Vorausschauende Wartung liefert die größten Einsparungen dort, wo ungeplante Ausfallzeiten hohe Folgekosten auslösen: an Hauptmaschinen und Hilfsaggregaten, Turboladern, Pumpen, Separatoren und elektrischen Antrieben. Der Nutzen entsteht nicht allein durch Sensoren, sondern durch frühere Erkennung von Abweichungen und bedarfsgerecht geplante Eingriffe, abgestimmt auf Hafenfenster, Ersatzteilverfügbarkeit und Survey-Termine.
Ein typisches Beispiel: Ein Turbolader auf einem Zweitaktmotor zeigt über Wochen eine leicht steigende Abgastemperatur bei gleichbleibender Last. Ohne systematische Trendüberwachung wird diese Abweichung erst bei Alarm oder Leistungsverlust bemerkt – dann ist der Schaden bereits eingetreten. Eine frühzeitige Erkennung hätte eine gezielte Turboladerreinigung im nächsten Hafenaufenthalt ermöglicht, statt eines ungeplanten Werkstattaufenthalts mit Off-Hire-Kosten von mehreren zehntausend Euro pro Tag.
Die größten Einsparpotenziale liegen erfahrungsgemäß in drei Bereichen: erstens bei der Vermeidung von Folgeschäden durch frühzeitige Intervention, zweitens bei der besseren Abstimmung von Ersatzteilbeschaffung auf tatsächlichen Bedarf statt pauschaler Bevorratung, und drittens bei der Möglichkeit, Wartungsintervalle datengestützt zu verlängern, wo der Zustand es zulässt – ohne Klasse- oder Herstellervorgaben zu verletzen.
Predictive maintenance delivers the greatest savings where unplanned downtime triggers high consequential costs: on main engines and auxiliary machinery, turbochargers, pumps, separators and electrical drives. The benefit does not come from sensors alone but from earlier detection of deviations and properly planned interventions aligned with port windows, spare parts availability and survey schedules.
A typical example: a turbocharger on a two-stroke engine shows a slowly rising exhaust gas temperature over several weeks at constant load. Without systematic trend monitoring, this deviation is only noticed at alarm level or when performance drops – by which point the damage has already occurred. Early detection would have allowed a targeted turbocharger cleaning during the next port call, rather than an unplanned workshop visit carrying off-hire costs of several tens of thousands of euros per day.
From experience, the greatest savings potential lies in three areas: first, avoidance of consequential damage through early intervention; second, better alignment of spare parts procurement with actual demand rather than blanket stockholding; and third, the ability to extend maintenance intervals on a data-driven basis where condition permits – without violating class or manufacturer requirements.
In der Praxis reichen oft wenige verlässliche Signale aus: Vibration, Lager- und Abgastemperaturen, Schmieroelzustand, Druckverläufe, Betriebsstunden, Lastprofile und Alarmhistorien. Entscheidend ist die Qualität der Trends, nicht die Anzahl der Messpunkte.
Vibrationsmessungen an Hauptlagern, Turboladern und großen Pumpen liefern belastbare Frühwarnung bei mechanischem Verschleiß. Lagertemperaturen zeigen Veränderungen in der Schmierung oder Ausrichtung. Abgastemperaturen pro Zylinder erlauben Rückschlüsse auf Einspritzdüsen, Auslassventile und Verbrennung. Schmieroelanalysen – insbesondere Partikelzählung, Viskosität und Wassergehalt – geben zuverlässige Hinweise auf den Zustand innerer Komponenten ohne Demontage.
Alarmhistorien werden häufig unterschätzt. Ein einzelner Alarm hat oft wenig Aussagekraft, aber Häufungsmuster über Wochen können auf systematische Probleme hinweisen, die im Tagesgeschäft untergehen. Wer diese Daten strukturiert auswertet – etwa wöchentliche Trendberichte vom Chief Engineer, die an Land mit PMS-Daten abgeglichen werden – hat bereits eine wirksame Basis für vorausschauende Wartung, ohne große IT-Investitionen.
In practice, a few reliable signals are often sufficient: vibration, bearing and exhaust gas temperatures, lube oil condition, pressure curves, running hours, load profiles and alarm histories. What matters is the quality of the trends, not the number of measurement points.
