Predictive Maintenance in der Gebäudetechnik: Sensorik und KI für vorausschauende Wartung

Die Instandhaltung von HLK-Anlagen durchläuft gegenwärtig einen Transformationsprozess. Neben den etablierten Strategien der reaktiven und präventiven Wartung etabliert sich zunehmend ein dritter Ansatz: Predictive Maintenance. Dieser Fachbeitrag gibt einen Überblick über die technologischen Grundlagen, verfügbare Lösungen und praktische Anwendungsfelder in der Gebäudetechnik.

Grundlagen der vorausschauenden Wartung

Predictive Maintenance, zu Deutsch vorausschauende Instandhaltung, bezeichnet die Überwachung des tatsächlichen Anlagenzustands mit dem Ziel, Wartungsbedarfe präzise zu prognostizieren. Im Unterschied zur zeitbasierten präventiven Wartung orientiert sich dieser Ansatz nicht an festen Intervallen, sondern am realen Verschleißzustand der Komponenten.

Ein Beispiel verdeutlicht den Unterschied: Bei der klassischen Wartung wird ein Filter nach drei Monaten getauscht, unabhängig davon, ob er tatsächlich verschmutzt ist oder nicht. Bei Predictive Maintenance misst ein Sensor kontinuierlich den Druckunterschied über dem Filter. Der Austausch erfolgt erst, wenn der Druckverlust einen kritischen Wert erreicht. Das spart einerseits unnötige Wechsel, verhindert andererseits aber auch, dass ein Filter bei besonders hoher Belastung zu lange im Einsatz bleibt.

Die Grundarchitektur folgt einem dreistufigen Modell: Sensoren erfassen kontinuierlich Zustandsparameter wie Temperaturen, Schwingungen oder Drücke. Diese Daten werden an eine Analyseebene übermittelt, entweder lokal auf einem Server im Gebäude oder in einer Cloud-Lösung. Dort werten Algorithmen die Informationen aus und erstellen Prognosen über zukünftige Ausfälle. Die Ergebnisse fließen schließlich in die Wartungsplanung ein.

Welche Daten werden erfasst?

Die Basis jedes Predictive-Maintenance-Systems bildet die sensorische Datenerfassung. In der Gebäudetechnik haben sich verschiedene Messverfahren etabliert, die je nach Anlagentyp zum Einsatz kommen.

Schwingungsmessung

Die Überwachung mechanischer Schwingungen eignet sich besonders für rotierende Maschinen wie Pumpen, Ventilatoren oder Kompressoren. Kleine Sensoren, oft nicht grösser als eine Streichholzschachtel, werden direkt an der Maschine angebracht und messen, wie stark diese vibriert. Ein Lager, das sich abnutzt, erzeugt charakteristische Schwingungsmuster, die sich von einem gesunden Lager unterscheiden. So lässt sich ein drohender Ausfall oft Wochen im Voraus erkennen.

Temperaturüberwachung

Viele Probleme kündigen sich durch Temperaturveränderungen an. Eine Pumpe, deren Lager verschleisst, wird wärmer. Ein elektrischer Anschluss, der sich lockert, erhitzt sich. Deshalb werden an kritischen Stellen Temperatursensoren installiert. Bei größeren Anlagen kommen auch Wärmebildkameras zum Einsatz, die ganze Schaltschränke oder Maschinen auf einen Blick überwachen können.

Stromverbrauch

Der Energieverbrauch einer Maschine verrät viel über ihren Zustand. Eine Pumpe, die mehr Strom verbraucht als üblich, kämpft möglicherweise gegen einen verstopften Filter oder ein defektes Lager. Ein Ventilator, dessen Stromaufnahme sinkt, hat vielleicht einen gelockerten Riemen. Moderne Stromzähler können solche Veränderungen automatisch erkennen.

Druckdifferenzen und Durchflüsse

In Lüftungsanlagen zeigt der Druckunterschied vor und nach einem Filter dessen Verschmutzungsgrad. Bei Heizungs- und Kühlsystemen geben Durchflussmessungen Aufschluss darüber, ob Pumpen oder Ventile noch richtig funktionieren. Diese Messungen sind besonders wertvoll, weil sie direkt die Funktion der Anlage abbilden.

