Leckage-Frühwarnmuster-Erkennung

Das echte Ausmaß des Problems

Armaturen sind die stillen Wächter von Prozessanlagen — Ventile, Regel- und Absperrorgane, Druckminderer, Sicherheitsarmaturen. Sie versagen selten spektakulär. Meist schleichen sich Leckagen ein: ein Dichtungsverschleiß, ein Sitzfehler nach zu vielen Druckzyklen, eine Materialermüdung, die sich über Wochen als Druckverlustmuster ankündigt, bevor es zum Ausfall kommt.

Das Problem: Ohne kontinuierliche Datenanalyse ist dieses Muster unsichtbar.

Die GDV (Gesamtverband der Deutschen Versicherungswirtschaft) dokumentiert jährlich rund 1,1 Millionen Leitungswasserschäden allein in Deutschland — mit Entschädigungsleistungen von über 4,3 Milliarden Euro pro Jahr, vorwiegend aus der Wohngebäudeversicherung. In industriellen Anlagen sind die Folgekosten einer einzigen Leckage erheblich größer: Ein ungeplanter Stillstand in der chemischen Prozessindustrie kostet im Durchschnitt zwischen 50.000 und mehreren hunderttausend Euro — je nach Anlagentyp, Kontaminationsrisiko und Chargenvolumen. Für Lebensmittel- oder Pharmabetriebe kommt ein möglicher Rückruf oder Batch-Verlust dazu.

Die VDMA-Studie „Predictive Maintenance — Service der Zukunft” (VDMA, 2020) zeigt: 81 Prozent der deutschen Maschinenbauunternehmen befassen sich bereits mit dem Thema Predictive Maintenance — die große Mehrheit ist aber noch in der Entwicklung oder pilotiert. Für Armaturenhersteller mit Felddaten ist der Ausgangspunkt heute besser als je zuvor: Druckprofil- und Durchflussdaten liegen oft bereits vor — sie werden nur nicht systematisch ausgewertet.

Was Armaturenhersteller kennen, aber selten zahlenbasiert beschreiben:

• Reaktives Servicemodell: Kunden melden, Hersteller reagiert — im besten Fall mit einer guten Fehlerdiagnose, meistens mit dem Ersatz der Armatur
• Keine Feldbeobachtung: Was mit der Armatur nach Auslieferung passiert, ist für den Hersteller eine Blackbox — Betriebsstunden, Druckzyklen, Temperaturdrift: unbekannt
• Garantiediskussionen statt Partnerschaft: Leckage ohne Daten bedeutet immer Ursachenstreit zwischen Hersteller und Betreiber
• Reputationsschaden kaskadiert: Ein Pharmabetreiber, der dreimal mit demselben Armaturentyp Probleme hat, wechselt lieber den Hersteller als ein drittes Mal zu diskutieren

Die Kernfrage ist nicht technisch. Sie ist strategisch: Wer beobachtet als Erster, was im Feld passiert?

Mit vs. ohne KI — ein ehrlicher Vergleich

Der Qualitätsunterschied ist nicht: “KI ist besser als kein System.” Er ist: Ohne Felddaten-Analyse ist der Hersteller strukturell blind gegenüber dem, was seine Produkte nach der Auslieferung erleben.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die Zeitersparnis fällt episodisch an, nicht täglich. Wenn ein Frühwarnsignal greift und einen ungeplanten Serviceeinsatz verhindert, spart das 3–8 Stunden Techniker- und Koordinationszeit je Ereignis. Im laufenden Betrieb — Monitoring läuft automatisch — entsteht kaum täglicher Aufwand. Verglichen mit anderen Anwendungsfällen im Armaturenbau, bei denen KI täglich in wiederkehrende Abläufe eingreift, ist diese Achse begrenzt.

Kosteneinsparung — sehr hoch (5/5) Dies ist die stärkste Achse. Die Kosten-Asymmetrie ist extrem: Ein einzelnes verhinderte Leckageereignis in einem Prozessbetrieb spart typisch 50.000–500.000 Euro in direkten Schäden, Stillstand und Haftungskosten. Die Infrastruktur für ein Monitoring-System kostet 200–400 Euro pro Sensordatenpunkt (Hardware) plus laufende Softwarekosten. Break-even nach 2–3 verhinderten Ereignissen über fünf Jahre ist für mittelgroße Installationen realistisch — das ist die überzeugendste Kostenbilanz unter den Armaturenbau-Anwendungsfällen.

