INNOVATION SCOUT · IMPULSPROFIL

Predictive Maintenance und Zustandsdiagnostik

KI-gestützte Zustandsdiagnostik wertet Sensor-, Inspektions- und Wartungsdaten aus, erkennt Auffälligkeiten und unterstützt Instandhaltungsentscheidungen. Geeignete Prognosemodelle schätzen zusätzlich Ausfallrisiken oder die Restdauer bis zu einer definierten Zustandsgrenze ab.

Um was geht es bei Predictive Maintenance und Zustandsdiagnostik?

Zwischen einem auffälligen Messwert und dem Wartungsauftrag liegen mehrere Fragen: Ist das Signal plausibel, erklärt ein Betriebswechsel die Abweichung, welcher Fehler kommt infrage und wie kritisch ist er? Lernende Modelle unterstützen diese Prüfung. Die Zuordnung zur Anlage, geeignete Referenzdaten und Rückmeldungen der Fachkräfte bestimmen, ob Hinweise im Alltag brauchbar sind.

Quelle 7: Technisches Monitoring 2025, Fundstelle(n): Kap. 4–6; gedruckte S. 21, 24–27 · Kap. 4–6 Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ: learning/baseline, equipment suitability; dashboard and maintenance feedback · FAQ und Feedback Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): Methodik/Schluss Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §4.11

Einordnung im Impulsradar

Für abgegrenzte Aufgaben an Aufzügen und Bahnweichen sind laufende Zustandsdienste dokumentiert; bei weiterer Gebäudetechnik kommen kommerzielle Anwendungen hinzu. Bauwerksdiagnostik und Restnutzungsdauer sind stärker von Einzelfall und Validierung abhängig. Verwertbare Alarme müssen in fachlich bestätigte Maßnahmen münden. Die Quellen belegen konkrete Nutzung und Forschung, aber keine allgemeine Senkung von Ausfällen oder Wartungskosten.

Quelle 8: HUS Helsinki University Hospital, Fundstelle(n): Kundenreferenz HUS · HUS Quelle 9: KONE Annual Review 2025, Fundstelle(n): S. 13/47 Quelle 11: KONUX launches data intelligence platform designed to help partners co-create rail infrastructure solutions faster, smarter and at scale, Fundstelle(n): DB-Einsatzbestand Quelle 19: VINCI Facilities strengthens predictive maintenance through continuous asset monitoring, Fundstelle(n): Bestehende Kundennutzung Quelle 5: Akustisches Frühwarnsystem hilft Brückenschäden rechtzeitig zu erkennen, Fundstelle(n): Pilotstandorte Quelle 13: Automated fault diagnosis detection of air handling units using real operational labelled data and transformer-based methods at 24-hour operation hospital, Fundstelle(n): Methodik/Ergebnisse Quelle 14: Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States, Fundstelle(n): Daten/Validierung Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): Case study Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §4.11

Vom Messsignal zur bestätigten Maßnahme

Anomalieerkennung meldet eine Abweichung von einem Referenzzustand. Diagnose ergänzt eine Fehlerhypothese; Prognose schätzt eine künftige Grenze mit Unsicherheit. Diese Schritte sind nicht austauschbar. Ein Bild eines Risses oder eine ungewöhnliche Schwingung liefert weder automatisch die Ursache noch die verbleibende sichere Nutzungsdauer. Auch zustandsabhängige Wartung ist mit fachlichen Regeln und ohne maschinelles Lernen möglich.

Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): Methodik/Schluss · Conclusion Quelle 7: Technisches Monitoring 2025, Fundstelle(n): Kap. 4–6 Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §4.11 Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ und Feedback Quelle 17: A data-driven framework for structural health monitoring using reinforcement learning and deep autoencoders, Fundstelle(n): Aufgabenbegrenzung Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): BCI-Schwelle Quelle 21: Multi-defect type beam bridge dataset: GYU-DET, Fundstelle(n): Methods/Data collection, Data records

Für die betriebliche Umsetzung müssen Anlagenkennung, Zeitpunkt, Betriebsmodus und Messqualität zusammenpassen. Ein bearbeitbarer Hinweis braucht Befund, Dringlichkeit und einen zuständigen Empfänger. Bestätigter Fehler, Fehlalarm und ausgeführte Maßnahme sollten in die Historie zurückfließen.

Quelle 7: Technisches Monitoring 2025, Fundstelle(n): Kap. 4–6; gedruckte S. 21, 24–27 · Kap. 4–6 Quelle 10: Remote Services: Wartung und Fernservices, Fundstelle(n): Absätze zu Remote Services, wiederholten Eingriffen und verfügbarer Anlagenbasis Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ: learning/baseline, equipment suitability; dashboard and maintenance feedback · FAQ und Feedback Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): Methodik/Schluss Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §4.11

Der Schwerpunkt ist die diagnostisch begründete Instandhaltungsentscheidung. Ein digitaler Zwilling stellt dafür Anlagenkontext bereit; mobile Inspektion liefert Beobachtungen. Die laufende Optimierung von Energie-Sollwerten ist eine angrenzende Aufgabe. Eine etablierte Diagnosefunktion muss nicht sämtliche Schritte bis zur autonomen Reparatur oder alle Gebäude- und Infrastrukturtypen abdecken.

Worauf es bei Predictive Maintenance und Zustandsdiagnostik fachlich ankommt

Aufzüge: dokumentierter Zustandsdienst im Krankenhaus

Studien-/Praxisbefund

Der Aufzugsanbieter KONE beschreibt für das HUS-Krankenhausnetz in Südfinnland 295 Aufzüge sowie einen Aufzug zum Hubschrauberlandeplatz mit verbundenem Zustandsdienst. Die Referenz nennt vernetzten Service seit 2017, KI-gestützte Anomalieanalyse und die Reaktion von Technikern. Die Verfügbarkeit von 99,9 Prozent ist ausdrücklich ein Ziel. Der Bericht für 2025 ergänzt einen laufenden vernetzten Wartungsprozess; sein Vernetzungsanteil zählt keine einzelnen aktiven Diagnosefunktionen.

Quelle 8: HUS Helsinki University Hospital, Fundstelle(n): Referenz: Equipment, 24/7 Connected Services, Kundenaussage Mika Ahia Quelle 9: KONE Annual Review 2025, Fundstelle(n): gedruckte S. 13 und 47 (PDF S. 12 und 46)

Fachliche Einordnung

Der Zustandsdienst verbindet die Anomalieanalyse mit der wiederkehrenden Arbeit der Servicetechniker. Hinweise werden dadurch zu einem Anlass für die Prüfung der betroffenen Anlage. Für eine betriebliche Bewertung muss feststehen, wie viele Hinweise sich bestätigen, welchen Vorlauf sie bieten und welche Stillstände durch die anschließenden Maßnahmen tatsächlich vermieden werden.

