Predictive-Maintenance-Verfahren benötigen möglichst viele Daten, um vorhersagen zu können, wann ein bestimmtes Teil oder Gerät gewartet oder ausgetauscht werden muss. Insbesondere bei langlebigen Produkten ist die Datenbasis jedoch zu dünn, als dass sich Aussagen mit einer akzeptabel niedrigen Fehlerwahrscheinlichkeit treffen ließen.

Forscher am Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF haben daher damit begonnen, die gängigen mathematischen Verfahren wie etwa Fuzzy-Modelle um die Erfahrungswerte der Mitarbeiter zu ergänzen, die beispielsweise eine Maschine bedienen, wie ein Artikel im Online-Magazin Fraunhofer InnoVations erklärt. Dazu befragen sie die Arbeiter etwa zu den Bedingungen, die vor dem Ausfall der Maschine am Produktionsstandort herrschten, und beziehen sie als zusätzliche Faktoren in die Gleichung ein.

Allerdings handelt es sich bei den Angaben der Mitarbeiter in der Regel nicht um exakte Messwerte, sondern um qualitative Einordnungen wie "gut", "mittel" oder "schlecht". Beispiele sind etwa Veränderungen im Prozessablauf oder auch nur ein bestimmtes Geräusch, das im Vorfeld des Ausfalls aufgetreten war. Dennoch konnten die Forscher durch Einbeziehung dieser Faktoren die Vorhersagequalität nach eigenen Angaben deutlich verbessern. Das Verfahren soll sich für die unterschiedlichsten industriellen Komponenten anwenden lassen.