen, sind Personendaten im Sinne des DSG.
• EU-Bezug: Der EU Data Act erfasst auch Schweizer Hersteller, die vernetzte Produkte in der EU in Verkehr bringen.

Stand: November 2026 · Abgeglichen mit DIN EN 13306, den ITIL-4-Practice-Guides, dem Datenschutzgesetz auf Fedlex, dem FINMA-Rundschreiben 2023/1 und dem EU Data Act (Quellen am Ende des Artikels)

Vom Messwert zum Entscheid: sechs Kontrollpunkte

Technisch besteht Predictive Maintenance aus Datenerfassung, Auswertung und Massnahme. Aus Sicht von IT-Governance und interner Kontrolle lohnt sich ein genauerer Blick, denn an jedem Übergang kann etwas verloren gehen.

1. Datenquelle: Welche Sensoren, Geräte und Systeme liefern Daten, und wohin fliessen sie? Lokal, in ein Rechenzentrum in der Schweiz oder in die Cloud eines Herstellers im Ausland?
2. Datenqualität: Sind die Werte vollständig und zeitlich korrekt? Sind Sensorwechsel und geänderte Messintervalle dokumentiert?
3. Modell oder Regel: Wer hat Schwellenwerte festgelegt oder ein Modell trainiert, und wann wurde es zuletzt überprüft? Bei Modellen gehört die Version zum Nachweis.
4. Entscheid: Wer darf auf eine Prognose hin einen Austausch auslösen, aufschieben oder die Warnung verwerfen? Bei Systemen, die kritische Funktionen tragen, empfiehlt sich ein Vier-Augen-Prinzip.
5. Umsetzung: Der Eingriff läuft als Change mit Bewertung, Freigabe und Wartungsfenster.
6. Nachweis: Der tatsächliche Befund wird festgehalten und fliesst in die Überprüfung von Regel oder Modell zurück.

Eine Prognose ist kein Befund

Wie unsicher Vorhersagen sein können, zeigt eine Google-Studie zu Festplattenausfällen: Mehrere SMART-Werte korrelieren stark mit Ausfällen, für die Vorhersage einzelner Ausfälle reichen sie allein aber kaum aus. Für die Governance folgt daraus: Prognosen mit ihrer Unsicherheit dokumentieren, Entscheide begründen und Redundanz nicht wegen guter Vorhersagen abbauen. Weshalb Lernverfahren eigene Kontrollen brauchen, erklärt der Glossarartikel Machine Learning.

Strategien der Instandhaltung aus Kontrollsicht

DIN EN 13306 unterscheidet korrektive Instandhaltung nach einem Ausfall und präventive Instandhaltung davor, die nach Intervall oder nach Zustand erfolgen kann. Für die Kontrolle ist weniger die Technik entscheidend als die Frage, worauf sich ein Entscheid stützt und was sich später belegen lässt.

Die Tabelle zeigt, warum Predictive Maintenance die höchsten Anforderungen an die Dokumentation stellt: Ein Entscheid lässt sich nur prüfen, wenn auch die Grundlage der Prognose erhalten bleibt.

Wenn der Hersteller die Prognose liefert

Viele Geräte senden ihre Daten an den Hersteller, der daraus Wartungsempfehlungen ableitet. Das Modell bleibt dann für den Betreiber eine Blackbox. Der EU Data Act gibt Nutzern zwar Zugang zu den Rohdaten vernetzter Produkte. Abgeleitete Informationen, die ein Hersteller mit eigenen Algorithmen erzeugt, sind nach Erwägungsgrund 15 aber nicht erfasst. Welche Aussagen der Hersteller zur Prognose liefert und wie lange er sie aufbewahrt, gehört deshalb in den Vertrag. Wie sich Predictive Maintenance von reinem Monitoring unterscheidet, zeigt der entsprechende Glossarartikel.

