Daten statt Bauchgefühl: Wie KI die Instandhaltung revolutioniert

Jessica Ochs forscht an der Technischen Hochschule Lübeck im Bereich schwingungsbasierter Predictive Maintenance. Ihr Schwerpunkt: Wie sich Veränderungen im Maschinenzustand und beginnende Schäden mithilfe von Sensorik, Datenanalyse und KI frühzeitig erkennen lassen – bevor sie zu kritischen Ausfällen führen und Kosten explodieren. Auf dem Kongress Newtrition X – Future powered by AI von foodRegio am 12.11.2026 in den media docks Lübeck erklärt sie, wie Unternehmen datengetriebene Instandhaltung erfolgreich einführen können und was für den Einsatz von KI benötigt wird.

foodRegio: Was hat Sie zur Forschung im Bereich vorausschauender Instandhaltung gebracht?

Jessica Ochsch: Ich habe technische Berechnung und Simulation studiert. Auf der Suche nach einem Thema für meine Masterarbeit bin ich auf das Thema der Zustandsüberwachung von Antriebssystemen in Schienenfahrzeugen gestoßen. Das fand ich sofort spannend. Die Arbeit war sehr forschungsbezogen und entstand in Kooperation mit einem Unternehmen – dadurch konnte ich praxisnah und anwendungsorientiert forschen. Das hat mir großen Spaß gemacht und so habe ich eine neue Methode entwickelt, damals noch mit klassischen Verfahren der Signalanalyse. Heute arbeite ich mit KI und neuronalen Netzen. Besonders reizvoll finde ich die Kombination aus beiden Welten. So bin ich zur Forschung gekommen.

foodRegio: Wie definieren Sie Predictive Maintenance aus wissenschaftlicher Sicht?

Jessica Ochsch: In unserer Forschung geht es um schwingungsbasierte Zustandsüberwachung als Grundlage für die vorausschauende Instandhaltung. Mithilfe von Sensoren erfassen wir Schwingungen an Maschinen und analysieren diese, um Veränderungen im Maschinenzustand und mögliche Schäden frühzeitig zu erkennen. Diese Informationen können anschließend genutzt werden, um Instandhaltungsmaßnahmen bedarfsgerecht zu planen und ungeplante Ausfälle möglichst zu vermeiden.

foodRegio: Warum ist das Thema aktuell so bedeutend?

Jessica Ochsch: Unternehmen stehen unter hohem Wettbewerbsdruck und möchten Instandhaltungskosten reduzieren. Predictive Maintenance kann dazu beitragen, ungeplante Ausfälle zu reduzieren, die Produktqualität zu sichern und Kosten zu senken. Deshalb ist das Thema für die Industrie derzeit besonders interessant.

foodRegio: Welche Rolle spielen KI- oder Machine-Learning-Methoden in diesem Bereich?

Jessica Ochsch: Ein großer Vorteil moderner KI-Methoden ist, dass relevante Merkmale nicht mehr ausschließlich manuell aus den Messdaten abgeleitet werden müssen. Wenn eine ausreichende Datenbasis vorhanden ist, können neuronale Netze komplexe Muster und Zusammenhänge direkt aus den Daten lernen, die mit klassischen Auswerteverfahren nur schwer zu erfassen sind. Das kann zum Beispiel besonders hilfreich sein, wenn große Datenmengen oder unterschiedliche Sensordaten gemeinsam ausgewertet werden müssen.

foodRegio: Gibt es ein aktuelles Projekt, das den Einsatz von KI im Bereich Predictive Maintenance zeigt?

Jessica Ochsch: Ja, ich habe eine Kooperation mit einem Windturbinenbetreiber. Ein interessantes Projekt auch für den Betreiber. Denn bei Offshore-Windenergieanlagen sind insbesondere Zugänglichkeit, Logistik, Wetterfenster und Stillstandszeiten relevante Kostentreiber. Wir haben von dem Unternehmen Schwingungsdaten erhalten, um zu untersuchen, ob sich meine aktuelle Methode auch auf diese Maschinentypen übertragen lässt – denn KI-Modelle, die mit Daten einer bestimmten Maschine oder eines bestimmten Betriebszustands trainiert wurden, lassen sich häufig nicht ohne Weiteres auf andere Maschinen und Betriebsbedingungen übertragen. Genau hier setzt auch meine Forschung an: Für reale Schadensfälle stehen häufig nur wenige Daten zur Verfügung. Deshalb untersuche ich, auf welche Weise KI-Modelle vortrainiert und anschließend auf reale Maschinen übertragen werden können.

foodRegio: Um welche Daten handelt es sich?

Jessica Ochsch: Es sind Schwingungsdaten, die an der Turbine gemessen werden. Wir möchten vor allem Wälzlagerschäden überwachen und das KI-Modell so trainieren, dass es Anzeichen für Schäden frühzeitig in den Schwingungsdaten erkennen kann.

foodRegio: Was werden die drei Kernaussagen Ihres Vortrags sein?

Jessica Ochsch: Meine erste Aussage wird sein, dass Unternehmen zuerst prüfen müssen, ob sich der Einsatz von Sensorik und Datenanalyse für den identifizierten Anwendungsfall wirklich lohnt – statt Predictive Maintenance pauschal einzuführen. Meine zweite Kernaussage betrifft die Datenbasis: Für datenbasierte und insbesondere KI-gestützte Verfahren sind relevante und qualitativ hochwertige Daten entscheidend. Unternehmen sollten deshalb frühzeitig damit beginnen, diese systematisch zu erfassen. Meine dritte Aussage ist, die Komplexität nicht zu scheuen. Predictive Maintenance kann zunächst komplex wirken – aber wenn Ziel und Anwendungsfall klar definiert sind, kann man mit einem überschaubaren Anwendungsfall starten und schrittweise Erfahrungen sammeln.