Wie werden die Daten ausgewertet?

Die gesammelten Sensordaten durchlaufen verschiedene Analysestufen. Dabei kommen sowohl einfache als auch komplexe Verfahren zum Einsatz.

Grenzwertüberwachung

Die einfachste Form der Auswertung arbeitet mit festgelegten Grenzwerten. Steigt die Temperatur eines Lagers über 80 Grad, wird eine Warnung ausgelöst. Überschreitet die Schwingung einen bestimmten Wert, erfolgt eine Meldung. Diese Methode ist transparent und nachvollziehbar, reagiert aber erst, wenn bereits ein Problem vorliegt.

Trendanalyse

Fortgeschrittenere Systeme beobachten nicht nur Momentwerte, sondern den zeitlichen Verlauf. Sie erkennen, wenn sich ein Wert langsam, aber stetig verändert. Beispielsweise steigt die Temperatur eines Motors über mehrere Wochen von 60 auf 75 Grad, für sich genommen noch unkritisch, aber der Trend deutet auf ein kommendes Problem hin. Das System kann dann vorhersagen, wann der kritische Bereich erreicht wird.

Mustererkennung durch künstliche Intelligenz

Moderne Systeme nutzen künstliche Intelligenz, um komplexe Zusammenhänge zu erkennen. Sie lernen zunächst, wie eine Anlage im Normalzustand läuft, also welche Kombinationen von Temperatur, Schwingung und Stromverbrauch normal sind. Treten Abweichungen von diesem gelernten Muster auf, schlägt das System Alarm. Der Vorteil: Das System kann auch unbekannte Fehlerbilder erkennen, die in keinem Handbuch stehen.

Verfügbare Lösungen für die Praxis

Der Markt für Predictive-Maintenance-Lösungen in der Gebäudetechnik entwickelt sich kontinuierlich weiter. Verschiedene Ansätze stehen zur Verfügung:

Lösungen der Anlagenhersteller

Viele Hersteller von Gebäudetechnik integrieren zunehmend Überwachungsfunktionen in ihre Produkte. Pumpen werden beispielsweise mit Sensoren ausgeliefert, die Durchfluss, Druck und Energieverbrauch messen. Die Daten können dann über eine App oder ein Webportal abgerufen werden. Der Vorteil liegt in der einfachen Integration, da alles aus einer Hand kommt.

Unabhängige Überwachungssysteme

Daneben existieren herstellerunabhängige Lösungen, die sich für verschiedene Anlagen einsetzen lassen. Diese Systeme bestehen typischerweise aus nachrüstbaren Sensoren, die per Funk kommunizieren, und einer Software-Plattform zur Auswertung. Sie eignen sich besonders für Bestandsanlagen, die nicht vom Hersteller überwacht werden können.

Spezialisierte Condition-Monitoring-Systeme

Für besonders kritische Anlagen, etwa grosse Kältemaschinen oder zentrale Lüftungsanlagen, gibt es spezialisierte Überwachungssysteme mit sehr detaillierter Analyse. Diese kommen oft bei Anlagen zum Einsatz, deren Ausfall hohe Kosten verursachen würde.

Nachrüstlösungen

Für Bestandsgebäude existieren flexible Nachrüstlösungen. Dabei werden kleine, batteriebetriebene Funksensoren an bestehenden Anlagen angebracht. Diese senden ihre Daten an ein Gateway, das die Informationen sammelt und zur Auswertung weiterleitet. Der Installationsaufwand ist minimal, da keine Verkabelung notwendig ist.

Wo lohnt sich der Einsatz besonders?

In der Gebäudetechnik haben sich verschiedene Anwendungsbereiche herauskristallisiert, in denen Predictive Maintenance besonders sinnvoll ist:

Kälteanlagen

Kältemaschinen gehören zu den energieintensivsten Komponenten in Gebäuden. Ein Ausfall führt nicht nur zu hohen Reparaturkosten, sondern kann auch Produktionsprozesse stoppen oder die Kühlung von Serverräumen gefährden. Die Überwachung konzentriert sich auf Kompressoren, Verdampfer und Verflüssiger. Typische Frühindikatoren sind veränderte Drücke im Kältekreislauf, steigende Temperaturdifferenzen oder erhöhter Energieverbrauch.

