Vorausschauende Wartung für Roboterflotten: Ausfälle erkennen, bevor sie eintreten

Ein sechsachsiger Industrieroboter fällt selten schlagartig aus. Wochen vorher steigt die Schwingung im Getriebe von Achse 3 messbar an, die Motorstromkurve wird unruhig, die Gelenktemperatur klettert ein paar Grad über den gewohnten Wert. Wer diese Muster liest, tauscht das Bauteil im geplanten Wartungsfenster. Wer sie überliest, steht am Freitagabend vor einer blockierten Linie — und die Kosten dieses Stillstands haben mit dem Ersatzteilpreis wenig zu tun.

Dieser Beitrag gehört zum Cluster Flottenbetrieb für Roboter und betrachtet vorausschauende Wartung nicht als Verkaufsversprechen, sondern als Betriebsdisziplin: Was Telemetrie wirklich verrät, wo geplanter und ungeplanter Stillstand auseinanderlaufen und warum sich Ausfallzeit über eine Flotte hinweg so schnell potenziert.

Vorausschauende Wartung für Roboterflotten heißt, aus Telemetriedaten — Schwingung, Motorstrom, Temperatur, Akustik, Schmierstoff — das Frühwarnsignal eines Bauteils herauszulesen, das wahrscheinlich ausfallen wird, und den Tausch in ein geplantes Fenster zu verschieben, bevor der ungeplante Stillstand eintritt. Der eigentliche Nutzen liegt nicht im einzelnen Roboter, sondern in der Flotte: Ungeplante Ausfallzeit ist teuer, sie summiert sich über baugleiche Einheiten mit gleichem Lastprofil, und geplante Instandhaltung kostet regelmäßig nur einen Bruchteil des ungeplanten Stillstands.

Was bedeutet vorausschauende Wartung bei Roboterflotten — und was nicht?

Vorausschauende Wartung (englisch predictive maintenance) ist die zustandsbasierte Instandhaltung: Ein Bauteil wird weder nach festem Kalenderintervall getauscht (vorbeugende Wartung) noch erst nach dem Defekt (reaktive Wartung), sondern dann, wenn seine Messwerte auf einen bevorstehenden Ausfall hindeuten. Der Fachbegriff dafür ist Condition-Based Maintenance (CBM).

Den methodischen Rahmen liefert die Norm ISO 17359:2018 „Condition monitoring and diagnostics of machines“. Sie beschreibt die CBM-Kette als durchgehenden Ablauf: Datenerfassung, Analyse, Diagnose, Prognose und schließlich die Wartungsentscheidung. Wie die Zustandsdaten dabei standardisiert verarbeitet, übertragen und dargestellt werden, regelt die Normreihe ISO 13374 (Teile 1–3). Beide Normen stammen aus der allgemeinen Maschinendiagnostik — und genau hier beginnt die erste ehrliche Einschränkung.

Denn eine eigene ISO-Norm speziell für die vorausschauende Wartung von Robotern existiert Stand 2026 nicht. Die aktuellen Robotiknormen ISO 10218-1:2025 und ISO 10218-2:2025 — die erste große Überarbeitung seit 2011, mit einem neuen Klassifizierungsschema (Klasse 1 für stark eingeschränkte, Klasse 2 für alle übrigen Industrieroboter) — regeln die funktionale Sicherheit, nicht die Verschleißprognose. Wer Roboter zustandsbasiert wartet, borgt sich die Methodik also aus der allgemeinen Maschinendiagnostik. Das funktioniert, sollte aber nicht als roboterspezifischer Standard verkauft werden. Für kollaborierende Roboter, die im selben Raum wie Menschen arbeiten, gilt zusätzlich ein eigenes Sicherheitsregime — eingeordnet im Beitrag zu Cobots in der Fertigung.

Wie verraten Telemetrie-Muster einen Ausfall, bevor er passiert?