Quelle 8: HUS Helsinki University Hospital, Fundstelle(n): Referenz: Equipment, 24/7 Connected Services, Kundenaussage Mika Ahia · Kundenreferenz HUS Quelle 9: KONE Annual Review 2025, Fundstelle(n): S. 13/47

Gebäudetechnik: anlagenspezifisches Lernen mit Fachprüfung

Studien-/Praxisbefund

VINCI Facilities Belgium berichtet im Februar 2026 von mehreren Kunden, die kontinuierliches Monitoring von Pumpen, Ventilatoren und Motoren bereits einsetzen. Geräusch-, Vibrations- und Temperaturdaten unterstützen die Erkennung von Abweichungen; Techniker beurteilen die Hinweise. Der Anbieter Soundsensing beschreibt dazu gelerntes Normalverhalten je Anlage und Rückmeldungen zu Befund und Maßnahme. Stark wechselnde Betriebsweisen nennt der Anbieter als Grenze.

Quelle 19: VINCI Facilities strengthens predictive maintenance through continuous asset monitoring, Fundstelle(n): Abschnitte zur bestehenden Kundennutzung, Sensorik und Technikerentscheidung Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ: learning/baseline, equipment suitability; dashboard and maintenance feedback

Fachliche Einordnung

Das anlagenbezogene Normalmodell macht Abweichungen vom bisherigen Betriebsverhalten sichtbar. Techniker müssen beurteilen, ob dahinter ein Fehler, ein Betriebswechsel oder ein Wartungseingriff steht. Solche Änderungen und bestätigte Befunde sollten im Referenzmodell nachvollziehbar bleiben, damit ein veränderter Betrieb nicht dauerhaft als ungeklärte Störung behandelt wird.

Quelle 19: VINCI Facilities strengthens predictive maintenance through continuous asset monitoring, Fundstelle(n): Abschnitte zur bestehenden Kundennutzung, Sensorik und Technikerentscheidung · Bestehende Kunden versus weiteres Rollout Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ: learning/baseline, equipment suitability; dashboard and maintenance feedback

Weichendiagnose und Eskalation zum Wartungsauftrag

Studien-/Praxisbefund

Der Anbieter KONUX nennt im Oktober 2025 einen Einsatzbestand von mehr als 3.500 Weichen in der Zusammenarbeit mit der Deutschen Bahn. Die bestehende sensorbasierte Zustandsanalyse ist von der gleichzeitig angekündigten Datenplattform CoBrix zu unterscheiden. Für Aufzüge beschreibt KONE im September 2025 einen Fernserviceweg: Wiederholter Interventionsbedarf innerhalb von 24 Stunden führt zu einem technischen Arbeitsauftrag.

Quelle 11: KONUX launches data intelligence platform designed to help partners co-create rail infrastructure solutions faster, smarter and at scale, Fundstelle(n): Abschnitte zu DB, bestehender Sensorbasis und CoBrix-Launch Quelle 10: Remote Services: Wartung und Fernservices, Fundstelle(n): Absätze zu Remote Services, wiederholten Eingriffen und verfügbarer Anlagenbasis

Fachliche Einordnung

Die sensorbasierte Weichenanalyse unterstützt die Beobachtung bestimmter Bauteile im Bahnnetz. Für die anschließende Wartung muss aus einem relevanten Hinweis ein Auftrag mit Zuständigkeit werden. Der beschriebene KONE-Fernserviceweg legt hierfür eine konkrete Eskalationsbedingung fest: Wiederholter Interventionsbedarf innerhalb von 24 Stunden führt zur technischen Bearbeitung. So wird die digitale Beobachtung mit dem Serviceablauf verbunden.

AIrBSound: akustische Diagnose an zwei Brücken

Studien-/Praxisbefund

Im Forschungsprojekt AIrBSound beschreiben Fraunhofer IDMT und Marx Krontal Partner lernende akustische Zustandsklassifikation an Fahrbahnübergängen der Wesenitz- und Sachsenbrücke in Pirna. Geräuschbereinigung, Klassifikationsmodelle und ingenieurfachliche Auswertung werden kombiniert. Geplante reversible Zustandsänderungen sollen bekannte Referenzen schaffen. Die Projektbeschreibungen benennen reale Erprobungsorte.

Quelle 5: Akustisches Frühwarnsystem hilft Brückenschäden rechtzeitig zu erkennen, Fundstelle(n): Abschnitte zu Pirna, KI und Partnerrollen Quelle 6: AIrBSound, Fundstelle(n): Projektzeitraum und Arbeitsprogramm

Fachliche Einordnung

Der Pilot erschließt Geräusche an Fahrbahnübergängen als Eingang in eine ingenieurfachliche Zustandsbewertung. Die geplanten bekannten Zustandsänderungen sollen helfen, akustische Muster mit einer überprüfbaren Referenz zu verbinden. Das angekündigte Projektende im Juni 2026 bestätigt noch keine abgeschlossene Ergebnisprüfung. Ein öffentlicher Abschluss mit Fehlalarmrate, Vorwarnzeit und tatsächlich ausgelösten Maßnahmen ist nicht nachgewiesen.

Quelle 5: Akustisches Frühwarnsystem hilft Brückenschäden rechtzeitig zu erkennen, Fundstelle(n): Abschnitte zu Pirna, KI und Partnerrollen · Pilotstandorte Quelle 6: AIrBSound, Fundstelle(n): Projektzeitraum und Arbeitsprogramm

Wasserbau: Dokumentwissen als Voraussetzung

Studien-/Praxisbefund

Das Forschungsprojekt HyProTwin erschließt Bau- und Wartungsdokumente im Wasserstraßenkontext mit hybriden KI-Ansätzen. Die Projektmeldung nennt unter anderem die Bundesanstalt für Wasserbau (BAW), die Wasserstraßen- und Schifffahrtsverwaltung (WSV), CONTACT Software und die TU Darmstadt. Im März 2026 veröffentlichte die Bundesanstalt für Wasserbau eine noch in Bearbeitung befindliche Kernontologie. Damit liegt nach der Projektankündigung ein konkretes Datenartefakt vor.

Fachliche Einordnung

Geordnetes Bau- und Wartungswissen kann helfen, relevante Dokumentinformationen einer Diagnose- oder Maßnahmenfrage zuzuordnen. Die Kernontologie ist dafür ein vorbereitender Baustein und noch in Bearbeitung. Als Grundlage liegt ihr amtlicher Metadatennachweis vor; eine technische Validierung des Inhalts oder Nachweise operativer Wartungswirkung enthält dieser Nachweis nicht.

