Markt-Radar · Stand 10/2026 · Wird monatlich aktualisiert
Predictive Maintenance mit IoT-Sensorik
Predictive Maintenance mit IoT-Sensorik wächst in der Forschung um 46 %, die Patentanmeldungen zeigen noch keinen klaren Trend.
Im Podcast:Folge #041: Vom Produkt zum SystemgeschäftFolge #009: Daten als Wachstumstreiber
380 Patentfamilien im Anwendungsfeld ohne klaren Trend stehen 2.266 wissenschaftlichen Publikationen mit einem messbaren Wachstum von 46 % im Zeitraum 2022 bis 2024 gegen 2019 bis 2021 gegenüber. Für eure Entscheidung bedeutet diese frühe Phase, kein großes Budget für eigene Grundlagenentwicklung zu binden, sondern bestehende Lösungen in eng abgegrenzten Piloten zu testen.1,2,3,4
Erste Einordnung: PartnerPartnert, wenn ihr euer Kerngeschäft in der Fertigung oder im Anlagenbetrieb um eine eng abgegrenzte Fähigkeit wie die Schwingungsanalyse oder Fehlerfrüherkennung ergänzen wollt. 55 % Anteil von Forschungseinrichtungen in den passenden EU-Projekten sowie das Publikationswachstum von 46 % zeigen, dass ihr über Institute oder Venture Clienting mit spezialisierten Startups direkten Zugriff auf aktuelle Methoden bekommt.
- Patentehoch
- Forschunghoch
- Medienniedrig
- EU-Förderungniedrig
- Dealsmittel
Das Wichtigste
Die Zahl der Schutzrechte stagniert im Anwendungsfeld und ist breit gestreut
Die Technologie in allen Anwendungen kommt auf 7.017 Patentfamilien, im konkreten Anwendungsfeld sind es 380 Familien ohne klaren Trend. Die fünf größten Anmelder halten zusammen nur 9 % dieser Familien, angeführt von NTN Toyo Bearing mit 10 und Siemens mit 8. Das heißt: Kein einzelner Konzern blockiert das Feld über Schutzrechte, ihr begegnet einer stark verteilten technischen Basis.1,2,5
Windkraft und erneuerbare Energien treiben die Patentierung im Feld
97 der 380 Patentfamilien im Kernfeld entfallen auf die Klasse für erneuerbare Energien (Y02E10) und 72 auf die Überwachung von Windkraftanlagen. Anmelder wie Polytech und Shenyang Zhongbian Electric melden spezifische Systeme für die Zustandsüberwachung von Windturbinen und deren Transformatoren an. Das heißt: Wer Anlagen in der Windkraft oder im schweren Maschinenbau betreibt, findet die konkretesten technischen Vorarbeiten genau dort.6,7
Wissenschaftliche Institute liefern den Großteil der neuen Methoden
Die Publikationen im Anwendungsfeld wachsen 2022 bis 2024 gegen 2019 bis 2021 von 422 auf 608, was einem Plus von 46 % entspricht. Hochschulen wie die Hefei University of Technology, die Wuhan University oder die Beihang University veröffentlichen stark zitierte Arbeiten zu neuronalen Netzen und digitalen Zwillingen in der Instandhaltung. Das heißt: Neue Analyse- und Diagnosemodelle entstehen derzeit vor allem an Instituten und lassen sich über Forschungskooperationen frühzeitig erschließen.4,8,9
Die Zahlen
2016unvollständig2026
Im Kern 380 Familien, im Umfeld 7.017
So gezählt