Nachvollziehbarkeit, Datenhaltung und Recht

Personendaten in Zustandsdaten

Akkuwerte eines Notebooks, Telematik eines Servicefahrzeugs oder Fehlerprotokolle eines persönlichen Geräts lassen sich oft einer bestimmten Person zuordnen. Dann handelt es sich um Personendaten nach Art. 5 Bst. a DSG. Die Grundsätze von Art. 6 DSG gelten, insbesondere Zweckbindung und Verhältnismässigkeit: Daten, die für die Instandhaltung erhoben werden, dürfen nicht unbemerkt zur Leistungskontrolle dienen. Werden sie in die Cloud eines Anbieters im Ausland übermittelt, sind zusätzlich die Regeln zur Bekanntgabe ins Ausland (Art. 16 DSG) zu beachten.

EU Data Act für Schweizer Unternehmen

Der EU Data Act gilt seit dem 12. September 2025. Er erfasst nach Art. 1 Abs. 3 Bst. a Hersteller vernetzter Produkte, die in der Union in Verkehr gebracht werden, unabhängig vom Ort ihrer Niederlassung. Schweizer Hersteller, die Maschinen oder Geräte in die EU liefern, müssen deshalb die Pflichten des Data Act erfüllen, etwa den Datenzugang für Nutzer in der EU ermöglichen. Für Produkte, die nach dem 12. September 2026 in Verkehr gebracht werden, ist dieser Zugang schon im Design vorzusehen.

Regulierte Branchen

Für Banken verlangt das FINMA-Rundschreiben 2023/1 «Operationelle Risiken und Resilienz – Banken» unter anderem, kritische Funktionen zu bestimmen und Toleranzen für deren Unterbrechung festzulegen. Prognosen für Komponenten, die solche Funktionen tragen, gehören deshalb in einen dokumentierten Prozess mit klarer Verantwortung. Mehr zu den Anforderungen der Branche finden Sie auf der Seite Finanzdienstleistungen und Banken.

Was ky2help^® dazu beiträgt

ky2help^® erstellt keine Ausfallprognosen, sondern steuert die Prozesse danach. Meldungen aus Monitoringsystemen kommen über Schnittstellen wie die REST-API an. Der Funktionsumfang umfasst die Bewertung und Freigabe von Changes, die Pflege der CMDB mit Mutationsprozessen sowie automatische Historisierung, ein integriertes Daten-Audit und eine revisionssichere Dokumentation. Betrieben wird ky2help^® auf Wunsch als eigene Instanz in einem Rechenzentrum in der Schweiz oder in Deutschland oder On-Premises.

Change-Prozess ansehen

Risiken nach Priorität

1. Unklare Verantwortung: Prognosen ohne benannten Verantwortlichen werden gesehen, aber nicht entschieden. Für jede Komponentenklasse braucht es eine Rolle, die auslöst oder begründet ablehnt.
2. Daten ausserhalb des kontrollierten Bereichs: Herstellerclouds und Fernwartungszugänge erweitern die Angriffsfläche und verlagern Daten. Zugriffe, Speicherort und Aufbewahrung sind vertraglich und technisch zu regeln.
3. Fehlalarme und Abstumpfung: Zu viele unbegründete Warnungen führen dazu, dass auch berechtigte übersehen werden. Precision, also der Anteil berechtigter Warnungen, sollte regelmässig gemessen werden.
4. Unbemerkte Änderung des Verfahrens: Ein Firmware-Update oder eine neue Hardwaregeneration kann Schwellen und Muster verändern. Solche Änderungen sollten wie ein Change bewertet werden.
5. Abhängigkeit vom Hersteller: Liegt die Prognose ausschliesslich beim Hersteller, ist ein Wechsel des Wartungspartners schwierig. Datenzugang und Export sind vor dem Kauf zu klären.
6. Scheinsicherheit: Gute Prognosen verleiten dazu, Redundanz oder Ersatzteilbestand abzubauen. Recall, also der Anteil vorher erkannter Ausfälle, zeigt, wie viel Restrisiko bleibt.