Quelle 1: HyProTwin research project: Accelerating infrastructure projects with AI, Fundstelle(n): Projektbeschreibung, Absätze zu BAW, WSV, TU Darmstadt und CIM Database Quelle 2: HyProTwin Kernontologie, Fundstelle(n): Metadaten: Beschreibung, Erzeugung 28.02.2026, Veröffentlichung 12.03.2026 Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): Methodik/Schluss Quelle 7: Technisches Monitoring 2025, Fundstelle(n): Kap. 4–6 Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §4.11 Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ und Feedback

Lüftungsdiagnose: Was gilt als bestätigter Fehler?

Studien-/Praxisbefund

Eine Studie aus Grimstad verwendet 51.600 bereinigte Messzeilen aus März bis August 2021 und manuell interpretierte Diagnoseregeln des Verfahrens APAR als Referenz. Das Lernverfahren Random Forest und ein neuronales Netz lernen diese Zuordnung; physische Fehler wurden durch das Facility Management nicht bestätigt. Zehn von 28 Regeln waren mangels Sensordaten nicht nutzbar. Eine Krankenhausstudie aus Goyang untersucht acht Lüftungsanlagen mit realen Betriebsdaten und fachlich zugewiesenen Fehlerkennzeichnungen, schließt aber seltene Fehlerarten aus.

Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §3 Datensatz/Split; §4.8 Tabelle 11; §4.11 Limitations Quelle 13: Automated fault diagnosis detection of air handling units using real operational labelled data and transformer-based methods at 24-hour operation hospital, Fundstelle(n): Data collection / Data labelling / Dataset split / Results; DOI 10.1016/j.buildenv.2025.113257

Fachliche Einordnung

Beide Arbeiten liefern nachvollziehbare Methodenbefunde, aber ihre zufällig stratifizierten Datenteilungen prüfen keine Übertragung auf andere Gebäude oder spätere Betriebsperioden. In Grimstad verfehlen die Modelle eine Fehlerklasse trotz hoher Gesamtgenauigkeit. Entscheidend ist deshalb neben der Gesamtmetrik, welche Fehler tatsächlich vorkommen, wie ihre Referenz bestätigt wurde und welche Ereignisse unerkannt bleiben.

Neue Testdaten und nachvollziehbare Auswertung

Studien-/Praxisbefund

Eine im Januar 2026 veröffentlichte Datensammlung für Lüftungsanlagen (Air Handling Units, AHU) beschreibt acht Datensätze mit fehlerfreien und fehlerbehafteten Zuständen aus Testständen und Simulation. Konfiguration, Regelung und Fehlerstärke sind dokumentiert. Ein österreichisches Audit von 65 ausgewählten Konferenzarbeiten zum maschinellen Lernen für Heizungs-, Lüftungs- und Klimatechnik (HVAC) aus 2014 bis 2024 zeigt zugleich erhebliche Dokumentationslücken: In 72 Prozent fehlt eine Angabe zum Datenzugang; von zwei genannten Code-Links war einer defekt.

Fachliche Einordnung

Die neue Datenbeschreibung ermöglicht weitere Vergleiche, ist aber keine Zählung produktiv überwachter Gebäude. Das Audit bewertet Dokumentation und wiederholt nicht sämtliche Modelle. Für belastbare Übertragung sollten Zeiträume, Anlagen und Standorte unabhängig getrennt sowie Fehlalarme, verpasste Ereignisse und Vorwarnzeit je Anlage berichtet werden. Viele korrelierte Messzeilen ersetzen keine unabhängigen Schadensfälle.

Quelle 14: Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States, Fundstelle(n): Methods, Data Records, Technical Validation; Tabelle 1 Quelle 15: Reproducibility of Machine Learning-Based Fault Detection and Diagnosis for HVAC Systems in Buildings: An Empirical Study, Fundstelle(n): Methodology/Article extraction; Results §5.2–5.3 Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §3 Datensatz/Split; §4.8 Tabelle 11; §4.11 Limitations Quelle 13: Automated fault diagnosis detection of air handling units using real operational labelled data and transformer-based methods at 24-hour operation hospital, Fundstelle(n): Data collection / Data labelling / Dataset split / Results; DOI 10.1016/j.buildenv.2025.113257

Physikwissen in lernenden Diagnoseverfahren

Studien-/Praxisbefund

Das Forschungsverfahren PILLM verbindet Sprachmodelle mit physikalischem Wissen, um ausführbare HVAC-Diagnoseregeln zu erzeugen und iterativ zu bewerten. Im berichteten Benchmark steigt der F1-Wert gegenüber dem Vergleichsverfahren ARGOS von 0,902 auf 0,926, während die Erkennungsquote (Recall) von 0,885 auf 0,859 sinkt. Die Arbeit zeigt damit einen gemischten Methodenvergleich; Größe und unabhängige Abgrenzung des Tests sind im zugänglichen Text unzureichend beschrieben.

Quelle 16: Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation, Fundstelle(n): Methodology; Tabelle 1, Results

Fachliche Einordnung

Ausführbare Regeln machen den Zusammenhang zwischen Messwerten und Fehlerhypothesen für die fachliche Prüfung zugänglich. Der gestiegene F1-Wert bei zugleich gesunkenem Recall verlangt dabei eine gezielte Prüfung der übersehenen Ereignisse. Vor einem Einsatz müssen die erzeugten Regeln und ihre Auslassungen an passenden fachlichen Referenzen geprüft werden; die unzureichend beschriebene Testabgrenzung begrenzt die Übertragung des Benchmark-Ergebnisses.

Quelle 16: Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation, Fundstelle(n): Methodology; Tabelle 1, Results

Bauwerkszustand und bedingte Restdauer

Studien-/Praxisbefund

Eine 2026 veröffentlichte Arbeit kombiniert Autoencoder und Q-Learning zur Anomalieerkennung. Sie untersucht historische Daten der Z24-Brücke von 1998. Schadensort, Ursache und Prognose sind ausdrücklich nicht ihr Ergebnis; die Trennung zwischen Schwellenoptimierung und abschließendem Test bleibt unklar. Eine weitere Arbeit modelliert mit hierarchischem Bayes-Transfer Zustandsindizes von 5.826 Brücken aus neun kanadischen Verwaltungen. Ihre Restdauer bezieht sich auf eine Indexschwelle von 40.

Quelle 17: A data-driven framework for structural health monitoring using reinforcement learning and deep autoencoders, Fundstelle(n): Dataset; Methodology/Reward function Eq. 8; Scope of damage detection Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): Case study; Remaining useful life and life-cycle cost analysis

Fachliche Einordnung

Die Restdauer bis zu einer Zustandsgrenze ist nicht die Zeit bis zum Tragwerksversagen. Engere Modellunsicherheit bestätigt noch keine genauere langfristige Ausfallprognose. Kostenbeispiele hängen zusätzlich von Szenarioannahmen ab. Für reale Lebensdauermodelle bleiben ausreichend lange Beobachtung, Behandlung unvollständig beobachteter Verläufe und externe Kalibrierung wesentliche Prüfaufgaben.