Google Patents (BigQuery): Patentfamilien (jede Erfindung einmal gezählt), deren englischer Titel oder Kernbegriffe die Technologie („predictive maintenance“, „condition monitoring“, „IoT sensors“, „machinery diagnostics“, „prognostics and health management“) und die Anwendung („manufacturing“, „machinery“, „wind turbine“, „railway“, „aviation“) nennen, nach frühestem Prioritätsjahr 2016 bis 2026: 380 Familien. Zum Vergleich das Umfeld: Die Technologie in allen Anwendungen kommt auf 7.017 Familien. Reihe, Anmelder und Anteile beziehen sich nur auf die 380 Familien mit Anwendungsbezug. Häufigste Patentklassen dieser Familien: Y02E10 (97), F03D17 (72), G06Q10 (39). 2025 und 2026 sind noch unvollständig (rund 18 Monate zwischen Anmeldung und Veröffentlichung) und zählen nicht in den Trend. Anteil der international angemeldeten Familien (mindestens zwei Patentämter, EP oder WO; 73 mit bekanntem Anmelder) mit Anmelder aus Deutschland: 11 %, aus der EU-27: 37 %. Das Land eines Anmelders ist das Land, das die Mehrheit seiner Familien nennt. Anmelder: Familien je Anmelder, Schreibvarianten zusammengefasst, Privatpersonen nicht gelistet; wer fast nur gemeinsam mit einem größeren Anmelder anmeldet, ist dort zusammengefasst. Belege: Familien ab Priorität 2023, Technologie und Anwendung im Titel zuerst, dann nach Zahl der Patentämter, höchstens zwei je Anmelder. Veränderung: die letzten drei vollständigen Jahre gegen die drei davor. 95-%-Spanne −13 bis +47 %. Hell gezeichnete Jahre sind noch nicht vollständig erfasst und zählen nicht in den Trend.
2016unvollständig2026
So gezählt
OpenAlex (wissenschaftliche Publikationen): Wissenschaftliche Publikationen (Artikel, Preprints, Konferenzbeiträge, Bücher), die im Titel die Technologie („predictive maintenance“, „condition monitoring“, „IoT sensors“, „machinery diagnostics“, „prognostics and health management“) und ebenfalls im Titel die Anwendung („manufacturing“, „machinery“, „wind turbine“, „railway“, „aviation“) nennen: 2.266 von 2016 bis 2026. 2025 und 2026 sind noch unvollständig (Publikationen werden noch nachgetragen) und zählen nicht in den Trend. Der Trend vergleicht den Anteil an allen erfassten Publikationen des jeweiligen Jahres, damit das Wachstum der Wissenschaft insgesamt nicht als Wachstum des Felds zählt. Institutionen: Zahl der Publikationen 2021 bis 2026 mit mindestens einer Autorin oder einem Autor der Institution. Belege: die 10 meistzitierten Publikationen ab 2023. Veränderung: die letzten drei vollständigen Jahre gegen die drei davor. 95-%-Spanne +29 bis +65 %. Hell gezeichnete Jahre sind noch nicht vollständig erfasst und zählen nicht in den Trend.
2016unvollständig2026
So gezählt
CORDIS (EU-Forschungsförderung): EU-geförderte Projekte aus Horizon 2020 und Horizon Europe mit Projektstart ab 2016, deren Titel oder Beschreibung die Technologie („predictive maintenance“, „condition monitoring“, „IoT sensors“, „machinery diagnostics“, „prognostics and health management“) und die Anwendung („manufacturing“, „machinery“, „wind turbine“, „railway“, „aviation“) nennt: insgesamt 153 Projekte, gezählt nach Startjahr. 2026 ist noch unvollständig (laufendes Jahr) und zählen nicht in den Trend. Belege: die 15 Projekte mit der größten EU-Förderung unter den 50 relevantesten. Von den 100 relevantesten Projekten gehören nach Prüfung der Titel 46 zum Thema; ihre EU-Förderung beträgt zusammen 139,5 Mio. €. Das ist die Förderung ganzer Konsortien, nicht Geld an einzelne Unternehmen. Partner: Koordinatoren und Teilnehmer dieser 46 Projekte. Hell gezeichnete Jahre sind noch nicht vollständig erfasst und zählen nicht in den Trend.