Kennzahlen für die Steuerung

• Anteil berechtigter Warnungen (Precision) und Anteil vorher erkannter Ausfälle (Recall)
• Vorlaufzeit zwischen Warnung und Ausfall im Vergleich zur Beschaffungszeit
• Anteil der Warnungen mit dokumentiertem Entscheid und Befund
• Ungeplante Ausfälle von Komponenten, die kritische Funktionen tragen

Häufige Fragen

Was ist Predictive Maintenance?

Predictive Maintenance ist vorausschauende Instandhaltung: Zustandsdaten von Anlagen und IT-Komponenten werden ausgewertet, um Ausfälle vorherzusagen und den Eingriff zu planen, bevor ein Service beeinträchtigt ist. Die Entscheidung stützt sich auf eine Prognose statt auf einen festen Termin.

Worin unterscheidet sie sich von zustandsorientierter Instandhaltung?

Die zustandsorientierte Instandhaltung reagiert, wenn ein Messwert einen Grenzwert überschreitet. Predictive Maintenance ist eine Form davon, die zusätzlich vorhersagt, wann dieser Zustand eintreten wird. Dadurch entsteht mehr Vorlauf, aber auch mehr Bedarf an Dokumentation.

Sind Wartungsdaten Personendaten im Sinne des DSG?

Das hängt vom Bezug ab. Daten einer Klimaanlage betreffen in der Regel niemanden persönlich. Akkuwerte eines persönlich zugeteilten Notebooks oder Fahrzeugdaten lassen sich dagegen einer Person zuordnen und sind dann Personendaten nach Art. 5 Bst. a DSG.

Gilt der EU Data Act für Schweizer Unternehmen?

Er kann gelten. Der Data Act erfasst Hersteller vernetzter Produkte, die in der EU in Verkehr gebracht werden, unabhängig vom Sitz. Schweizer Unternehmen, die solche Produkte in der EU nutzen, haben dort als Nutzer zudem ein Recht auf Zugang zu den Gerätedaten.

Wie dokumentiert man Entscheide auf Basis von Prognosen?

Festgehalten werden sollten die Warnung mit Eingangsdaten, der Stand der Regel oder des Modells, der Entscheid mit Begründung und verantwortlicher Person sowie der spätere Befund. Am einfachsten gelingt das, wenn jede Warnung als Ticket erfasst und der Eingriff als Change freigegeben wird.

Wo liegen die Daten in ky2help®?

ky2help® läuft auf Wunsch als eigene, getrennte Instanz in einem Rechenzentrum in der Schweiz oder in Deutschland oder On-Premises. Wo die Rohdaten Ihres Monitoring- oder Herstellersystems liegen, hängt vom jeweiligen Anbieter ab. Die Optionen besprechen wir gern in einem Beratungstermin.

Quellen und weiterführende Artikel

Quellen

• DIN Media: DIN EN 13306:2018-02, Begriffe der Instandhaltung
• AXELOS: Change Enablement, ITIL 4 Practice Guide
• AXELOS: Monitoring and Event Management, ITIL 4 Practice Guide
• Fedlex: Bundesgesetz über den Datenschutz (DSG), Art. 5, 6 und 16
• EUR-Lex: Verordnung (EU) 2023/2854 (Data Act), Art. 1, 3 bis 5 und Erwägungsgrund 15
• FINMA: Rundschreiben 2023/1 «Operationelle Risiken und Resilienz – Banken»
• Google Research: Failure Trends in a Large Disk Drive Population
• Google for Developers: Accuracy, Precision und Recall

Weiterlesen

• Glossar: Monitoring
• Glossar: Machine Learning
• Glossar: Change Management
• Glossar: CMDB
• Glossar: ISO 27001
• ky2help® für Finanzdienstleister und Banken
• Cloud oder On-Premises?
• Cybersecurity Services