Schnelle Umsetzung — sehr niedrig (1/5) Dies ist die schwächste Achse — und das ist ehrlich. Ein praxistaugliches Frühwarnsystem braucht: digitale Drucksensorik im Feld (falls noch nicht vorhanden), einen IIoT-Übertragungskanal, eine Zeitreihendatenbank, ein trainiertes Anomaliemodell und ausreichend historische Felddaten. Realistische Timeline: 3–6 Monate bis zum ersten Anomalie-Signal, 12+ Monate bis zu belastbaren Modellvorhersagen. Wer morgen anfangen will, findet hier nicht den einfachsten Einstieg — das ist der ehrliche Unterschied zu anderen Anwendungsfällen.

ROI-Sicherheit — mittel (3/5) Der ROI tritt ein, sobald ein Ereignis verhindert wird — und ist dann klar messbar. Das Problem: In den ersten 12–18 Monaten ist die Ereignisfrequenz oft gering. Die Modellqualität hängt stark von der Anzahl historisch beobachteter Leckageereignisse ab. Für Hersteller mit hohem Feldvolumen (über 500 Einheiten) ist die ROI-Sicherheit höher. Für kleinere Installationen ist der Nutzen realer, aber schwerer vorzurechnen.

Skalierbarkeit — hoch (4/5) Einmal entwickelt, skaliert das System gut: Ein Anomaliemodell für Ventiltyp A lässt sich auf die gesamte Feldflotte dieses Typs anwenden — ohne proportionale Mehrkosten. Neue Produkttypen benötigen eigene Trainingsläufe, aber die Infrastruktur steht. Der Unterschied zur Maximalwertung: Das Modell benötigt für jeden neuen Einbaukontext (andere Prozesstemperaturen, andere Druckregimes) Rekalibrierung — die Skalierbarkeit ist real, aber nicht kostenlos.

Richtwerte — stark abhängig von Feldvolumen, vorhandener Sensorinfrastruktur und historischer Datenlage.

Was das System konkret macht

Das technische Prinzip ist Predictive Analytics auf industriellen Zeitreihendaten. Konkret:

Schritt 1 — Datenstrom aufbauen. Drucksensoren und Durchflussmesser an den zu überwachenden Armaturen liefern kontinuierlich Messwerte — in der Regel jede Minute oder häufiger. Diese Daten werden über ein IIoT-Gateway (Siemens Industrial Edge, WirelessHART-Adapter, Pepperl+Fuchs IO-Link) in eine Zeitreihendatenbank überführt. Für kleinere Installationen übernimmt InfluxDB (open-source, on-premises betreibbar) diese Rolle effizient.

Schritt 2 — Baseline lernen. Das Machine Learning-Modell lernt über 3–6 Monate das “normale” Druckprofil je Armaturentyp und Installationsumgebung. Dabei fließen ein: Tagesprofile, saisonale Muster, Temperaturkorrelationen, Zykluszahlen. Die Baseline ist produkttyp- und prozesskontext-spezifisch — eine Wasserarmatur in einem Kühlsystem hat ein anderes Normalprofil als eine Regelarmatur in einem Dampfsystem.

Schritt 3 — Anomalien detektieren. Weicht ein aktueller Druckverlauf signifikant vom Erwartungsmodell ab — in Höhe, Geschwindigkeit oder Muster des Abfalls — erzeugt das System einen Alarm mit Konfidenzwert. Nicht jede Abweichung ist eine Leckage (Druckstöße, Regelungsschwankungen sind normal). Das Modell lernt, diese von echten Frühwarnsignalen zu unterscheiden.