Wer das Feld prägt
- SiemensDEKonzernHält 8 Patentfamilien im Anwendungsfeld und patentiert Verfahren zur automatischen Anomalieerkennung mit Live-Sensordaten an Industriemaschinen.2
- BoschCNKonzernSichert sich Schutzrechte für vorausschauende Wartung mittels vortrainierter Merkmalsextraktion in der Fertigung über 3 Patentämter.1
- ABBKonzernBaut die eigenen Fähigkeiten bei der Überwachung von Rechenzentren und Industrieanlagen durch die Übernahme von IPEC aus.10
- I-careStartupWird nach einer Finanzierungsrunde über 20 Millionen Euro für seine Plattform zur vorausschauenden Wartung mit 1 Milliarde Euro bewertet.11
- CAI SoftwareMittelstandErweitert die eigene Fertigungsplattform durch die Übernahme von LLumin gezielt um KI-gestützte vorausschauende Wartung für die Fabrikhalle.12,13
- Reliability WonMittelstandÜbernimmt IVC Technologies, um die eigene Plattform um Dienstleistungen zur Zustandsüberwachung direkt in Industrieanlagen zu erweitern.14,15
- IPerceptStartupSammelt 16,5 Millionen US-Dollar für den Ausbau von KI-basierter vorausschauender Wartung ein.16
- FeelitStartupErhält 8,3 Millionen US-Dollar zur Skalierung von KI-Sensoren für die industrielle Überwachung.17
- Beihang UniversityCNForschungGehört mit 16 Publikationen zu den aktivsten Forschungsinstituten und entwickelt Methoden für digitale Zwillinge in der Fertigungsinstandhaltung.9
- Technische Universiteit DelftNLForschungIst an 3 passenden EU-Projekten beteiligt und koordiniert unter anderem das Luftfahrt-Wartungsprojekt ReMAP mit 6,8 Millionen Euro EU-Beitrag.18,19
Wohin Geld fließt
Finanzierungen und Übernahmen
- I-care2025Finanzierung (Plattform für vorausschauende Wartung, 1 Mrd. € Bewertung)11€20 Million
- IPercept2026Finanzierung für KI-basierte vorausschauende Wartung16$16.5M
- Feelit2025Finanzierung zur Skalierung von KI-Sensoren für industrielle Überwachung17$8.3 million
- Intellithink2026Finanzierung für industrielle KI und vorausschauende Wartung20₹17 Crore
- CAI Software2026Übernahme von LLumin12,13
- Reliability Won2026Übernahme von IVC Technologies14,15
- ABB2025Übernahme von IPEC10
- I-care Group2024Übernahme von Assets und Lizenzen von Sensirion Connected Solutions21
Build, Partner oder Invest
Strategische Relevanz: Für Betreiber von Produktionsanlagen, Windparks oder Schienenfahrzeugen ergänzt das Feld das Kerngeschäft über stabilere Prozesse und geplante Wartung. Für Maschinenbauer und Softwarehäuser entsteht ein neues Geschäft, wenn sie Zustandsüberwachung und Diagnoseplattformen als eigenes Produkt verkaufen.Distanz zum Kerngeschäft: Das Feld verlangt Fähigkeiten in der Multisenor-Datenfusion, der Merkmalsextraktion und beim maschinellen Lernen auf Zeitreihendaten. Für reine Anlagenbetreiber ohne eigene Daten- und Sensorik-Teams liegt diese Rolle in der Wertschöpfungskette weit vom Bestand entfernt.
Partnernaheliegend
Partnert, wenn ihr euer Kerngeschäft in der Fertigung oder im Anlagenbetrieb um eine eng abgegrenzte Fähigkeit wie die Schwingungsanalyse oder Fehlerfrüherkennung ergänzen wollt. 55 % Anteil von Forschungseinrichtungen in den passenden EU-Projekten sowie das Publikationswachstum von 46 % zeigen, dass ihr über Institute oder Venture Clienting mit spezialisierten Startups direkten Zugriff auf aktuelle Methoden bekommt.