Sichtbare Defekte sind ein Eingang in die Diagnose

Studien-/Praxisbefund

Der Datensatz GYU-DET beschreibt 11.123 Brückenbilder und sechs sichtbare Defektarten. Die 2025 publizierte Datenbeschreibung beruht auf Aufnahmen aus Guizhou von 2015 bis 2016. Sie trägt eine Bildannotations- und Erkennungsaufgabe. Der Review von Spencer und Kollegen ordnet im Abstract den Übergang von schwingungsbezogenem Monitoring zu bildgestütztem Bauwerksmonitoring (Structural Health Monitoring, SHM) ein.

Fachliche Einordnung

Ein Defektlabel markiert ein sichtbares Merkmal für die weitere Inspektion. Fachleute müssen dieses Merkmal im Zusammenhang des Bauteils und seines Zustands bewerten. Für eine Tragfähigkeitsfreigabe oder geprüfte Restlebensdauer sind weitergehende Untersuchungen erforderlich.

Quelle 21: Multi-defect type beam bridge dataset: GYU-DET, Fundstelle(n): Methods/Data collection, Data records Quelle 3: Advances in artificial intelligence for structural health monitoring: A comprehensive review, Fundstelle(n): Bibliografischer Datensatz: Titel, Autoren, Journal, Volume/Issue, DOI, Publikationsstatus Quelle 17: A data-driven framework for structural health monitoring using reinforcement learning and deep autoencoders, Fundstelle(n): Aufgabenbegrenzung Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): BCI-Schwelle Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): Conclusion

Energieprognose und Wartungsnachweis trennen

Studien-/Praxisbefund

Der Konferenzbeitrag AI-Driven Digital Twins for Predictive Maintenance verbindet BIM, Gebäudedaten und Wartungsinformationen an einem Hochschulgebäude. Validiert wird vor allem eine Energieverbrauchsprognose mit dem Lernverfahren LSTM anhand von Daten aus 2022 bis 2024. Die berichtete Abweichung von 2,98 Prozent bezieht sich auf Energieverbrauch; Diagnose und weitere Wartungsprognosen sind Erweiterungsmöglichkeiten.

Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): S. 3–7: Methodology, Results and Discussion, Conclusion

Fachliche Einordnung

Das Beispiel zeigt eine Integrationsarchitektur, trägt aber keinen Nachweis zuverlässiger Fehler- oder Restnutzungsdauerprognose. Für einen Wartungsversuch sind fachlich bestätigte Ereignisse, Maßnahmenabschluss und der Vergleich mit dem bisherigen Prozess erforderlich. AMEV beschreibt dafür Voraussetzungen wie Datenpunkte, Zielwerte, Sensorpflege, Schnittstellen und fachkundige Interpretation.

Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): S. 3–7: Methodology, Results and Discussion, Conclusion · Methodik/Schluss Quelle 7: Technisches Monitoring 2025, Fundstelle(n): Kap. 4–6; gedruckte S. 21, 24–27 · Kap. 4–6 Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §4.11 Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ und Feedback

Warum Predictive Maintenance und Zustandsdiagnostik relevant ist

Reifegraderste Marktanwendung bis etablierte Anwendung

Die Spanne reicht von neu eingeführten kommerziellen Zustandsdiensten in der Gebäudetechnik bis zu laufenden, über Einzelanlagen hinaus beschriebenen Aufzugs- und Weichendiensten. Diese konkreten Funktionen tragen die beiden Grenzen. Brückenakustik bleibt dagegen Pilotierung, Wasserbau-Wissenserschließung eine Voraussetzung. Eine über verschiedene Bauwerksarten etablierte Restlebensdauerprognose ist durch diese eng abgegrenzten Anwendungen nicht nachgewiesen. Viele Praxisnachweise stammen von Anbietern oder Dienstleistern.

Quelle 8: HUS Helsinki University Hospital, Fundstelle(n): Kundenreferenz HUS Quelle 9: KONE Annual Review 2025, Fundstelle(n): S. 13/47 Quelle 11: KONUX launches data intelligence platform designed to help partners co-create rail infrastructure solutions faster, smarter and at scale, Fundstelle(n): DB-Einsatzbestand Quelle 19: VINCI Facilities strengthens predictive maintenance through continuous asset monitoring, Fundstelle(n): Bestehende Kundennutzung Quelle 5: Akustisches Frühwarnsystem hilft Brückenschäden rechtzeitig zu erkennen, Fundstelle(n): Pilotstandorte

Evidenzbelastbare Praxis- oder Forschungsbelege

Reale Betriebsdaten mit offengelegter Methodik, dokumentierte Testdatensätze und verwaltungsübergreifende Zustandsmodelle tragen belastbare Forschungsbefunde für abgegrenzte Aussagen. Benannte Servicefälle ergänzen die Praxisperspektive. Zum Review über Bauwerksmonitoring liegen als Grundlage institutionelle Metadaten und das Abstract vor. Die Belegstärke ist ungleich: Regelbasierte Referenzlabels und zufällige Splits begrenzen Diagnosetests; langfristige Ausfallprognose und kausal gemessene Wartungswirkung sind schwächer belegt. Beim HUS-Service fehlen unabhängige Messungen von Fehlalarmlast, Vorwarnzeit und vermiedenen Stillständen. Der VINCI-Bericht nennt keine Kundennamen, Standorte, Anlagenzahlen oder kontrollierten Betriebsprotokolle; berichtete Zuverlässigkeits- und Energiegewinne sind damit nicht als unabhängig gemessene Wirkung abgesichert.

Quelle 13: Automated fault diagnosis detection of air handling units using real operational labelled data and transformer-based methods at 24-hour operation hospital, Fundstelle(n): Methodik/Ergebnisse Quelle 14: Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States, Fundstelle(n): Daten/Validierung Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): Case study Quelle 8: HUS Helsinki University Hospital, Fundstelle(n): HUS Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §4.11 Quelle 3: Advances in artificial intelligence for structural health monitoring: A comprehensive review, Fundstelle(n): Bibliografischer Datensatz: Titel, Autoren, Journal, Volume/Issue, DOI, Publikationsstatus Quelle 19: VINCI Facilities strengthens predictive maintenance through continuous asset monitoring, Fundstelle(n): Abschnitte zur bestehenden Kundennutzung, Sensorik und Technikerentscheidung · Bestehende Kunden versus weiteres Rollout Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ: learning/baseline, equipment suitability; dashboard and maintenance feedback

EntwicklungsdynamikAktive Weiterentwicklung

Neue Testdaten, hybride Diagnosemethoden und Transfermodelle erweitern mehrere Teilaufgaben.

