Wenn Aufzüge ausfallen, geht es selten nur um Wartezeit. In vielen Gebäuden hängen Barrierefreiheit, Betriebssicherheit und Servicequalität direkt an der Verfügbarkeit der Anlage. Prädiktive Wartung für Aufzüge nutzt Betriebs‑ und Zustandsdaten, um Störungen früh zu erkennen – damit Wartung planbar wird, bevor es zum ungeplanten Stillstand kommt.
Beispielvisualisierung: Vorhersagebasierte KI erkennt Abweichungen im Aufzugbetrieb und unterstützt die Wartungsplanung mit konkreten Prioritäten.
- Betreiber:innen und Facility‑Teams mit vielen Aufzügen (Portfolio, mehrere Standorte).
- Gebäude mit hohen Anforderungen an Verfügbarkeit (z. B. Büro, Hospitality, Healthcare, Retail).
- Serviceorganisationen, die Einsätze, Ersatzteile und Technikerplanung effizienter steuern wollen.
Was ist prädiktive Wartung (Predictive Maintenance) bei Aufzügen?
Prädiktive Wartung ist ein Ansatz der vorausschauenden Instandhaltung, bei dem Wartung nicht starr nach Intervallen erfolgt, sondern bedarfsgerecht – basierend auf dem tatsächlichen Zustand und dem Nutzungsprofil einer Aufzugsanlage. Dafür werden Daten wie Fahrten, Türzyklen, Fehlercodes, Sensorwerte und Wartungshistorie zusammengeführt.
Wichtig: Predictive Maintenance ist mehr als „Daten sammeln“. Entscheidend ist die Übersetzung in klare Entscheidungen: Was ist kritisch? Was kann warten? Welche Maßnahme ist wahrscheinlich sinnvoll? Wer ist verantwortlich?
Reaktiv
Man reagiert, wenn der Aufzug bereits steht oder Nutzer:innen eine Störung melden. Das ist teuer, unplanbar und frisst Kapazitäten.
Präventiv
Wartung nach festen Intervallen. Planbar – aber oft nicht optimal: Manche Maßnahmen kommen zu früh, andere zu spät.
Prädiktiv
Wartung, wenn Daten auf erhöhtes Risiko hindeuten. Ziel: weniger ungeplante Stillstände bei gleichzeitig besserer Planbarkeit.
Ein praxistaugliches Setup ergänzt zudem bestehende Pflichten und Prüfungen: Prädiktive Wartung ersetzt keine gesetzlichen Kontrollen – sie macht den täglichen Betrieb aber stabiler und planbarer.
Wie funktioniert KI‑gestützte Störungsprognose im Aufzugbetrieb?
In der Praxis besteht vorhersagebasierte KI für Aufzüge aus mehreren Bausteinen: Datenerfassung, Datenaufbereitung, Modellierung, Alarmierung – und vor allem der Einbettung in den Serviceprozess. Der Ablauf ist meist ähnlich, auch wenn Hersteller, Steuerung und Datenzugang variieren.
1) Signale sammeln (Condition Monitoring)
Betriebsdaten, Türzyklen, Fehlercodes, Sensorwerte und Servicehistorie werden in eine gemeinsame, auswertbare Struktur gebracht.
2) Datenqualität sichern
Saubere Zeitachsen, eindeutige Anlagen‑IDs, stabile Übertragung und konsistente Einheiten sind entscheidend – sonst entstehen blinde Flecken oder Fehlalarme.
3) Muster erkennen
KI‑Modelle (z. B. Anomalieerkennung, Klassifikation, Zeitreihenmodelle) lernen typische Betriebszustände und markieren Abweichungen, die auf beginnenden Verschleiß hindeuten können.
4) Risiko & Priorität ableiten
Nicht jede Abweichung ist kritisch. Gute Systeme priorisieren nach Auswirkung: Sicherheit, Verfügbarkeit, SLA‑Risiko, Wiederholungswahrscheinlichkeit.
5) Maßnahmen auslösen
Der Mehrwert entsteht, wenn aus Signalen Aktionen werden: Ticket/Wartungsauftrag, Diagnose‑Hinweise, Zeitfenster‑Vorschläge, Ersatzteil‑Hinweise, klare Verantwortlichkeiten.
6) Lernen durch Feedback
Jeder Einsatz liefert Rückmeldung (Befund, Ursache, Maßnahme). Diese Feedbackschleife reduziert Fehlalarme und steigert die Akzeptanz im Team.