Ein Roboter erzeugt im Betrieb ein dichtes Signalbild, und mechanischer Verschleiß hinterlässt darin charakteristische Spuren, lange bevor ein Gelenk blockiert. Die Zustandsüberwachung in der Robotik stützt sich auf mehrere etablierte Messmodalitäten, die sich ergänzen — keine einzelne liefert die ganze Wahrheit:

Modalität	Signal / Sensorik	Früh erkennbares Fehlerbild	Referenznorm (Stand 2026)
Schwingungsanalyse	Beschleunigungssensoren an Gelenk, Getriebe, Motor	Lagerschaden, Zahneingriffsfehler, Unwucht	ISO 13373; ISO 10816 bzw. 20816
Motorstromsignatur (MCSA)	Stromverlauf des Antriebs, ohne Zusatzsensor	Rotor-/Statorfehler, Lagerverschleiß, Lastanomalien	—
Thermografie	Temperatur an Motor, Antrieb, Gelenk	Überhitzung vor Isolations- oder Schmierdefekt	—
Akustik / Ultraschall	hochfrequente Körperschallereignisse	Risse, Reibung, Schmierungsabriss (noch vor dem Schwingungsband)	—
Öl-/Schmierstoffanalyse	Partikelzählung, Viskosität, Verschmutzung	Verschleiß in Getriebegelenken und Untersetzungsgetrieben	ISO 4406

Die Schwingungsbewertung orientiert sich an ISO 13373 sowie an den Grenzwertbändern der Reihe ISO 10816 bzw. ihrer Nachfolgereihe ISO 20816; welche Teile davon aktuell gültig und welche zurückgezogen sind, ist Stand 2026 uneinheitlich und sollte im Einzelfall geprüft werden.

Aus den Rohsignalen wird erst dann eine Prognose, wenn die Kette stimmt: erfassen, über die Zeit hinweg als Trend verfolgen, mit einer Grundlinie pro Lastprofil vergleichen, per Schwellwert oder KI-gestützter Anomalieerkennung auffällige Muster markieren und daraus eine Wartungsentscheidung ableiten. Ein einzelner überschrittener Grenzwert ist keine Prophezeiung — entscheidend ist der Trend über Wochen. Fehlt die Grundlinie für das jeweilige Lastprofil, produziert das System Fehlalarme, und nichts untergräbt das Vertrauen der Instandhaltung schneller als ein Alarm, hinter dem nichts steckt.

Geplante versus ungeplante Ausfallzeit — worin liegt der Unterschied?

Die ganze Rechnung der vorausschauenden Wartung steht und fällt mit einer Unterscheidung: geplante gegen ungeplante Ausfallzeit. Geplante Ausfallzeit ist ein bewusst aus der Produktion genommenes Wartungsfenster für Inspektion oder Tausch — kalkulierbar und außerhalb der Spitzenlast terminierbar. Ungeplante Ausfallzeit ist der unerwartete Stillstand, meist durch einen Bauteilausfall ausgelöst, und trifft die Linie fast immer zum ungünstigsten Zeitpunkt.

Diese Unterscheidung steckt auch in den Kennzahlen. Die MTBF (Mean Time Between Failures) misst die mittlere Betriebsdauer zwischen ungeplanten Ausfällen — geplante Wartung zählt per Definition nicht als Ausfall. Wer geplante Stopps in die MTBF einrechnet, redet die Kennzahl künstlich klein. Die MTTR (Mean Time To Repair) misst die mittlere Zeit bis zur Wiederherstellung. Begriffe wie diese finden Sie kompakt im Glossar.

Merkmal	Geplante Ausfallzeit	Ungeplante Ausfallzeit
Auslöser	Inspektion, planmäßiger Tausch	Bauteilausfall, Störung
Planbarkeit	terminiert, außerhalb der Spitze	zufällig, oft zum ungünstigsten Zeitpunkt
Zählung in der MTBF	zählt nicht als Ausfall	zählt als Ausfall
Folgekosten	kalkulierbar, niedrig	Eil-Ersatzteile, Überstunden, Folgeschäden
Ziel der vorausschauenden Wartung	hierhin verschieben	so weit wie möglich vermeiden

Vorsicht bei Vergleichszahlen: Als „gesunde“ MTBF kursiert für manche Industrieanlagen ein Bereich von 500 bis 1.500 Stunden — das ist ein illustratives Beispiel, kein robotikspezifischer Richtwert. FANUC nennt für seine Roboter allgemein über 80.000 Stunden MTBF; diese Angabe stammt jedoch vom Hersteller und ist nicht unabhängig belegt. Beide Zahlen taugen nicht als universeller Maßstab — die MTBF hängt massiv von Bauart, Lastzyklus und Umgebung ab.