Die aktuelle Weiterentwicklung umfasst neue AHU-Testdaten, physikalisch gestützte Regelgenerierung, Transfer zwischen Brückenbeständen und ein datiertes Wasserbau-Datenartefakt. Diese unterschiedlichen Linien tragen aktive Entwicklung. Eine zunehmende Entwicklungsrate ist nicht nachgewiesen; auch einzelne bessere Testwerte bedeuten keine allgemeine Verbesserung der Wartungspraxis.

Quelle 14: Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States, Fundstelle(n): Publikation und Data Records Quelle 16: Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation, Fundstelle(n): Methode Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): First published und Methode Quelle 2: HyProTwin Kernontologie, Fundstelle(n): Publikationsmetadaten

MarktdynamikSelektive Ausweitung

Datierte Berichte zeigen selektive Einführung weiterer Zustandsdienste; die Verbreitung bleibt ungleich belegt.

VINCI beschreibt im Februar 2026 die Einführung kontinuierlichen Zustandsmonitorings bei bereits mehreren Kunden. Das trägt einen begrenzten Ausweitungshinweis innerhalb eines Dienstleistungsangebots. KONE dokumentiert ergänzend die Einführung dynamischer Wartungsplanung in weiteren Märkten; dies ist eine angrenzende Funktion. Konnektivitätszahlen, Plattformstarts und die undatierte HUS-Referenz messen keinen neuen Zuwachs validierter Diagnosemodelle. Eine branchenweite Ausweitung folgt aus diesen Eigenangaben nicht.

Quelle 19: VINCI Facilities strengthens predictive maintenance through continuous asset monitoring, Fundstelle(n): Bestehende Kunden versus weiteres Rollout Quelle 9: KONE Annual Review 2025, Fundstelle(n): S. 13

Für welche Bauprozesse Predictive Maintenance und Zustandsdiagnostik relevant ist

Strategie & Projektentwicklung

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Die Diagnose setzt an beobachteten Anlagen und Bauwerken im Betrieb an. Zustandsinformationen können spätere Investitions- oder Erneuerungsentscheidungen vorbereiten. Für eine Projektentwicklung wären darüber hinaus eigene Ziele, Varianten und wirtschaftliche Bewertungen erforderlich.

Planung & Design

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Planung kann Messpunkte, Sensorzugang, eindeutige Anlagenkennungen und benötigte Betriebsdaten vorsehen. Das erleichtert die spätere Zuordnung und fachliche Prüfung von Signalen. Diagnose wird dadurch vorbereitet; ohne passende Betriebs- und Referenzdaten ist ihre Leistung noch nicht nachgewiesen.

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Monitoring- und Datenübergabeanforderungen beschreiben Voraussetzungen der späteren Betriebsleistung. Sie legen fest, welche Daten für die Diagnose bereitstehen müssen. Die Diagnose selbst beginnt mit der Auswertung von Betriebs- und Referenzdaten; sie übernimmt keinen Angebotsvergleich oder Zuschlag.

Bauausführung & Baustellenmanagement

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Die Zuordnung zum tatsächlich ausgeführten Bestand, Inbetriebnahmedaten und dokumentierte Referenzzustände schaffen die Ausgangsbasis für spätere Wartung. Auch bei Baustellenmaschinen kann eine konkrete Instandhaltungsaufgabe anschließen. Für solche Anwendungen müssen die Ausgangsdaten zur betroffenen Maschine und ihrem Betriebszustand passen.

Betrieb & Instandhaltung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Hier liegt die Kernanwendung: Auffälligkeiten prüfen, Ursachen fachlich eingrenzen, Maßnahmen nach Kritikalität und Wartungsfenster priorisieren und bestätigte Ergebnisse zurückführen. Ein Alarm ist erst dann betrieblich verwertbar, wenn Zuständigkeit und Maßnahmenabschluss gesichert sind.

Quelle 7: Technisches Monitoring 2025, Fundstelle(n): Kap. 4–6 Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): RUL/LCC Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): Methodik/Schluss Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §4.11 Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ und Feedback

Rückbau & Kreislaufwirtschaft

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Zustandsverläufe könnten Entscheidungen über Weiterbetrieb, Austausch oder eine gesonderte Wiederverwendungsprüfung unterstützen. Sie liefern dafür Informationen über den bisherigen Zustand. Die Eignung eines ausgebauten Bauteils muss anschließend für den vorgesehenen Verwendungszweck fachlich geprüft werden.

Für wen Predictive Maintenance und Zustandsdiagnostik relevant ist

Bauherren und Auftraggeber

Bauherren und Auftraggeber können Wartungs- und Erneuerungsprioritäten anhand nachvollziehbarer Zustandsinformationen vergleichen. Dafür legen sie Kritikalität, wirtschaftliche Vergleichsbasis und zugängliche Anlagendaten fest. So lässt sich nachvollziehen, welche Zustandsbefunde und Risiken eine Wartungs- oder Erneuerungsmaßnahme vorrangig machen.

Quelle 7: Technisches Monitoring 2025, Fundstelle(n): Kap. 4–6 Quelle 8: HUS Helsinki University Hospital, Fundstelle(n): Techniker-/Kundenprozess Quelle 19: VINCI Facilities strengthens predictive maintenance through continuous asset monitoring, Fundstelle(n): Technikerinterpretation Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): Verwaltungsübergreifende Zustandsmodelle

Betreiber, Facility- und Asset-Management

Betreiber sowie Facility- und Asset-Management verbinden Hinweise mit Inspektionen, Arbeitsaufträgen und Wartungsfenstern. Sie müssen Befunde bestätigen, falsche Hinweise dokumentieren und Maßnahmen abschließen. Der zusätzliche Prüfaufwand gehört in jeden Vergleich mit der bisherigen Instandhaltung.

Baustoff-, Produkt- und Maschinenhersteller

Hersteller können Komponentenwissen, Fehlercodes und Konfigurationen für Diagnose und Ersatzteilplanung bereitstellen. Änderungen an Bauteilen oder Software müssen in der Datenbasis erkennbar bleiben. So können Fachkräfte prüfen, ob ein beobachtetes Verhalten zur vorhandenen Komponente und ihrer aktuellen Konfiguration passt.

Technologieanbieter und Systemintegratoren

Technologieanbieter und Systemintegratoren verbinden Anlagenidentität, Zeitreihen, Modelle und Alarmempfänger. Sie betreuen Schnittstellen, Versionen, Datenlücken und Veränderungen des Normalverhaltens. Eine funktionierende Datenverbindung allein bestätigt keine übertragbare Diagnoseleistung.