Schritt 4 — Ableiten und kommunizieren. Bei einem validierten Frühwarnsignal löst das System eine Benachrichtigung aus: an den internen Serviceplaner, optional direkt an den Kunden. Der Alert enthält Produkttyp, Installationsstandort, Anomaliemuster und eine priorisierte Handlungsempfehlung: “Armatur Typ X an Stelle Y zeigt seit 8 Tagen wiederkehrendes Druckabfallmuster — empfohlene Inspektion innerhalb 14 Tage.”

Was das System nicht ersetzt

Ein Leckage-Frühwarnsystem ersetzt keine Prozessüberwachung durch die Betreiberseite. Es gibt keine Garantie für jede Leckage. Und es ist kein Ersatz für eine qualitativ hochwertige Armatur — es ist ein Mittel, um das Produktversagen früher zu sehen.

Risikoklassen nach Installationsumgebung

Der zentrale Unterschied zu anderen Predictive-Maintenance-Anwendungen: Das Ausmaß eines Leckage-Ereignisses ist nicht einheitlich. Ob ein tropfendes Ventil kritisch ist, hängt vollständig davon ab, in welchem Prozess es verbaut ist. Das Monitoring-System muss diese Risikoklassen kennen — sie bestimmen Alarmpriorität, Reaktionsgeschwindigkeit und Modellschwellenwerte.

Die Klassifizierung hat direkte Auswirkungen auf die Modellkonfiguration. Für Klasse-1-Anwendungen sind die Anomalie-Detektionsschwellen konservativer (höhere Sensitivität, mehr Fehlalarme in Kauf genommen). Für Klasse-3- und -4-Anwendungen können Schwellen entspannter gesetzt werden, um Alarmfatigue zu vermeiden.

Die Risikoklasse legt auch fest, ob das System automatisch eskaliert oder ob ein Mensch den Alert validiert, bevor der Kunde kontaktiert wird. In Klasse-1-Umgebungen ist Automatisierung riskant — ein Fehlalarm, der einen Pharmabetrieb unnötig alarmiert, kostet Vertrauen.

Konkrete Werkzeuge — was wann passt

Die Werkzeugwahl hängt von zwei Fragen ab: Wie viele Einheiten sollen überwacht werden? Und was liegt schon vor?

Netilion Health (Endress+Hauser) — für den schnellen Einstieg mit vorhandener E+H-Instrumentierung. Wenn die Armaturen HART-fähige Sensoren haben oder mit Endress+Hauser-Geräten kombiniert sind, ist Netilion der direkteste Weg. Das System liest NAMUR-NE-107-Statussignale aus und zeigt priorisierte Wartungsempfehlungen ohne eigene Modellentwicklung. Kostenloser Einstieg für bis zu 5 Geräte. Einschränkung: Keine trainierten ML-Anomaliemodelle für produkttypspezifische Muster — Diagnose basiert auf Geräte-Selbstdiagnose, nicht auf Zeitreihenvergleich.

Siemens Industrial Edge — für Betriebe mit Siemens-Infrastruktur und Echtzeit-Anforderungen. Wenn die Anlage auf SIMATIC-Steuerungen läuft und Drucksignale bereits im SPS-System erfasst werden, ist Industrial Edge die ausgereifte Edge-Computing-Plattform. Anomalieerkennung läuft lokal am Gerät, ohne Cloud-Pflicht. Einstieg ab ca. 10.000–30.000 Euro für einen Piloten, Gesamtprojekte schnell sechsstellig.

InfluxDB (open-source) — für den datenbanknahen, kosteneffektiven Ansatz. Armaturenhersteller, die eigene IT-Kompetenz haben und keine vollständige Plattform kaufen wollen, können mit InfluxDB on-premises eine Zeitreihendatenbank betreiben. Druckmesswerte landen per MQTT oder OPC-UA im Bucket, Flux-Queries berechnen tagesprofilbasierte Abweichungen. Die KI-Schicht (z.B. Python-basiertes Anomaliemodell mit scikit-learn) wird on-top entwickelt. Infrastrukturkosten nahe null, Entwicklungsaufwand realistisch 3–6 Monate.

