KKC_0181 | KI im Facility Management: Predictive Maintenance

Predictive Maintenance im Facility Management ist weniger eine Frage der „besten KI“ als eine Frage der richtigen Anlagen, Daten und Entscheidungen im Betrieb. In diesem Seminar bauen Sie ein belastbares Grundverständnis auf: Was unterscheidet reaktive, präventive, zustandsbasierte und prädiktive Instandhaltung, und welche Gewerke liefern überhaupt Signale, die sich für Vorhersagen eignen. Sie lernen typische Datenquellen im Gebäudebetrieb kennen, von Trenddaten aus der Gebäudeleittechnik über Störungs- und Wartungshistorien aus CMMS/CAFM bis hin zu IoT-Sensorik wie Temperatur, Vibration oder Stromaufnahme.

Ein Schwerpunkt liegt darauf, Rohdaten in nutzbare Informationen zu verwandeln: Zeitstempel, Lücken, Einheiten, Aggregation, Baselines für Normalbetrieb und das Erkennen von Drift. Darauf aufbauend besprechen wir praxistaugliche KI-Ansätze, die im Betrieb funktionieren, insbesondere Anomalieerkennung und die Grenzen echter Ausfallprognosen, wenn saubere Labels fehlen. Sie entwickeln ein Alarm- und Eskalationskonzept, das False Positives reduziert und in Tickets im CMMS/CAFM mündet.

Zusätzlich erarbeiten Sie eine ROI-Logik, definieren KPIs wie MTBF, MTTR und Alarmquote und planen einen Pilotumfang, der in wenigen Wochen belastbare Ergebnisse liefert. Governance, OT/IT-Sicherheit und Lieferantensteuerung runden das Bild ab, damit Ihr Projekt auditierbar und langfristig betreibbar bleibt.

• Reaktive, präventive, zustandsbasierte und prädiktive Instandhaltung unterscheiden
• Geeignete Anlagen, Gewerke und Signale für Predictive Maintenance auswählen
• Daten aus GLT, CAFM, CMMS und IoT-Sensorik einordnen
• Zeitreihen bereinigen, vereinheitlichen und zu belastbaren Baselines aufbereiten
• Anomalieerkennung und Ausfallprognosen realistisch bewerten
• Warnschwellen, Prüfprozesse und betriebliche Reaktionen definieren
• Pilotanwendungen nach Nutzen, Datenlage und Umsetzbarkeit planen

Das Seminar richtet sich an Facility-Manager/innen, technische Leiter/innen, Instandhaltungsverantwortliche, Betreiber/innen sowie Fachkräfte aus Gebäudetechnik, Energiemanagement und Digitalisierung.

Grundkenntnisse im Facility Management oder in der technischen Instandhaltung werden vorausgesetzt. Erfahrungen mit Gebäude-, Anlagen- oder Sensordaten sind hilfreich.

• Predictive Maintenance im FM richtig einordnen
  • Abgrenzung: reaktiv, präventiv, zustandsbasiert, prädiktiv
  • Welche Anlagen profitieren wirklich (HVAC, Pumpen, Aufzüge, Kälte)
  • Typische Fehlerbilder und was „Ausfall“ im Betrieb bedeutet
  • Erfolgskriterien: Verfügbarkeit, Risiko, Kosten, SLA
• Datenquellen im Gebäude: BMS, CMMS, IoT
  • Gebäudeleittechnik (BMS) und Trenddaten sinnvoll nutzen
  • CMMS/CAFM: Aufträge, Störungen, Wartungshistorie
  • Sensorik: Vibration, Temperatur, Stromaufnahme, Differenzdruck
  • Datenqualität: Zeitstempel, Lücken, Einheiten, Plausibilität
• Vom Rohsignal zum nutzbaren Feature
  • Grundlagen Zeitreihen: Sampling, Aggregation, Glättung
  • Baseline und Normalbetrieb definieren
  • Anomalien erkennen: Schwellen, Trendbrüche, Drift
  • Labeling-Strategien ohne perfekte Ausfalldaten
• KI-Ansätze, die im Betrieb funktionieren
  • Anomalieerkennung vs. Ausfallprognose: Wann was passt
  • Einfach startbar: Regeln, Statistik, Isolation Forest als Konzept
  • Interpretierbarkeit: warum Erklärbarkeit im FM zählt
  • Alarm-Design: Prioritäten, Eskalation, False Positives
• Use-Case-Design und Wirtschaftlichkeit
  • Use-Case Canvas: Ziel, Asset, Daten, Aktion, Nutzen
  • ROI-Rechnung: Stillstandskosten, Ersatzteile, Personal, Energie
  • Pilotumfang festlegen: 1 Standort, 1 Gewerke-Cluster
  • KPIs: MTBF, MTTR, Alarmquote, Verfügbarkeit
• Integration in Prozesse und Systeme
  • Workflows: Alarm zu Ticket im CMMS/CAFM
  • Rollen: Betreiber, Servicepartner, Leitwarte, IT
  • Dokumentation und Nachvollziehbarkeit im Audit
  • Change Management: Akzeptanz bei Technikteams
• Governance, Datenschutz, Sicherheit
  • OT/IT-Schnittstellen: Risiken und Minimalmaßnahmen
  • Datenschutz bei Personenbezug (z. B. Belegung)
  • Lieferantensteuerung: Datenzugriff, SLAs, Exit-Strategie
  • Qualitätssicherung: Monitoring der Modelle und Drift