Software
Predictive Maintenance
Begriff aus dem Vending-Glossar
Vorausschauende Wartung: Telemetrie- und Sensordaten werden ausgewertet, um Ausfälle zu prognostizieren und Wartungstermine bedarfsgerecht zu planen — statt nach festen Intervallen. In der Praxis 2026 überwiegt regelbasierte Anomalieerkennung (Vibration, Temperaturdrift); vollwertige ML-Vorhersagemodelle rechnen sich meist erst bei sehr großen, datenreichen Flotten.
Wie es funktioniert
Telemetrie- und Sensordaten werden fortlaufend an eine Cloud-Plattform übertragen: Brühzeiten und Nachheizzyklen bei Kaffeevollautomaten, Vibrationswerte und Stromaufnahme bei Motoren und Kompressoren, Temperaturkurven der Kühleinheit, wiederkehrende Fehlercodes. Regelbasierte Systeme — 2026 in der Praxis noch der Regelfall — lösen einen Alarm aus, sobald ein Wert eine definierte Schwelle über- oder unterschreitet, etwa eine Brühzeit, die spürbar über den Referenzwert der Maschine steigt. ML-gestützte Ansätze suchen dagegen nach Mustern über mehrere Sensorkanäle hinweg und sollen einen Ausfall erkennen, bevor überhaupt ein Schwellenwert erreicht wird.
Wie leistungsfähig das sein kann, zeigt eine 2025 veröffentlichte Studie zu einem IoT- und ML-gestützten Predictive-Maintenance-Framework für Verkaufsautomaten: Mit Random-Forest- und LSTM-Modellen erreichte das System in der Simulation eine Fehlerklassifikations-Genauigkeit von 94,2 % und einen simulierten Rückgang der Ausfallzeit um 32 % gegenüber rein reaktiver Wartung. Das ist ein Forschungsergebnis unter Laborbedingungen, kein branchenweiter Durchschnittswert — zeigt aber die Größenordnung, in der sich der Ansatz bewegt, wenn genug Daten vorliegen.
Voraussetzung: eine belastbare Datenreihe
Aus zwei oder drei Wochen Telemetrie lässt sich keine Prognose ableiten. Die Modelle — ob regelbasiert oder lernend — brauchen Referenzwerte aus dem Normalbetrieb über Monate hinweg, im Idealfall inklusive einiger dokumentierter Ausfälle je Bauteiltyp, um zwischen normaler Schwankung und beginnendem Defekt unterscheiden zu können. Jedes Projekt beginnt deshalb mit Messen, nicht mit dem Anfassen der bestehenden Wartungsintervalle.
Drei Wartungsstrategien im Vergleich
Reaktive Wartung repariert erst, wenn ein Gerät bereits ausgefallen ist — niedrigste Fixkosten, aber unplanbare Ausfallzeiten und im schlechtesten Fall ein Techniker-Noteinsatz mit Wochenendzuschlag. Präventive, kalenderbasierte Wartung tauscht Verschleißteile nach festem Intervall, unabhängig vom tatsächlichen Zustand — planbar, aber tendenziell zu früh, mit unnötigen Anfahrten zu Geräten, die noch länger durchgehalten hätten. Predictive Maintenance liegt zwischen beiden Extremen: Eingriffe finden statt, wenn die Daten einen beginnenden Defekt anzeigen, nicht früher und nicht später. Der Wechsel von präventiv zu predictive lohnt sich vor allem dort, wo Anfahrtskosten hoch sind oder Ersatzteile lange Vorlaufzeiten haben — bei kurzen Distanzen und günstigen Standardteilen ist der Aufwand für ein eigenes Vorhersagemodell oft größer als die Ersparnis.
Wirtschaftlicher Nutzen und Grenzen
Der Hebel ist dort am größten, wo ein Ausfall teuer ist: an umsatzstarken Standorten oder mit weiter Anfahrt, wo eine vermiedene Leerfahrt oder ein verhinderter Umsatzausfall sich direkt auszahlt. Bei kleinen Flotten mit wenigen Dutzend Geräten überwiegt in der Praxis der regelbasierte Ansatz auf Basis der ohnehin vorhandenen Telemetriedaten — ein eigenes, selbstlernendes Modell lohnt sich erst, wenn genug vergleichbare Geräte und genug Ausfallhistorie vorliegen, um Muster statistisch abzusichern. Das ist in der Breite der Branche heute meist erst bei sehr großen Flotten der Fall.