Lüftungs- und Klimaanlagen

Bei Lüftungsanlagen steht die Überwachung der Ventilatoren im Vordergrund. Schwingungsmessungen zeigen frühzeitig Lagerprobleme oder Unwuchten an. Die Überwachung der Druckdifferenz über Filtern ermöglicht einen bedarfsgerechten Filterwechsel. Zusätzlich lassen sich Klappen und Luftqualitätssensoren einbinden, um die Gesamtfunktion der Anlage zu beurteilen.

Pumpen in Heizungs- und Kühlanlagen

Pumpen sind klassische Kandidaten für Predictive Maintenance. Sie laufen oft im Dauerbetrieb und ein Ausfall hat unmittelbare Auswirkungen auf den Gebäudekomfort. Die Überwachung erfolgt über Schwingungsanalyse, Energiemonitoring und Durchflussmessung. Moderne Pumpen haben teilweise bereits Sensoren integriert, die relevante Daten direkt liefern.

Notstromaggregate

Notstromaggregate stehen die meiste Zeit still, müssen im Ernstfall aber absolut zuverlässig funktionieren. Predictive Maintenance ermöglicht die Überwachung auch im Ruhezustand, etwa durch regelmässige automatische Kurztests mit anschliessender Datenauswertung. So lassen sich Probleme erkennen, bevor der Ernstfall eintritt.

Wirtschaftliche Überlegungen

Die Wirtschaftlichkeit von Predictive Maintenance hängt stark vom Einzelfall ab. Einige Faktoren spielen dabei eine zentrale Rolle:

Investitionskosten

Einfache Überwachungslösungen für einzelne Anlagen beginnen bei wenigen hundert bis tausend Franken pro Messpunkt. Umfassende Systeme für grössere Liegenschaften können fünfstellige Beträge erreichen. Die Kosten setzen sich zusammen aus Sensorik, Software, Installation und gegebenenfalls laufenden Gebühren für Cloud-Dienste.

Einsparpotenziale

Der Nutzen entsteht durch verschiedene Effekte: Ungeplante Ausfälle werden reduziert, was Notdiensteinsätze und Expresslieferungen von Ersatzteilen vermeidet. Komponenten werden optimal genutzt, weder zu früh noch zu spät gewechselt. Die Wartungsplanung wird effizienter, da Einsätze gebündelt werden können. Und schliesslich sinkt der Energieverbrauch, wenn Anlagen nicht in ineffizientem Zustand weiterlaufen.

Amortisationszeit

In der Praxis zeigen sich Amortisationszeiten von zwei bis vier Jahren, abhängig von der Anlagengröße und -kritikalität. Bei besonders teuren oder kritischen Anlagen kann sich die Investition auch deutlich schneller rechnen.

Praktisches Beispiel aus dem Alltag

Ein mittelgrosses Bürogebäude in Zürich wurde mit Sensoren an den drei Hauptlüftungsanlagen ausgestattet. Die Installation umfasste Schwingungssensoren an den Ventilatoren, Drucksensoren für die Filter und Stromzähler für jede Anlage.

Nach vier Wochen Normalbetrieb meldete das System eine Auffälligkeit: Die Schwingungen an Ventilator 2 hatten leicht zugenommen, gleichzeitig stieg der Stromverbrauch um acht Prozent. Beides waren keine dramatischen Werte, aber der Trend war eindeutig.

Der Hauswart führte eine Sichtkontrolle durch und entdeckte, dass sich die Befestigungsschrauben des Motors gelockert hatten. Die Reparatur dauerte 20 Minuten. Ohne die Überwachung wäre das Problem vermutlich erst beim nächsten regulären Wartungstermin drei Monate später aufgefallen oder es hätte zu einem Lagerausfall geführt, mit entsprechenden Folgekosten.

Herausforderungen in der Praxis

Bei aller Begeisterung für die Technologie sollten auch die Herausforderungen nicht verschwiegen werden:

Datengrundlage

Künstliche Intelligenz benötigt Daten zum Lernen. Gerade am Anfang, wenn noch keine Ausfallhistorie vorliegt, arbeiten die Systeme zunächst mit einfacheren Verfahren. Je länger ein System läuft und je mehr Erfahrungen gesammelt werden, desto präziser werden die Vorhersagen.