Warum potenziert sich Ausfallzeit in einer Flotte so schnell?

Bei einer Einzelmaschine ist ein Ausfall ein Ereignis. In einer Flotte ist er ein Muster. Nach dem Bericht „World Robotics 2025“ der IFR wurden 2024 weltweit 542.000 Industrieroboter neu installiert; der operative Bestand erreichte rund 4.664.000 Einheiten, ein Plus von 9 Prozent gegenüber dem Vorjahr. Allein China betreibt über zwei Millionen Einheiten. Große Fertigungsstandorte zählen ihre Roboter heute nicht mehr einzeln, sondern in Hunderten bis Tausenden.

Genau darin liegt die Sprengkraft. Eine homogene Flotte — gleiches Modell, gleiches Lastprofil, gleiche Charge — teilt sich auch die Fehlermodi. Ein bislang undiagnostizierter Verschleißmechanismus, der auf Einheit 1 auftaucht, kann auf den Einheiten 2 bis 200 nahezu gleichzeitig zuschlagen, weil sie denselben Belastungen ausgesetzt sind. Anders als der isolierte Einzelmaschinendefekt ist das kein Zufall, sondern ein systematisches Risiko.

Was ungeplanter Stillstand kostet, quantifiziert der Bericht „True Cost of Downtime“ von Siemens/Senseye (Ausgabe 2024) — eine herstellereigene Umfrage, entsprechend als Quelle zu kennzeichnen, aber in der Branche breit zitiert. Demnach verlieren die rund 500 größten Industrieunternehmen zusammen etwa 1,4 Billionen US-Dollar pro Jahr durch ungeplante Ausfallzeit, grob 11 Prozent ihres Jahresumsatzes. In der Automobilfertigung kann eine stehende Montagelinie laut Bericht bis zu 2,3 Millionen US-Dollar pro Stunde kosten (eine separat kursierende Zahl nennt rund 20.000 US-Dollar pro Minute — beide deuten in dieselbe Richtung, ohne dass eine als die eine autoritative Zahl gelten sollte). In der Schwerindustrie beziffert der Bericht den Extremfall auf 59 Millionen US-Dollar pro Stunde, das 1,6-Fache des Werts von 2019.

Hinzu kommt: Zwei Drittel der befragten Werke meldeten mindestens monatlich ungeplanten Stillstand; unter den Betrieben, die ihre Vorfälle erfassen, dauerte ein Ausfall im Schnitt rund vier Stunden und kostete etwa zwei Millionen US-Dollar. Die versteckten Folgekosten — Ausschuss, Eilfracht, Überstunden, Sekundärschäden — werden branchenüblich auf das Zwei- bis Dreifache der sichtbaren Kosten geschätzt. Für den Flottenbetrieb heißt das: Nicht die MTBF eines einzelnen Roboters ist die relevante Größe, sondern die Verfügbarkeit der Flotte. Eine Ausfallrate von zwei Prozent über 200 Roboter bedeutet, dass rechnerisch jederzeit vier Einheiten stehen.

Was bringt Zustandsüberwachung wirklich — und was ist Marketing?

Die großen Roboterhersteller bieten die Zustandsüberwachung als Dienst an. FANUC betreibt mit Zero Down Time (ZDT) einen IIoT- und KI-gestützten Dienst, ursprünglich mit General Motors und Cisco entwickelt: Daten werden im Werk erfasst, in die Cloud übertragen, dort auf Anomalien hin ausgewertet, und bei Auffälligkeiten geht eine Meldung an das Servicecenter, das einen geplanten Eingriff vorbereitet. Mit Ability Condition-Based Maintenance gleicht ABB die Betriebs-, Geschwindigkeits-, Beschleunigungs- und Getriebeverschleißdaten eines Roboters mit einer globalen Flottendatenbank ab, um Wahrscheinlichkeit und Zeitpunkt eines Fehlers abzuschätzen — auf Ebene einzelner Roboter oder der ganzen Flotte.