Vibration measurements on main bearings, turbochargers and large pumps provide robust early warning of mechanical wear. Bearing temperatures reveal changes in lubrication or alignment. Exhaust gas temperatures per cylinder allow conclusions about injector nozzles, exhaust valves and combustion. Lube oil analyses – particularly particle count, viscosity and water content – give reliable indications of internal component condition without disassembly.
Alarm histories are frequently underestimated. A single alarm often carries little significance, but clustering patterns over weeks can point to systematic problems that get lost in daily operations. Anyone who evaluates this data in a structured manner – for instance weekly trend reports from the Chief Engineer, cross-referenced ashore with PMS data – already has an effective basis for predictive maintenance without major IT investment.
Der wirtschaftliche Hebel liegt im Workflow nach dem Alarm. Ein gutes System meldet nicht nur eine Abweichung, sondern verknüpft sie mit einer technischen Bewertung, Dringlichkeitseinstufung, Ursachenhypothese und Handlungsempfehlung.
In der Praxis sieht das so aus: Der Trend einer steigenden Lagertemperatur an Hilfsdiesel Nr. 2 wird erkannt und automatisch mit der letzten Wartungshistorie abgeglichen. Das System stellt fest, dass die letzte Lagerüberholung vor 14.000 Betriebsstunden stattfand und empfiehlt eine Inspektion innerhalb der nächsten 500 Stunden. Gleichzeitig wird geprüft, ob die benötigten Ersatzteile an Bord oder im nächsten Hafen verfügbar sind.
Ohne diesen strukturierten Prozess bleibt es bei einer Alarmmeldung, die der Wachingenieur zur Kenntnis nimmt, möglicherweise als Einzelereignis einstuft und nicht weiterverfolgt. Die Differenz zwischen diesen beiden Szenarien ist der eigentliche ROI vorausschauender Wartung.
The economic leverage lies in the workflow after the alarm. A good system does not merely flag a deviation but links it to a technical assessment, urgency rating, root cause hypothesis and recommended action.
In practice, this looks as follows: the trend of a rising bearing temperature on auxiliary diesel No. 2 is detected and automatically cross-referenced with the last maintenance history. The system establishes that the last bearing overhaul was 14,000 running hours ago and recommends inspection within the next 500 hours. Simultaneously, it checks whether the required spare parts are available on board or at the next port.
Without this structured process, the result is an alarm notification that the watch engineer acknowledges, possibly classifies as an isolated event, and does not follow up. The difference between these two scenarios is the actual ROI of predictive maintenance.
Typische Fehlstarts sind zu breit angelegte Pilotprojekte, unklare Zuständigkeiten und der Versuch, zeitbasierte Wartung vom ersten Tag an komplett zu ersetzen. Ein enger Fokus auf wenige Anlagen mit hohem Risiko- oder Kostenpotenzial ist wirkungsvoller.
Ein weiterer häufiger Fehler ist die Überbetonung der Technologie gegenüber dem Prozess. Teure Sensorik und Cloud-Plattformen nützen wenig, wenn an Bord niemand die Ergebnisse in Handlungen umsetzt oder an Land niemand die Eskalationswege definiert hat. Die besten Systeme, die ich in der Praxis gesehen habe, waren oft die einfachsten: strukturierte Trendtabellen, die wöchentlich zwischen Bord und Land ausgetauscht werden, mit klaren Schwellenwerten und definierten Reaktionszeiten.
Außerdem wird oft versucht, alle Anlagen gleichzeitig einzubinden. Das überfordert sowohl die Bordmannschaft als auch die Landorganisation. Besser: mit zwei bis drei kritischen Systemen beginnen – etwa Hauptmaschine, Turbolader und Separatoren – Erfahrung aufbauen und dann schrittweise erweitern.
Typical false starts include overly broad pilot projects, unclear responsibilities and the attempt to replace time-based maintenance entirely from day one. A narrow focus on a few assets with high risk or cost potential is more effective.
Another common mistake is overemphasising technology over process. Expensive sensors and cloud platforms are of little use if nobody on board translates the results into actions, or if nobody ashore has defined the escalation pathways. The best systems I have seen in practice were often the simplest: structured trend tables exchanged weekly between vessel and shore, with clear thresholds and defined response times.