Build
Baut selbst, wenn die Zustandsüberwachung eigener Maschinen euer zentrales Produktversprechen ist und ihr bereits tiefes Wissen in Sensorik und Datenanalyse besitzt, auch wenn das fehlende Patentwachstum im Feld noch keinen breiten Technologieschub zeigt.
Invest
Investiert, wenn ihr als Software- oder Automatisierungsanbieter eine eigene Wartungsplattform als neues Geschäft aufbaut und weit entfernte Sensorik- oder KI-Kompetenz zukaufen wollt, wofür die 11 Deal-Meldungen um Firmen wie LLumin, IPEC oder IPercept reale Ziele zeigen.
Erst validieren
Validiert zuerst, wenn für eure Anlagen noch unklar ist, ob IoT-Sensordaten Ausfälle verlässlich genug vorhersagen, bevor ihr Budget für flächendeckende Sensorik und Plattformlizenzen bindet.
Hypothese: Für Industrieunternehmen ohne eigenes Softwaregeschäft ist die Partnerschaft mit Forschungsinstituten oder spezialisierten Sensorik- und KI-Anbietern für eine eng abgegrenzte Überwachungsaufgabe der beste Weg, um das Kerngeschäft zu stärken. Diese Annahme bestätigt sich, wenn ein zeitlich begrenzter Pilot mit Partnern die Fehlerfrüherkennung an einer kritischen Anlage nachweist, und sie kippt, wenn Standard-Softwareplattformen diese Speziallösungen durch weitere Übernahmen vollständig ersetzen.
Wann die Antwort Nein ist
Für Unternehmen ohne kritische Maschinen in Fertigung, Energie oder Transport sowie für Firmen, die ein rein schutzrechtsgetriebenes Wachstumsfeld suchen, trägt das Thema nicht. Das erkennt ihr daran, dass die Patentanmeldungen im Anwendungsfeld bei 380 Familien ohne klaren Trend liegen und sich stark auf Spezialgebiete wie Windkraft konzentrieren.
Prüfpunkte für die nächsten 12 Monate
Beobachtet in den nächsten 12 Monaten, ob das Publikationswachstum von 46 % in steigende Patentzahlen umschlägt und ob weitere Plattformanbieter Spezialisten aufkaufen. Setzt parallel einen zeitlich begrenzten Piloten über Venture Clienting mit einem spezialisierten Anbieter wie Feelit, IPercept oder I-care an einer einzelnen kritischen Produktionslinie auf, mit einem klaren Abbruchkriterium für die Treffergenauigkeit der Ausfallprognose.
Wie hy zwischen Build, Partner und Invest entscheidet: Build, Partner oder Invest.
Was ihr klären solltet, bevor ihr Budget bindet
- An welchen eurer Anlagen in Fertigung oder Betrieb entsteht durch ungeplante Ausfälle ein so klarer Schaden, dass eine eng abgegrenzte Partnerschaft für Sensorik und Datenanalyse euer Kerngeschäft messbar verbessert?
- Welche spezifische Teilfähigkeit, etwa bei KI-Sensoren oder der Anomalieerkennung auf Live-Sensordaten, fehlt euch intern und lässt sich über einen Piloten mit Anbietern aus dem Feld schneller testen als durch eigenen Aufbau?
- Habt ihr die Datenqualität eurer bestehenden Maschinensteuerung geprüft, bevor ihr Budget für externe Predictive-Maintenance-Plattformen bindet?
30 Minuten mit dem Team Strategy & Innovation
Wir gehen das Radar mit euch durch und legen unsere Startup- und Patentdaten daneben.
Was das Radar nicht sieht
- Startups: wer jung ist, kaum patentiert und noch nicht in der Presse steht.
- Deals: Runden, Beteiligungen und Kooperationen, die nicht öffentlich gemeldet sind.
- Eure Position: was ihr schon könnt, wie weit das Feld von eurem Kerngeschäft weg ist.