Fehlalarme

Kein System ist perfekt. Gerade in der Anfangsphase kann es zu Fehlalarmen kommen, das System meldet ein Problem, das sich bei der Überprüfung als harmlos herausstellt. Wichtig ist, diese Meldungen als Lernmöglichkeit zu nutzen und die Schwellenwerte entsprechend anzupassen.

Fachkompetenz

Die Einführung und der Betrieb von Predictive-Maintenance-Systemen erfordern ein gewisses technisches Verständnis. Es braucht Personen, die sowohl die Gebäudetechnik als auch die Überwachungssysteme verstehen. Schulungen und eine enge Zusammenarbeit mit Lieferanten sind in der Regel notwendig.

Datenschutz

Bei Cloud-basierten Lösungen werden Betriebsdaten ausserhalb des eigenen Hauses gespeichert. Hier sind datenschutzrechtliche Aspekte zu prüfen, insbesondere wenn es um personenbezogene Daten oder sensible Betriebsinformationen geht.

Erste Schritte zur Einführung

Wer Predictive Maintenance einführen möchte, sollte schrittweise vorgehen:

Beginnen Sie mit einer Pilotanlage

Wählen Sie eine kritische Anlage aus, deren Ausfall spürbare Konsequenzen hätte, etwa die Hauptkältemaschine oder die zentrale Lüftungsanlage. Sammeln Sie hier erste Erfahrungen, bevor Sie das System ausrollen.

Definieren Sie klare Ziele

Was wollen Sie erreichen? Weniger Ausfälle? Niedrigere Energiekosten? Bessere Planbarkeit? Klare Ziele helfen bei der späteren Erfolgsmessung.

Binden Sie Ihr Team ein

Die Wartungstechniker müssen das System verstehen und akzeptieren. Sie sind diejenigen, die die Meldungen erhalten und darauf reagieren. Ihre Erfahrung ist zudem wertvoll, um das System zu optimieren.

Planen Sie eine Lernphase ein

Rechnen Sie mit drei bis sechs Monaten, bis das System zuverlässig funktioniert. In dieser Zeit werden Schwellenwerte angepasst, Fehlalarme reduziert und Prozesse etabliert.

Ausblick

Predictive Maintenance entwickelt sich kontinuierlich weiter. Die Sensoren werden kleiner, günstiger und energieeffizienter. Einige arbeiten bereits komplett ohne Batterien und gewinnen ihre Energie aus der Umgebung, etwa aus Temperaturunterschieden oder Vibrationen.

Die Analyseverfahren werden präziser und benötigen weniger Daten für zuverlässige Vorhersagen. Gleichzeitig werden die Systeme benutzerfreundlicher, sodass auch ohne IT-Expertenwissen eine Einführung möglich wird.

Mittelfristig dürfte sich eine Kombination verschiedener Wartungsstrategien durchsetzen: Standardkomponenten werden weiterhin nach Intervallen gewartet, kritische und teure Anlagen werden überwacht, und bei manchen Komponenten bleibt die reaktive Instandsetzung die wirtschaftlichste Lösung.

Fazit

Predictive Maintenance in der Gebäudetechnik ist keine Zukunftsvision mehr, sondern eine verfügbare Technologie. Sie eignet sich besonders dort, wo Anlagen kritisch für den Betrieb sind, wo Ausfälle hohe Kosten verursachen oder wo teure Komponenten optimal genutzt werden sollen.

Der Einstieg erfordert keine Revolution, sondern kann schrittweise erfolgen, beginnend mit einzelnen Anlagen, aufbauend auf gesammelten Erfahrungen. Die Technologie ist ausgereift genug für den praktischen Einsatz, gleichzeitig entwickelt sie sich weiter und wird zunehmend zugänglicher.

Für Verantwortliche in der Gebäudetechnik lohnt es sich, die Möglichkeiten zu prüfen und zu evaluieren, wo in der eigenen Liegenschaft Predictive Maintenance einen Mehrwert bieten könnte. Die Investition zahlt sich typischerweise nicht nur finanziell aus, sondern erhöht auch die Zuverlässigkeit und Planbarkeit der Gebäudetechnik.

‍