Bisher war es üblich, Produktionsanlagen reaktiv oder präventiv zu warten. Reaktiv bedeutet, dass Teile erst dann repariert werden, wenn sie kaputt sind und dies evtl. bereits zu einem Produktionsstopp oder Ausfall der Anlage geführt hat. Oder die fehlerhaften Komponenten wurden nach einer allgemeinen Verschleißzeit vorsorglich ausgetauscht, egal ob es nötig gewesen wäre oder nicht. Diese Wartungsart nennt sich zeitbasierte, präventive Wartung. Solche Formen der Instandhaltung bringen auch hochtechnisierte Unternehmen an Optimierungsgrenzen und verursachen unnötige Kosten.

Mit Industrie 4.0 und IoT hält auch Predictive Maintenance Einzug in die Produktion. Methoden aus dem Big Data Umfeld werden genutzt, um große Datenmengen zu erfassen, zu analysieren und zu bewerten. So können Wahrscheinlichkeiten berechnet und Störungen vorhergesagt werden. Diese Art der vorausschauenden Wartung minimiert Ausfallzeiten und spart so enorme Kosten.

Neben Produktionsanlagen bestehen weitere Anwendungsfälle beispielsweise für Turbinen. Ob in großen Kompressoren oder in Flugzeugen, Turbinen sind grundsätzlich technisch weit entwickelt und sehr ausfallsicher. Wenn doch ein Ausfall geschieht, passiert das in der Regel unvorhergesehen, weil der Ausfallgrund bisher unbekannt war. Das kann verheerende Folgen haben. Mit Predicitve Maintenance lässt sich das Ausfallrisiko auf ein Minimum reduzieren.

Weitere Möglichkeiten bietet ein ähnlicher, modifizierter Ansatz: Predictive Diagnostics. Eine Kombination aus Data Science, Expertenwissen und IoT-Daten ermöglicht bspw. eine schnellere und effizientere Reparatur von Kraftfahrzeugen durch Vorhersage der Schäden und Empfehlungen zur Fehlerbehebung, anhand eines selbstlernenden, datenbasierten Prognosemodells. Bei diesem Ansatz wird die kontinuierliche Interpretation des Gesundheitszustands um musterbasierte Verfahren ergänzt, die zusätzlich zur Zustandserfassung auch die Möglichkeit zur Diagnostik bieten. Man erkennt also nicht nur, dass etwas falsch läuft, sondern auch was konkret.