Siemens Insights Hub — für Multi-Site-Betrieb und werkübergreifende Flottenanalyse. Wenn Armaturen bei Kunden an mehreren Standorten überwacht werden sollen, zentralisiert Insights Hub alle Datenströme. Das Herzstück: werkübergreifende Vergleichsanalysen (wie verhält sich Typ X in Standort A vs. Standort B?). EU-Hosting, DSGVO-konform. Lohnt sich erst ab substanziellem Flottenvolumen und IT/OT-Kompetenz im Haus.

AVEVA PI System — wenn der Betreiber PI schon einsetzt. Viele Prozessindustrie-Kunden der Armaturenhersteller betreiben bereits ein PI-System als industriellen Historian. In diesen Fällen sind die Druckdaten der Armaturen bereits im PI-System — der Hersteller muss keinen eigenen Datenstrom aufbauen, sondern API-Zugang zu den relevanten PI-Tags aushandeln. Das setzt Kooperationsbereitschaft des Betreibers voraus.

Zusammenfassung:

• Endress+Hauser-Geräte im Feld → Netilion Health
• Siemens-SPS im Betrieb → Siemens Industrial Edge
• Eigenes IT-Team, kosteneffektiver Ansatz → InfluxDB + Python
• Große Flotte, mehrere Standorte → Siemens Insights Hub
• Betreiber nutzt PI → API-Integration in AVEVA PI System

Datenschutz und Datenhaltung

Felddaten von Armaturen sind keine personenbezogenen Daten im Sinne der DSGVO — Druckmesswerte und Durchflussdaten beschreiben physikalische Prozesse, keine Personen. Dennoch sind sie geschäftskritisch:

Betreiber-Geheimnisse schützen. Druckprofile einer Prozessanlage können Rückschlüsse auf Produktionsprozesse, Batch-Zyklen und Kapazitäten erlauben. Betreiber werden — zu Recht — sehr genau prüfen, wer Zugriff auf ihre Felddaten erhält und ob der Armaturenhersteller diese Daten für eigene Zwecke nutzt. Das muss vertraglich geregelt sein, bevor das System in Betrieb geht.

Auftragsverarbeitungsvertrag (AVV). Auch ohne DSGVO-Pflicht empfiehlt sich ein klarer Datennutzungsvertrag zwischen Armaturenhersteller und Betreiber: Wer besitzt die Rohdaten? Welche aggregierten Muster darf der Hersteller für Produktentwicklung nutzen? Darf der Hersteller anonymisierte Muster anderer Kunden für das Training des Modells nutzen? Diese Fragen müssen vor der Implementierung, nicht danach, geklärt werden.

EU-konforme Optionen für alle Szenarien. InfluxDB on-premises liegt vollständig unter eigener Kontrolle. Netilion Health und Siemens Insights Hub hosten Daten in der EU. Honeywell Forge ist US-gehostet — für sensible Prozessdaten nur mit expliziter betreiberseitiger Freigabe. AVEVA PI ist on-premises einsetzbar und damit vollständig lokal.

OT/IT-Netzwerktrennung beachten. IIoT-Gateways, die Daten aus dem OT-Netzwerk (Prozesssteuerung) in Richtung Cloud oder IT-Netzwerk weiterleiten, müssen sicherheitstechnisch korrekt konfiguriert sein. IEC-62443-konforme Netzwerktrennung ist in Chemie, Pharma und kritischer Infrastruktur nicht optional.

Was es kostet — realistisch gerechnet

Einmalige Infrastrukturkosten (Pilot, 20–50 Armaturen)

Laufende Kosten

• Plattform-Abo: 5.000–20.000 €/Jahr (je nach Plattform und Flottenvolumen)
• Modellpflege und Rekalibrierung: 5–10 Tage/Jahr interner oder externer Aufwand
• Sensorik-Wartung: läuft parallel zur regulären Feldwartung

Was du dagegenrechnen kannst Ein einziger verhindert Schadensfall in einer Klasse-1- oder Klasse-2-Anlage: 50.000–300.000 Euro. Ein ungeplanter Serviceeinsatz inklusive Anfahrt, Stillstandszeit und Montage: 1.500–5.000 Euro. Für Hersteller, die jährlich 15–30 solcher Einsätze fahren, ist der Break-even bei 2–3 verhinderten Ereignissen innerhalb der ersten drei Betriebsjahre realistisch — bei einer Pilotinvestition von 30.000–70.000 Euro.