Öffentliche Hand, Kommunen und Vergabestellen

Öffentliche Hand und kommunale Betreiber können Zustands- und Maßnahmenbegründungen über ihre Bestände vergleichbarer machen. Sie verantworten fachliche Prüfung und dokumentierte Entscheidungen einschließlich verbleibender Unsicherheit. Ein gemeinsames Alterungsmodell ersetzt keine Prüfung des einzelnen Bauwerks.

Mit welchen Technologie- und Anwendungsfeldern Predictive Maintenance und Zustandsdiagnostik verknüpft ist

Hauptbezug

Predictive Analytics & Entscheidungen

Der technische Kern liegt in der Zustandsbewertung, der bedingten Prognose und der Priorisierung einer Maßnahme. Die Entscheidung braucht eine definierte Referenz und bei Prognosen eine ausdrücklich benannte Grenze mit Unsicherheit. Dadurch unterscheidet sich die Anwendung von bloßer Datenerfassung.

Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): Architektur · Methodik/Schluss Quelle 14: Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States, Fundstelle(n): Data records Quelle 21: Multi-defect type beam bridge dataset: GYU-DET, Fundstelle(n): Bilddaten Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): LCC/RUL Quelle 7: Technisches Monitoring 2025, Fundstelle(n): Kap. 4–6 Quelle 12: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): §4.11 Quelle 20: Soundsensing – continuous monitoring / FAQ, Fundstelle(n): FAQ und Feedback

Verknüpftes Feld

BIM & Digitaler Zwilling

BIM und digitale Zwillinge verbinden Messungen, Inspektionsbefunde und Wartungshistorie mit dem richtigen Bauteil oder der richtigen Anlage. Dieser Kontext unterstützt Diagnose und Bearbeitung. Für eine Wartungsprognose müssen zusätzlich die relevante Zustandsgrenze, passende Verlaufsdaten und bestätigte Fehlerereignisse vorliegen.

Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): Architektur · S. 3–7: Methodology, Results and Discussion, Conclusion Quelle 14: Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States, Fundstelle(n): Data records Quelle 21: Multi-defect type beam bridge dataset: GYU-DET, Fundstelle(n): Bilddaten Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): LCC/RUL

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Datenplattformen führen Zeitreihen, Anlagenkennungen und bestätigte Wartungsbefunde nachvollziehbar zusammen. Qualität, Zeitbezug und Änderungen an Sensoren oder Modellen müssen erkennbar bleiben. Besonders bei seltenen Fehlern sind gepflegte Referenzen wichtiger als die bloße Zahl gespeicherter Messzeilen.

Verknüpftes Feld

Robotik, Automatisierung & Physical AI

Sensorik sowie mobile und bildgestützte Inspektionssysteme liefern Beobachtungen für die Diagnose. Gelernte Erkennung kann sichtbare oder akustische Auffälligkeiten markieren. Die räumliche Erfassung und die Bewertung von Ursache, Kritikalität oder Restdauer bleiben unterschiedliche Funktionen.

Quelle 4: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): Architektur Quelle 14: Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States, Fundstelle(n): Data records Quelle 21: Multi-defect type beam bridge dataset: GYU-DET, Fundstelle(n): Bilddaten · Methods/Data collection, Data records Quelle 18: Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning, Fundstelle(n): LCC/RUL Quelle 5: Akustisches Frühwarnsystem hilft Brückenschäden rechtzeitig zu erkennen, Fundstelle(n): Abschnitte zu Pirna, KI und Partnerrollen Quelle 6: AIrBSound, Fundstelle(n): Projektzeitraum und Arbeitsprogramm

Verknüpfte Fachbegriffe und Detailthemen

Anomalieerkennung: Auffällige Sensor- und Inspektionsdaten liefern Anhaltspunkte für die Diagnose und Planung notwendiger Instandhaltungsmaßnahmen.
Bauwerksmonitoring: Bauwerksmonitoring liefert wiederkehrende Messungen, aus denen sich Zustandsveränderungen für die Instandhaltung erkennen lassen.
Computer Vision: Die Bildauswertung erschließt sichtbare Zustandsmerkmale aus Inspektionsaufnahmen als Beitrag zur fachlichen Diagnose.
Digitaler Zwilling: Ein digitaler Zwilling stellt den Anlagenkontext bereit, in dem diagnostische Befunde einer Instandhaltungsaufgabe zugeordnet werden.
Sensorfusion: Die Verbindung verschiedener Zustandsinformationen hilft, einzelne Messbefunde im Zusammenhang der Anlage oder des Bauwerks zu beurteilen.
Verbleibende Nutzungsdauer: Die geschätzte Restdauer bis zu einer definierten Zustandsgrenze unterstützt die zeitliche Planung von Wartung und Ersatz.
Zustandsorientierte Instandhaltung: Die zustandsorientierte Instandhaltung leitet Wartungsbedarf aus dem beobachteten Zustand ab und wird von weitergehenden Ausfallprognosen unterschieden.