Bei den Zahlen ist Nüchternheit angebracht. FANUC nennt für ZDT eine Reduktion ungeplanter Roboter-Ausfallzeit um „bis zu 50 Prozent“; ABB spricht von „bis zu 25 Prozent“ weniger Stillstand und „bis zu 20 Prozent“ längerer Lebensdauer. Das sind Herstellerangaben, keine unabhängig geprüften Werte — und „bis zu“ beschreibt den Bestfall, nicht den Durchschnitt. Eine ebenfalls kursierende Behauptung, ein KI-System habe „über 70 Prozent der Ausfälle mindestens 24 Stunden im Voraus“ vorhergesagt, ließ sich nur in einer einzelnen Sekundärquelle finden und ist als unbelegt zu behandeln. Der reale Nutzen hängt von der Ausgangslage ab: von der Homogenität der Flotte, der Qualität der Grundlinien und der Fehlalarmquote.

Auch die Marktzahlen sind mit Vorsicht zu lesen. MarketsandMarkets taxiert den Markt für vorausschauende Wartung zuletzt auf rund 9,71 Milliarden US-Dollar (2026) mit Wachstum auf etwa 16,74 Milliarden bis 2031 (CAGR rund 11,5 Prozent) — während ein älterer Bericht desselben Hauses von 2022 bereits 15,9 Milliarden bis 2026 bei über 30 Prozent CAGR prognostiziert hatte. Die beiden Zahlen widersprechen sich deutlich; das zeigt, wie wenig belastbar solche Prognosen zwischen den Jahrgängen sind. Und ein letzter, oft übergangener Punkt: Dienste wie ZDT senden Betriebsdaten in die Herstellercloud. Wer eine Flotte betreibt, sollte die Frage der Datenhoheit bewusst beantworten, statt sie im Servicevertrag mitzuunterschreiben.

Wie wird daraus ein RobotOps-Wartungsstack?

„RobotOps“ ist kein von ISO, IEC oder VDA anerkannter Standard, sondern ein Denkmodell in Anlehnung an DevOps und MLOps: die Übertragung von Orchestrierung, Monitoring und Lebenszyklus-Disziplin auf den Roboter-Flottenbetrieb. Als Betriebsmodell — nicht als Norm — ordnet es die vorhandenen Bausteine sinnvoll, wie der Grundlagenbeitrag zu RobotOps als DevOps für Roboterflotten im Detail zeigt:

• Transport der Flottentelemetrie: Für mobile Roboter (AGV/AMR) standardisiert VDA 5050 die Kommunikation zwischen Fahrzeugen und Leitsteuerung (JSON über MQTT). Die Schnittstelle wurde von VDA und VDMA gemeinsam mit dem KIT entwickelt; die Version 2.1.0 (veröffentlicht im August 2024) erweitert die Unterstützung auf größere, heterogene Flotten — im März 2026 folgte Version 3.0.0.
• Methodik: die CBM-Kette nach ISO 17359 mit der standardisierten Datenarchitektur nach ISO 13374.
• Sensorik: die oben genannten Modalitäten, verdichtet zu einer Grundlinie pro Lastprofil.
• Ergebnis: aus dem Frühwarnsignal wird ein terminierter Arbeitsauftrag im geplanten Fenster.

Der RobotOps-Nutzen ist damit unspektakulär und genau deshalb belastbar: Man verschiebt Instandhaltung von reaktiv nach geplant, misst statt der Einzel-MTBF die Verfügbarkeit der Flotte und fängt den Fehlermodus auf Einheit 1 ab, bevor er die Einheiten 2 bis 200 erreicht. Vergleichbar vorsichtig geht die Praxis bei Software vor: Auch OTA-Updates für Roboterflotten werden erst an wenigen Einheiten getestet, bevor sie die ganze Flotte erreichen. Vorausschauende Wartung ersetzt keine gute Instandhaltung — sie macht sie planbar. Roboter fallen selten schlagartig aus; die Kunst besteht darin, das Signal zu lesen, solange noch ein Wartungsfenster dazwischenpasst.