Die Kalkulation verändert sich stark, sobald der Hersteller das Monitoring als Service vermarktet (“Leckage-Monitoring als Abo”). Dann trägt der Betreiber Teile der Infrastrukturkosten, und der Hersteller monetarisiert das Modellwissen aus seinem gesamten Feldportfolio.

Drei typische Einstiegsfehler

1. Mit zu wenig Felddaten starten — und trotzdem Ergebnisse erwarten. Das häufigste Missverständnis: „Wir haben Drucksensoren, jetzt brauchen wir nur noch die KI.” Ein Anomalieerkennungsmodell braucht zwei Dinge: genug normale Betriebszyklen, um eine Baseline zu lernen, und mindestens einige dokumentierte Leckageereignisse, um das Modell zu validieren. Mit zwölf Betriebsmonaten ohne bekannte Fehler kann das Modell zwar Abweichungen zeigen, aber nicht sagen, ob sie auf echte Leckagen hinweisen oder auf normale Prozessvarianz. Wer zu früh scharfschaltet, bekommt viele Fehlalarme — und Fehlalarme zerstören das Vertrauen in das System schneller als jede technische Schwäche.

2. Das Modell kalibrieren — und nie wieder anfassen. Der kritische Langzeitfehler. Wenn sich Betriebsbedingungen ändern — neuer Produkttyp im Prozess, saisonale Temperaturverschiebung, andere Druckregimes nach einer Anlagenmodernisierung — driftet das Modell. Es beginnt, normale Betriebszustände als Anomalie zu melden (Fehlalarm) oder veränderte Risikosignale zu ignorieren (Fehler zweiter Art). Die Fachliteratur zu industriellem Machine Learning beschreibt dieses “Concept Drift”-Problem als häufigste Ursache für Modellversagen nach der initialen Inbetriebnahme. Die Lösung ist nicht mehr Daten — es ist ein geplanter Rekalibrierungsprozess, der bei definierten Triggern ausgelöst wird: neue Produkteinführung, nach erkanntem Leckageereignis, nach Wartungseingriff an der Armatur.

3. Risikoklassen ignorieren und alle Alerts gleich behandeln. Wer für eine Wasserarmatur in einer Niederdruck-Versorgungsleitung dieselbe Alarmpriorität setzt wie für ein Regelventil in einer pharmazeutischen Reinraumanlage, erzeugt Alarmrauschen in der einen oder gefährliche Unterprioritisierung in der anderen. Die Konsequenz: Das Team schaltet Alerts stumm, weil zu viele irrelevante kommen — und übersieht den wichtigen. Risikoklassen müssen vor dem Launch in der Alarmlogik abgebildet werden, nicht als Nacharbeit.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Geradlinige. Das Komplizierte ist die Zusammenarbeit.

Das Betreiber-Vertrauen ist kein Automatismus. Ein Armaturenhersteller, der anfängt, Felddaten des Kunden auszuwerten, bewegt sich in neues Terrain: Er wird plötzlich zum Prozessbeobachter. Manche Betreiber begrüßen das. Andere haben erhebliche Bedenken — nicht wegen Datenschutz im DSGVO-Sinne, sondern wegen Betriebsgeheimnissen und dem Misstrauen, dass der Hersteller Produktionsdaten für Verhandlungspositionen nutzt. Das Vertrauen muss aktiv aufgebaut werden: mit klaren Verträgen, mit nachweisbarem Mehrwert für den Betreiber, und indem der erste Proaktiv-Alert wirklich einen Schaden verhindert.

Interne Widerstände kommen vom Serviceteam. Erfahrene Servicetechniker haben über Jahre ein intuitives Gespür für Fehlerbilder entwickelt. Ein KI-System, das ihnen vorschlägt, wo das nächste Problem auftreten wird, kann als Kompetenz-Infragestellung erlebt werden — auch wenn das nie so gemeint ist. Sinnvoll: Das System als Assistenz positionieren, nicht als Ersatz. Der Techniker kennt den Kunden und die spezifische Anlage. Das System kennt Muster über hundert Anlagen. Beides zusammen ist stärker als eines allein.