Datenquellen & Sensorik: Welche Signale zählen wirklich?
Für prädiktive Wartung bei Aufzügen ist Datenmenge selten der Engpass – sondern Datenqualität und Kontext. Oft reicht eine sinnvolle Kombination aus vorhandenen Signalen, ergänzt um wenige, gezielt platzierte Sensorwerte.
Typische Datenquellen (praxisnah)
- Betriebsdaten: Fahrten, Fahrprofile, Last-/Nutzungsmuster, Stops, Zeiten, Betriebsmodi.
- Türdaten: Türzyklen, Öffnungs-/Schließzeiten, Auffälligkeiten im Türverhalten (häufige Ursache für Störungen).
- Fehler- & Ereigniscodes: Sequenzen, Wiederholer, Häufungen nach Tageszeit/Standort.
- Zustandswerte: z. B. Vibration, Temperatur, Motorstromprofile (je nach Zugriff/Sensorik).
- Service- & Ticketdaten: Ursache, Maßnahme, Ersatzteile, Dauer, Wiederkehr – als Lernbasis für bessere Priorisierung.
- Anlagenstammdaten: Hersteller/Modell/Baujahr, Standort, Nutzungsklasse, Modernisierungen, Komponentenlisten.
IoT & Datenpipeline: Wenn der Datenfluss sauber ist, wird KI verlässlich
Viele Projekte scheitern nicht am Modell, sondern am Datenfluss (Lücken, unstabile Übertragung, uneinheitliche IDs, fehlende Zeitlogik). Eine robuste Pipeline sorgt dafür, dass Teams den Ergebnissen vertrauen – und dass Entscheidungen nachvollziehbar bleiben.
Eine stabile Pipeline (Erfassung → Übertragung → Speicherung → Modell → Aktion → Feedback) ist die Grundlage für belastbare Prognosen.
Integration in Wartung, Ticketing & Serviceprozesse
Predictive Maintenance bringt den größten Nutzen, wenn sie nicht „nebenher“ in einem Extra‑Dashboard läuft, sondern direkt in die tägliche Arbeitsweise eingebettet ist. Ziel ist ein durchgängiger Ablauf von der Erkennung bis zur Maßnahme – inklusive Dokumentation und Lernen.
Best‑Practice Workflow (einfach, aber wirksam)
Alarm mit Kontext (was, wann, warum, wie kritisch) – nicht nur „rot/grün“.
Triage (Priorität, SLA‑Risiko, Cluster/Standort, Wiederholer).
Ticket/Wartungsauftrag automatisch oder halbautomatisch (CMMS/CAFM/Helpdesk).
Einsatzplanung mit Vorschlägen (Zeitfenster, Technikerprofil, Ersatzteil‑Hinweis).
Ergebnis‑Feedback nach Einsatz (Befund/Ursache/Maßnahme) – als Lernsignal.
Monitoring wird erst dann wertvoll, wenn es zu klaren Aktionen führt: Prioritäten, Ownership und saubere Übergabe in den Serviceprozess.
Projektablauf: Von der Diagnose bis zum Rollout
Ein guter Start ist kein „Big Bang“, sondern ein Pilot, der realen Betrieb abbildet und schnell lernfähig ist. Die folgenden Phasen haben sich in der Praxis bewährt – unabhängig davon, ob es sich um Neuanlagen oder Bestandsanlagen (Nachrüstung) handelt.
Phase 1 – Diagnose & Zielbild
Welche Störungen sind am teuersten oder am häufigsten? Welche Daten sind verfügbar? Welche KPIs definieren Erfolg?
Phase 2 – Pilot (Proof of Value)
Repräsentatives Anlagen‑Set wählen (Gebäudetypen, Alter, Hersteller, Nutzung), Pipeline aufsetzen, erste Modelle, Feedback aus dem Service einbauen.
Phase 3 – Standardisierung
Alarm‑Logik, Prioritäten, Workflows und Reporting vereinheitlichen. So wird das System skalierbar – und nicht „pro Standort anders“.
Phase 4 – Rollout & Betrieb
Integration, Monitoring (Datenqualität, Drift), kontinuierliche Verbesserungen. Ziel: stabile Ergebnisse im Alltag – nicht nur im Test.