Quellen und Evidenz zu Predictive Maintenance und Zustandsdiagnostik

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
HyProTwin research project: Accelerating infrastructure projects with AI
Herausgeber
CONTACT Software
Publiziert
04.06.2025
Quellentyp
Projektbeschreibung
Geltungsbereich
Projektpartnerbeschreibung; Wasserbau-Dokumentwissen, keine validierte Ausfallprognose.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Projektbeschreibung, Absätze zu BAW, WSV, TU Darmstadt und CIM DatabaseTextstelle 15 Textstelle 16
Quelle 2
HyProTwin Kernontologie
Herausgeber
Bundesanstalt für Wasserbau; Jiuru Huang, Zahra Monfared
Publiziert
12.03.2026
Quellentyp
Datensatznachweis
Geltungsbereich
Amtlicher Metadatennachweis einer noch in Bearbeitung befindlichen Ontologie. Der Nachweis umfasst keine technische Validierung des Inhalts.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Metadaten: Beschreibung, Erzeugung 28.02.2026, Veröffentlichung 12.03.2026Textstelle 15 Textstelle 16
- PublikationsmetadatenTextstelle 31
Quelle 3
Advances in artificial intelligence for structural health monitoring: A comprehensive review
Herausgeber
Spencer, Sim, Kim und Yoon; KSCE Journal of Civil Engineering 29(3), 100203 / Seoul National University
Publiziert
März 2025
Quellentyp
Institutionelle Bibliografie
Geltungsbereich
Verfügbare Grundlage sind institutionelle Bibliografie und Abstract des Reviews zum Bauwerksmonitoring.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Bibliografischer Datensatz: Titel, Autoren, Journal, Volume/Issue, DOI, PublikationsstatusTextstelle 25 Textstelle 26 Textstelle 30
Quelle 4
AI-Driven Digital Twins for Predictive Maintenance
Herausgeber
Chady Elias, Raja R. A. Issa; EC3/CIB W78 2025
Publiziert
Juli 2025
Quellentyp
Originalstudie
Geltungsbereich
Konferenzoriginal an einem Gebäude; primär Energieprognose, keine validierte Fehler- oder Restdauerprognose.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- Methodik/SchlussTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 16 Textstelle 28 Textstelle 37 Textstelle 44 Textstelle 46
- ConclusionTextstelle 4 Textstelle 6 Textstelle 26
- S. 3–7: Methodology, Results and Discussion, ConclusionTextstelle 27 Textstelle 28 Textstelle 45
- ArchitekturTextstelle 44 Textstelle 45 Textstelle 46 Textstelle 47
Quelle 5
Akustisches Frühwarnsystem hilft Brückenschäden rechtzeitig zu erkennen
Herausgeber
Fraunhofer IDMT
Publiziert
18.06.2025
Quellentyp
Projektbeschreibung
Geltungsbereich
Benannte Brückenpiloten; kein verifizierter Ergebnisabschluss oder unabhängiger Wartungsnutzen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- PilotstandorteTextstelle 3 Textstelle 14 Textstelle 29
- Abschnitte zu Pirna, KI und PartnerrollenTextstelle 13 Textstelle 14 Textstelle 47
Quelle 6
AIrBSound
Herausgeber
Marx Krontal Partner
Publiziert
19.02.2025
Quellentyp
Projektbeschreibung
Geltungsbereich
Partnerbeschreibung derselben AIrBSound-Kette; Arbeitsprogramm statt Ergebnisvalidierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Projektzeitraum und ArbeitsprogrammTextstelle 13 Textstelle 14 Textstelle 47
Quelle 7
Technisches Monitoring 2025
Herausgeber
AMEV
Publiziert
2025
Quellentyp
Fachliche Arbeitshilfe
Geltungsbereich
Fachliche Monitoringempfehlung; Prozess- und Datenanforderungen, kein KI-Wirkungstest.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (20 Textstellen)
- Kap. 4–6Textstelle 1 Textstelle 2 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 16 Textstelle 28 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43 Textstelle 44 Textstelle 46
- Kap. 4–6; gedruckte S. 21, 24–27Textstelle 2 Textstelle 5 Textstelle 28
Quelle 8
HUS Helsinki University Hospital
Herausgeber
KONE; benannter Kunde HUS Kiinteistöt Oy
Publiziert
undatiert
Quellentyp
Anbieterbericht
Geltungsbereich
Undatierte Anbieterreferenz mit benanntem Krankenhausbetreiber; wiederkehrender Dienst, Verfügbarkeit als Ziel.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- Kundenreferenz HUSTextstelle 3 Textstelle 8 Textstelle 29
- HUSTextstelle 3 Textstelle 30
- Referenz: Equipment, 24/7 Connected Services, Kundenaussage Mika AhiaTextstelle 7 Textstelle 8
- Techniker-/KundenprozessTextstelle 39 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43
Quelle 9
KONE Annual Review 2025
Herausgeber
KONE
Publiziert
2026
Quellentyp
Anbieterbericht
Geltungsbereich
Unternehmensbericht zum Jahr 2025. Konnektivitätsanteile und Wartungsplanung beschreiben andere Gegenstände als die Zahl aktiv verwendeter KI-Diagnosefunktionen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- S. 13/47Textstelle 3 Textstelle 8 Textstelle 29
- gedruckte S. 13 und 47 (PDF S. 12 und 46)Textstelle 7
- S. 13Textstelle 32
Quelle 10
Remote Services: Wartung und Fernservices
Herausgeber
KONE Deutschland
Publiziert
01.09.2025
Quellentyp
Anbieterbericht
Geltungsbereich
Anbieterbeschreibung von Fernservice und Eskalation; geeignete Anlagen sind keine gemessene Nutzung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Absätze zu Remote Services, wiederholten Eingriffen und verfügbarer AnlagenbasisTextstelle 5 Textstelle 11 Textstelle 12
Quelle 11
KONUX launches data intelligence platform designed to help partners co-create rail infrastructure solutions faster, smarter and at scale
Herausgeber
KONUX
Publiziert
23.10.2025
Quellentyp
Anbieterbericht
Geltungsbereich
Anbieterauskunft zu DB-Bestand und Plattformstart; keine unabhängige Ausfall- oder Kostenmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- DB-EinsatzbestandTextstelle 3 Textstelle 29
- Abschnitte zu DB, bestehender Sensorbasis und CoBrix-LaunchTextstelle 11 Textstelle 12
Quelle 12
Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings
Herausgeber
Zabadi et al.; Frontiers in Built Environment
Publiziert
03.03.2026
Quellentyp
Originalstudie
Geltungsbereich
Originalstudie mit regelinterpretierten Referenzlabels; keine vom Betreiber bestätigten physischen Fehler.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (15 Textstellen)
- §4.11Textstelle 1 Textstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 16 Textstelle 28 Textstelle 30 Textstelle 37 Textstelle 44 Textstelle 46
- §3 Datensatz/Split; §4.8 Tabelle 11; §4.11 LimitationsTextstelle 17 Textstelle 18 Textstelle 20
Quelle 13
Automated fault diagnosis detection of air handling units using real operational labelled data and transformer-based methods at 24-hour operation hospital
Herausgeber
Seunghyeon Wang; Building and Environment 282, 113257; UCL Discovery
Publiziert
2025
Quellentyp
Originalstudie
Geltungsbereich
Akzeptiertes Originalmanuskript; reale historische Krankenhausdaten, zufällige Teilung und ausgeschlossene seltene Fehler.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Methodik/ErgebnisseTextstelle 3 Textstelle 30
- Data collection / Data labelling / Dataset split / Results; DOI 10.1016/j.buildenv.2025.113257Textstelle 17 Textstelle 18 Textstelle 20
Quelle 14
Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States
Herausgeber
Ghalamsiah et al.; Scientific Data 13, 15
Publiziert
09.01.2026
Quellentyp
Originalstudie
Geltungsbereich
Datenbeschreibung mit Teststand- und Simulationsdaten; keine acht produktiven Gebäudeinstallationen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Daten/ValidierungTextstelle 3 Textstelle 30
- Methods, Data Records, Technical Validation; Tabelle 1Textstelle 19 Textstelle 20
- Publikation und Data RecordsTextstelle 31
- Data recordsTextstelle 44 Textstelle 45 Textstelle 46 Textstelle 47
Quelle 15
Reproducibility of Machine Learning-Based Fault Detection and Diagnosis for HVAC Systems in Buildings: An Empirical Study
Herausgeber
Mukhtar, Hadwiger, Wotawa, Schweiger; TU Wien/TU Graz; arXiv:2508.00880v1
Publiziert
23.07.2025
Quellentyp
Preprint
Geltungsbereich
Preprint eines Dokumentationsaudits ausgewählter Arbeiten; keine Wiederholung sämtlicher Modelle.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Methodology/Article extraction; Results §5.2–5.3Textstelle 19 Textstelle 20
Quelle 16
Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation
Herausgeber
Subin Lin, Chuanbo Hua; arXiv:2510.17146v1
Publiziert
20.10.2025
Quellentyp
Preprint
Geltungsbereich
Workshop-/Preprintbericht; gemischter Metrikvergleich und unzureichend beschriebene Testabgrenzung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Methodology; Tabelle 1, ResultsTextstelle 21 Textstelle 22
- MethodeTextstelle 31
Quelle 17
A data-driven framework for structural health monitoring using reinforcement learning and deep autoencoders
Herausgeber
Hadizadeh, Tarighat, Malian; Scientific Reports
Publiziert
21.05.2026
Quellentyp
Originalstudie
Geltungsbereich
Neue Methodenpublikation auf Z24-Daten von 1998; Anomalieerkennung, Endtestabgrenzung offen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- AufgabenbegrenzungTextstelle 4 Textstelle 6 Textstelle 26
- Dataset; Methodology/Reward function Eq. 8; Scope of damage detectionTextstelle 23 Textstelle 24
Quelle 18
Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning
Herausgeber
Wang Chen, Arnold X.-X. Yuan, Peiyuan Lin; Computer-Aided Civil and Infrastructure Engineering
Publiziert
24.11.2025
Quellentyp
Originalstudie
Geltungsbereich
Retrospektive Zustandsindizes mehrerer Verwaltungen; Restdauer bis Indexgrenze, keine validierte Versagenszeit.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (24 Textstellen)
- Case study; Remaining useful life and life-cycle cost analysisTextstelle 1 Textstelle 23 Textstelle 24
- Case studyTextstelle 3 Textstelle 30
- BCI-SchwelleTextstelle 4 Textstelle 6 Textstelle 26
- First published und MethodeTextstelle 31
- RUL/LCCTextstelle 33 Textstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38
- Verwaltungsübergreifende ZustandsmodelleTextstelle 39 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43
- LCC/RULTextstelle 44 Textstelle 45 Textstelle 46 Textstelle 47
Quelle 19
VINCI Facilities strengthens predictive maintenance through continuous asset monitoring
Herausgeber
VINCI Facilities Belgium
Publiziert
11.02.2026
Quellentyp
Dienstleisterbericht
Geltungsbereich
FM-Dienstleister berichtet mehrere Kunden; Standorte und unabhängige Betriebsprotokolle fehlen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (11 Textstellen)
- Bestehende KundennutzungTextstelle 3 Textstelle 29
- Abschnitte zur bestehenden Kundennutzung, Sensorik und TechnikerentscheidungTextstelle 9 Textstelle 10 Textstelle 30
- Bestehende Kunden versus weiteres RolloutTextstelle 10 Textstelle 30 Textstelle 32
- TechnikerinterpretationTextstelle 39 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43
Quelle 20
Soundsensing – continuous monitoring / FAQ
Herausgeber
Soundsensing
Publiziert
undatiert
Quellentyp
Anbieterbericht
Geltungsbereich
Undatierte Anbieterbeschreibung zu Lernen und Rückmeldung; Eignungsgrenzen, kein kontrollierter Wirkungsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (13 Textstellen)
- FAQ und FeedbackTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 16 Textstelle 28 Textstelle 37 Textstelle 44 Textstelle 46
- FAQ: learning/baseline, equipment suitability; dashboard and maintenance feedbackTextstelle 2 Textstelle 5 Textstelle 9 Textstelle 10 Textstelle 30
Quelle 21
Multi-defect type beam bridge dataset: GYU-DET
Herausgeber
Li et al.; Scientific Data 12, 1101
Publiziert
01.07.2025
Quellentyp
Originalstudie
Geltungsbereich
Datenbeschreibung 2025 mit Bildern von 2015–2016; Defektannotation, keine Tragfähigkeits- oder Restdauerprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Methods/Data collection, Data recordsTextstelle 4 Textstelle 25 Textstelle 26 Textstelle 47
- BilddatenTextstelle 44 Textstelle 45 Textstelle 46 Textstelle 47