Der Daten-Sharing-Prozess dauert länger als erwartet. Viele Betreiber haben interne Freigabeprozesse für externe Datenzugriffe — IT-Sicherheit, Legal, Einkauf. Selbst wenn der Instandhaltungsleiter begeistert ist, kann es Monate dauern, bis ein Data-Sharing-Agreement unterschrieben ist. Das ist kein Einwand gegen das System — es ist ein Projektrisiko, das frühzeitig eingeplant werden muss.

Was konkret hilft:

• Frühzeitig einen rechtlich belastbaren Datennutzungsvertrag erarbeiten — nicht als Bürokratie, sondern als Vertrauensanker
• Den ersten Pilotkunden sorgfältig auswählen: jemand, der offen für digitale Partnerschaft ist und dessen Anlage genug Datenpunkte liefert
• Servicemannschaft von Anfang an in das Alertinterpretations-Protokoll einbinden — ihre Rückmeldung ist das wichtigste Feedback-Signal für die Modellkalibrierung
• 90-Tage-Bewertungsfenster kommunizieren — kein System liefert sofort perfekte Vorhersagen

Realistischer Zeitplan mit Risikohinweisen

Hinweis: Die Phasen überlappen sich bewusst. Während die Baseline aufgebaut wird, läuft die technische Infrastruktur weiter, und das Modell kann erste Muster in noch unvollständigen Daten erkennen. Das Ergebnis des Pilotbetriebs bestimmt die Skalierungsstrategie.

Häufige Einwände — und was dahintersteckt

„Drucksensoren und IIoT-Gateways im Feld sind teuer — die Infrastrukturkosten übersteigen den Nutzen.” Das stimmt — für kleine Installationen und Klasse-3- oder -4-Risikoumgebungen. Wer zehn Armaturen in einem Niederdruck-Wasserverteilnetz überwacht, wird den Break-even kaum erreichen. Die Rechnung kippt, wenn man sie an der tatsächlichen Risikoklasse ausrichtet: In einer Klasse-1-Prozessanlage beginnt die Infrastruktur bei 200–400 Euro je Messpunkt. Ein einziger verhindert Batch-Schaden liegt bei 50.000–300.000 Euro. Drei verhinderte Ereignisse in fünf Jahren finanzieren den gesamten Infrastrukturaufbau — und zwar deutlich. Der Einwand ist nicht falsch, er ist an der falschen Risikoklasse gerechnet.

„Wir haben keine eigene Data-Science-Kompetenz.” Netilion Health von Endress+Hauser erfordert keine eigene ML-Entwicklung — es liest NAMUR-Diagnosesignale aus und priorisiert sie automatisch. Das deckt nicht alle Anwendungsfälle ab, aber für den Einstieg mit vorhandener E+H-Instrumentierung ist es der niedrigste Einstieg ohne eigene Datenanalyse-Ressourcen. Für tiefere Anomalieerkennung kann die Modellentwicklung an spezialisierte IIoT-Dienstleister ausgelagert werden.

„Unsere Kunden wollen keine Datenweitergabe.” Das ist kein technisches Problem — es ist ein Vertrauensproblem, das durch klare Verträge lösbar ist. Viele Armaturenhersteller beginnen mit Betreibern, die der Datenweitergabe aufgeschlossen gegenüberstehen, bauen damit nachweisbaren Mehrwert auf — und haben dann ein Pilotbeispiel, das anderen Kunden zeigt, was der Nutzen konkret ist.