KPIs & Reporting: Erfolg messbar machen
Damit prädiktive Wartung intern akzeptiert wird, braucht es ein Reporting, das Technik und Betrieb abholt: verständlich, nachvollziehbar und eng am Alltag. Messen Sie nicht „KI‑Buzzwords“, sondern echte Betriebswirkung – und ergänzen Sie diese um Qualitätsmetriken für Alarme.
KPIs, die in Aufzugsportfolios wirklich helfen
- Verfügbarkeit / Uptime: Ausfallminuten je Anlage/Standort, Trend vor/nach Einführung.
- Ungeplante Stillstände: Häufigkeit nach Fehlerkategorie, Wiederholerquote.
- MTTR / Reaktionsfähigkeit: Zeit bis Wiederbetrieb, Zeit bis Techniker vor Ort (wo messbar).
- First‑Time‑Fix‑Rate: Wie oft wird ein Problem beim ersten Einsatz gelöst?
- Planbarkeit: Anteil planbarer Einsätze vs. Notfälle, Auslastung Techniker:innen.
- Alarmqualität: Anteil hilfreicher Alarme, Fehlalarme, „Lead Time“ (wie früh vor dem Ereignis erkannt).
Kostenfaktoren: Was den Aufwand wirklich treibt
Die Kostenbandbreite ist groß – entscheidend sind weniger „KI allgemein“, sondern konkrete Treiber im Aufzugsbestand und in der Systemlandschaft. Ein Pilot ist der sauberste Weg, Aufwand und Nutzen realistisch zu quantifizieren.
- Datenzugang & Schnittstellen: Verfügbarkeit der Signale, Stabilität, Rechte, Dokumentation.
- Nachrüstung / Sensorik: Wenn kritische Signale fehlen, kann gezielte Zusatzsensorik sinnvoll sein.
- Integration: CMMS/CAFM/Helpdesk, Dispatching, Reporting, Rollen & Freigaben.
- Modellentwicklung & Qualitätssicherung: Tests, Erklärbarkeit, Alarm‑Tuning, Validierung.
- Betrieb: Monitoring von Datenqualität und Modellverhalten, kontinuierliche Verbesserung.
- Adoption: Wenn Teams kein Feedback geben können, bleibt das System „blind“.
Tipp: Wenn Sie Angebote vergleichen, fragen Sie immer: Wie werden Alarme in Arbeit übersetzt? Und: Wie wird Feedback zurückgeführt? Genau dort entscheidet sich, ob Predictive Maintenance im Alltag trägt.
Häufige Fehler – und wie man sie vermeidet
1) Daten sammeln ohne klares Ziel
Besser: mit 1–2 Störungsarten starten, die Sie wirklich reduzieren wollen – und dafür ein sauberes KPI‑Baseline‑Setup definieren.
2) Fehlalarme werden nicht systematisch verbessert
Fehlalarme sind normal. Entscheidend ist eine Feedbackschleife, damit Alarm‑Logik und Modelle messbar besser werden.
3) Keine Integration in den Serviceprozess
Wenn Alarme nur in einem separaten Dashboard auftauchen, verpufft der Nutzen. Erfolgreiche Setups erzeugen Tickets mit Kontext.
4) Stammdatenchaos
Uneinheitliche Anlagen‑IDs, fehlende Standortinfos oder inkonsistente Komponentenlisten blockieren Skalierung. Ein sauberer Anlagenstamm ist ein echter Hebel.
5) „KI‑Projekt“ statt Betriebsprojekt
Prädiktive Wartung ist ein Zusammenspiel aus Daten, Technik und Organisation. Ohne Ownership und klare Prozesse bleibt es bei einer Demo.
FAQ zur KI‑basierten prädiktiven Wartung von Aufzügen
Häufige Fragen – kurz, konkret und ohne Buzzwords.
Was ist prädiktive Wartung bei Aufzügen – kurz erklärt?
Welche Daten brauche ich für KI‑gestütztes Aufzugmonitoring?
Funktioniert Predictive Maintenance auch bei Bestandsanlagen (Nachrüstung)?
Wie verhindert man, dass das System zu viele Fehlalarme erzeugt?
Wie integriert man Prognosen in Wartung und Ticketing?
Wie lange dauert es, bis ein Pilot aussagekräftig ist?
Was kostet eine Lösung für prädiktive Wartung bei Aufzügen?
Wie sieht es mit Datenschutz (DSGVO) und Sicherheit aus?
Jetzt per E‑Mail starten (info@bastelia.com)