Dazu bei Return on Innovation
Quellen und Methode
21 Belege
- Predictive Maintenance with Pretrained Feature Extraction for Manufacturing · Bosch · CN · 2023-02-28
- A method for automatic anomaly detection based on live sensor data applied to condition monitoring of an industrial machinery · Siemens · DE · 2025-02-28
- A Review on Vibration Monitoring Techniques for Predictive Maintenance of Rotating Machinery · Universidade Federal do Pampa · BR · 2023-06-26
- Data-driven and Knowledge-based predictive maintenance method for industrial robots for the production stability of intelligent manufacturing · Hefei University of Technology · CN · 2023-08-09
- Nozzle blockage condition monitoring device and monitoring method, and steel manufacturing method · JFE Steel · JP · 2024-03-18
- A condition monitoring system for a wind turbine, a wind turbine, and a method for an operation monitoring of a wind turbine · Polytech · CN · 2023-02-23
- Condition monitoring method and system for dry-type transformers used in wind turbine nacelles · Shenyang Zhongbian Electric · CN · 2026-05-28
- Condition monitoring of wind turbines with the implementation of spatio-temporal graph neural network · Wuhan University · CN · 2023-02-24
- Multi-level predictive maintenance of smart manufacturing systems driven by digital twin: A matheuristics approach · Beihang University · CN · 2023-05-15
- ABB strengthens data center and industrial monitoring capabilities with IPEC acquisition · new.abb.com · 2025-12-16
- I-care Hits €1 Billion Valuation After €20 Million Funding For Predictive Maintenance Platform · pulse2.com · 2025-12-23
- CAI Software acquires LLumin to add predictive maintenance to its manufacturing platform · app.dealroom.co · 2026-08-13
- CAI Software Acquires LLumin To Bring AI-Powered Predictive Maintenance Into The Factory Floor · pulse2.com · 2026-08-14
- Reliability Won Acquires IVC Technologies, Expanding Predictive Maintenance Platform · citybiz.co · 2026-10-06
- Reliability Won Acquires IVC Technologies, Expanding into In-Plant Condition Monitoring and Predictive Maintenance Services · businesswire.com · 2026-10-06
- IPercept Raises $16.5M for AI Predictive Maintenance · konsulteer.com · 2026-09-29
- Feelit raises $8.3 million to scale AI sensors for industrial monitoring · calcalistech.com · 2025-09-16
- ReMAP: Real-time Condition-based Maintenance for Adaptive Aircraft Maintenance Planning · Technische Universiteit Delft · NL · 2018-06-01
- TRANSCEND: Transport resilience against natural and anthropogenic disruptions · Technische Universiteit Delft · NL · 2027-01-01
- Intellithink Raises ₹17 Crore to Power Industrial AI and Predictive Maintenance · indianstartuptimes.com · 2026-04-16
- I-care Group Acquires Predictive Maintenance Assets and Licenses from Sensirion Connected Solutions to Strengthen Its Strategic Position in Germany and Overseas · businesswire.com · 2024-07-09
Methode: Wir zählen und lesen öffentliche Daten (Google Patents (BigQuery), OpenAlex (wissenschaftliche Publikationen), Online-Medien (Google News, GDELT), CORDIS (EU-Forschungsförderung), Finanzierungsmeldungen (Google News)) zu den Suchbegriffen des Felds. Das Briefing ist aus diesen Belegen geschrieben, jede Aussage verweist auf ihre Quelle. Es ist ein Blick von außen: ein Indikator, kein vollständiges Bild.
Was die Daten nicht zeigen: Dieser Blick von außen zeigt weder die internen Implementierungskosten und Amortisationszeiten von Sensor-Rollouts in Fabriken noch unveröffentlichte Kundenprojekte und Lizenzpreise der Softwareanbieter. Zudem haben die ausgewerteten Online-Medien und die Zahlen zur EU-Forschungsförderung in dieser Erhebung ein niedriges Vertrauen und tragen daher keine strategischen Kernaussagen.