Additionally, many operators try to incorporate all assets simultaneously. This overwhelms both the crew and the shore organisation. Better: start with two to three critical systems – such as main engine, turbocharger and separators – build experience, then expand step by step.
Die Datenarchitektur für vorausschauende Wartung muss nicht komplex sein, aber sie muss konsistent sein. Im Kern steht die Verknüpfung von Zustandsdaten mit Betriebskontext. Eine Abgastemperatur von 380°C sagt wenig aus, wenn die zugehörige Motorlast, Drehzahl, Außentemperatur und Kraftstoffqualität nicht miterfasst werden. Erst die Normalisierung auf vergleichbare Betriebsbedingungen macht Trends aussagekräftig.
Für maritime Anwendungen haben sich drei Analysestufen bewährt. Stufe eins ist die einfache Trendüberwachung mit statischen Schwellenwerten – das kann jede Reederei mit einer Tabellenkalkulation umsetzen. Stufe zwei verwendet gleitende Durchschnitte und Regressionsanalysen, um Verschleißraten zu prognostizieren. Stufe drei arbeitet mit multivariaten Modellen, die mehrere Messgrößen korrelieren – etwa Vibration, Temperatur und Ölanalyse gleichzeitig – um Ausfallmuster früher zu erkennen.
Die meisten Flotten profitieren bereits erheblich von Stufe eins und zwei. Der Sprung zu Stufe drei erfordert deutlich mehr Datenqualität und analytische Kompetenz, liefert aber bei kritischen Anlagen wie dem Hauptantrieb oder der Stromerzeugung einen echten Mehrwert. IACS-Empfehlung Rec. 74 gibt hier einen nützlichen Rahmen für die Bewertung zustandsbasierter Klasse-Programme.
Ein oft übersehener Aspekt ist die Datenübertragung von Bord an Land. Satellitenverbindungen haben begrenzte Bandbreite, weshalb die Datenreduktion an Bord erfolgen muss – aggregierte Trendwerte statt Rohdaten, mit der Möglichkeit, bei Bedarf auf Rohdaten zuzugreifen. Systeme, die täglich gigabyteweise Rohdaten übertragen wollen, scheitern in der Praxis an den Kommunikationskosten.
The data architecture for predictive maintenance need not be complex, but it must be consistent. At its core lies the linkage of condition data with operational context. An exhaust gas temperature of 380°C says little if the corresponding engine load, speed, ambient temperature and fuel quality are not captured alongside it. Only normalisation to comparable operating conditions makes trends meaningful.
For maritime applications, three analysis tiers have proven effective. Tier one is simple trend monitoring with static thresholds – any ship manager can implement this with a spreadsheet. Tier two uses moving averages and regression analysis to forecast wear rates. Tier three works with multivariate models correlating several parameters simultaneously – vibration, temperature and oil analysis together, for example – to detect failure patterns earlier.
Most fleets already benefit significantly from tiers one and two. The leap to tier three demands considerably more data quality and analytical competence but delivers genuine added value for critical assets such as main propulsion or power generation. IACS Recommendation Rec. 74 provides a useful framework here for evaluating condition-based class programmes.
A frequently overlooked aspect is data transmission from vessel to shore. Satellite connections have limited bandwidth, which means data reduction must happen on board – aggregated trend values rather than raw data, with the option to access raw data when needed. Systems designed to transmit gigabytes of raw data daily fail in practice due to communication costs.
Die Einführung vorausschauender Wartung erfordert klare Rollenverteilung. An Bord ist der Chief Engineer für die Datenerfassung und erste Bewertung verantwortlich. An Land sollte ein Superintendent oder technischer Manager die Trends konsolidieren und Eskalationsentscheidungen treffen. Ohne diese klare Zuordnung bleibt vorausschauende Wartung ein Papiertiger.
Als Werkzeuge reichen in der ersten Phase häufig bestehende PMS-Software, ergänzt um strukturierte Trendformulare. Spezialisierte Condition-Monitoring-Plattformen wie ENIRAM, Kyma oder ShipNet bieten mehr Automatisierung, setzen aber eine stabile Dateninfrastruktur voraus. Der zeitliche Rahmen für eine solide Einführung liegt bei sechs bis zwölf Monaten für die erste Pilotanlage, weitere sechs Monate für den Rollout auf kritische Systeme.