Alle Impulse im Radar entdecken

Predictive Maintenance und Zustandsdiagnostik

Um was geht es bei Predictive Maintenance und Zustandsdiagnostik?

Einordnung im Impulsradar

Vom Messsignal zur bestätigten Maßnahme

Worauf es bei Predictive Maintenance und Zustandsdiagnostik fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum Predictive Maintenance und Zustandsdiagnostik relevant ist

Für welche Bauprozesse Predictive Maintenance und Zustandsdiagnostik relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen Predictive Maintenance und Zustandsdiagnostik relevant ist

Bauherren und Auftraggeber

Betreiber, Facility- und Asset-Management

Baustoff-, Produkt- und Maschinenhersteller

Technologieanbieter und Systemintegratoren

Öffentliche Hand, Kommunen und Vergabestellen

Mit welchen Technologie- und Anwendungsfeldern Predictive Maintenance und Zustandsdiagnostik verknüpft ist

Predictive Analytics & Entscheidungen

BIM & Digitaler Zwilling

Datenplattformen & KI-Infrastruktur

Robotik, Automatisierung & Physical AI

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu Predictive Maintenance und Zustandsdiagnostik

Quellen und Evidenz zu Predictive Maintenance und Zustandsdiagnostik

HyProTwin research project: Accelerating infrastructure projects with AI

HyProTwin Kernontologie

Advances in artificial intelligence for structural health monitoring: A comprehensive review

AI-Driven Digital Twins for Predictive Maintenance

Akustisches Frühwarnsystem hilft Brückenschäden rechtzeitig zu erkennen

AIrBSound

Technisches Monitoring 2025

HUS Helsinki University Hospital

KONE Annual Review 2025

Remote Services: Wartung und Fernservices

KONUX launches data intelligence platform designed to help partners co-create rail infrastructure solutions faster, smarter and at scale

Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings

Automated fault diagnosis detection of air handling units using real operational labelled data and transformer-based methods at 24-hour operation hospital

Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States

Reproducibility of Machine Learning-Based Fault Detection and Diagnosis for HVAC Systems in Buildings: An Empirical Study

Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation

A data-driven framework for structural health monitoring using reinforcement learning and deep autoencoders

Cross-jurisdictional collaborative deterioration modeling via hierarchical Bayesian transfer learning

VINCI Facilities strengthens predictive maintenance through continuous asset monitoring

Soundsensing – continuous monitoring / FAQ

Multi-defect type beam bridge dataset: GYU-DET