Entscheidend ist die Akzeptanz an Bord. Wenn die Besatzung den Sinn des Meldesystems nicht versteht oder den Eindruck hat, dass zusätzliche Bürokratie ohne Rückmeldung entsteht, sinkt die Datenqualität schnell. Die besten Ergebnisse erzielen Reedereien, die dem Chief Engineer zeitnah Rückmeldung geben – was mit seinen Daten passiert ist, welche Maßnahmen abgeleitet wurden.
Implementing predictive maintenance requires clear role allocation. On board, the Chief Engineer is responsible for data collection and initial assessment. Ashore, a superintendent or technical manager should consolidate trends and make escalation decisions. Without this clear assignment, predictive maintenance remains a paper tiger.
In the first phase, existing PMS software supplemented by structured trend forms is often sufficient as tooling. Specialised condition monitoring platforms such as ENIRAM, Kyma or ShipNet offer more automation but presuppose a stable data infrastructure. The realistic timeline for a solid implementation is six to twelve months for the first pilot asset, with a further six months for rollout to critical systems.
Crew acceptance is decisive. If the crew does not understand the purpose of the reporting system, or feels that additional bureaucracy is being created without feedback, data quality drops rapidly. The best results are achieved by managers who give the Chief Engineer timely feedback – what happened with the data, which actions were derived.
Ein Container-Feeder mit MAN B&W 6S50ME-C zeigte über drei Monate einen langsamen Anstieg der Hauptlagertemperatur an Position 4. Der Anstieg betrug nur 2°C pro Monat – weit unter der Alarmschwelle, aber im Trend eindeutig. Die systematische Auswertung führte zu einer geplanten Lagerinspektion im nächsten Dockungsfenster, bei der ein Lagerschaden im Frühstadium festgestellt wurde.
Die Kosten der geplanten Reparatur lagen bei etwa 35.000 EUR inklusive Material und Serviceingenieur. Ein ungeplanter Ausfall hätte Schlepp-, Off-Hire- und Expressreparaturkosten von geschätzt 250.000–400.000 EUR verursacht. Das ist der Unterschied, den vorausschauende Wartung in der Praxis macht – nicht durch Magie, sondern durch konsequente Trendverfolgung.
A container feeder with a MAN B&W 6S50ME-C showed a slow rise in main bearing temperature at position 4 over three months. The increase was only 2°C per month – well below the alarm threshold, but unmistakable as a trend. Systematic evaluation led to a planned bearing inspection during the next docking window, which revealed early-stage bearing damage.
The cost of the planned repair was approximately EUR 35,000 including materials and service engineer. An unplanned failure would have caused towing, off-hire and express repair costs estimated at EUR 250,000–400,000. That is the difference predictive maintenance makes in practice – not through magic, but through consistent trend tracking.
Vorausschauende Wartung lohnt sich, wenn mindestens zwei der folgenden Bedingungen erfüllt sind: die Flotte umfasst Schiffe mit hoher Ausfallwirkung (Container, Tanker, Offshore), die durchschnittlichen ungeplanten Reparaturkosten übersteigen 100.000 EUR pro Jahr und Schiff, oder die bestehende Datenlage (Borddaten, Ölanalysen, PMS-Historien) ist bereits brauchbar.
Für kleine Flotten mit zwei bis fünf Schiffen kann eine einfache Stufe-eins-Lösung innerhalb weniger Wochen eingerichtet werden. Größere Flotten profitieren von einer systematischen Bewertung der Anlagenkritikailtät, bevor in Technologie investiert wird. Der häufigste Fehler ist, Technologie vor Prozess zu kaufen.
Predictive maintenance is worthwhile when at least two of the following conditions are met: the fleet includes vessels with high failure impact (container, tanker, offshore), average unplanned repair costs exceed EUR 100,000 per year per vessel, or the existing data situation (onboard data, oil analyses, PMS histories) is already usable.
For small fleets of two to five vessels, a simple tier-one solution can be set up within a few weeks. Larger fleets benefit from a systematic assessment of asset criticality before investing in technology. The most common mistake is buying technology before process.
Unverbindliches Erstgespräch – wir analysieren Ihre Situation und finden den besten Weg.Free initial consultation – we analyze your situation and find the best path forward.
Beratung anfragenRequest Consulting