Woran du merkst, dass das zu dir passt

Das System lohnt sich, wenn:

• Du regelmäßig reaktive Serviceeinsätze bei Kunden fährst, die auf Leckage- oder Druckabfall-Ereignisse zurückgehen — und weißt, dass diese mit Frühwarnung vermeidbar wären
• Du Armaturen in Klasse-1- oder Klasse-2-Risikoumgebungen (Pharma, Chemie, Lebensmittel) installiert hast, wo das Schadenpotenzial fünfstellig und höher liegt
• Du bereits Drucksensorik oder HART-fähige Feldgeräte bei deinen Kunden verbaut hast oder sie ohnehin für neue Projekte einplanst
• Du eine Flotte von mindestens 50 gleichartigen Armaturen im Feld hast, aus der ein statistisch belastbares Musterprofil entstehen kann

Drei harte Ausschlusskriterien:

1. Unter ca. 50 installierten gleichartigen Einheiten im Feld. Anomalieerkennung lernt aus Mustern über eine Produktpopulation. Wenn ein Armaturentyp nur 15–20 Mal installiert ist, reicht die statistische Basis nicht aus, um normale Varianz von echten Leckagesignalen zu trennen. Das Modell produziert entweder zu viele Fehlalarme oder es lernt die falsche Baseline.

2. Kein digitales Drucklogging im Feld — ausschließlich visuelle Sichtkontrollen oder manuelle Messung. Ein IIoT-Frühwarnsystem braucht kontinuierliche, digitale Messwerte. Installationen, die nur bei geplanten Wartungsintervallen manuell abgelesen werden, liefern keine Zeitreihendaten. Die Einführung eines vollständigen Sensor-Netzwerks vor dem KI-System — und die dafür nötige Betreiber-Kooperation — übersteigt in diesen Fällen den Nutzen bei weitem.

3. Rein statische Installationen ohne Druckzyklierung — etwa Speicheranlagen mit konstantem Niederdruck, die über manuelle Pegelstände kontrolliert werden. Anomalieerkennung funktioniert über Abweichungen von dynamischen Betriebsprofilen. Wo es keine sinnvolle Betriebsdynamik gibt (keine Zyklus-Varianz, keine Schaltspiele), gibt es kein Signal, das ein Modell analysieren könnte.

Das kannst du heute noch tun

Wenn du Endress+Hauser-Instrumente im Feld hast oder HART-fähige Armaturen verbaut sind: Registriere dich auf netilion.endress.com und starte den kostenlosen Free-Plan für bis zu 5 Geräte. Verbinde deine ersten Feldgeräte und schau, welche NAMUR-Statussignale bereits ankommen. Das dauert einen Tag — und zeigt dir sofort, ob die nötige Diagnose-Grundlage in deinen Instrumenten vorhanden ist.

Falls keine HART-Infrastruktur vorhanden ist: Nutze den folgenden Prompt, um systematisch zu analysieren, welche Produkte und Installationsstandorte für einen Piloten geeignet sind.

Quellen & Methodik

• GDV: Leitungswasserschäden 1,1 Millionen/Jahr: Gesamtverband der Deutschen Versicherungswirtschaft (GDV), Datenservice Sachversicherung / Naturgefahrenreport, zuletzt 2023. 4,3 Milliarden Euro Entschädigungsleistung Wohngebäudeversicherung: GDV-Pressemitteilung 2023. Die Zahlen beziehen sich auf private Wohngebäude — industrielle Schadenskosten je Ereignis liegen deutlich höher.
• VDMA Predictive Maintenance: VDMA, „Predictive Maintenance — Service der Zukunft und wo er wirklich steht” (2020). 81 % der befragten Maschinenbauunternehmen befassen sich mit dem Thema. Kostenfrei zugänglich als PDF beim VDMA.
• NAMUR NE 107: NAMUR-Empfehlung NE 107 „Selbstüberwachung und Diagnose von Feldgeräten”, überarbeitete Fassung 2022. Vier Statussignale (Ausfall, Funktionskontrolle, Außerhalb Spezifikation, Wartungsbedarf) als Basis für Condition Monitoring in Prozessarmaturen.
• Concept Drift in industriellen ML-Modellen: Wissenschaftliche Veröffentlichung „Distinguishing Process Faults from Model Drift Through Variable Contribution Analysis” (Processes, MDPI, 2026). Retraining-Dilemma in der Praxis: bei echtem Prozessfehler sollte das Modell nicht mit neuen Daten trainiert werden, da sonst das Fehlersignal normalisiert wird.
• Schadenkosten industrielle Leckagen: Chemietechnik.de, „Vermeiden von Gefahrstoff-Leckagen” — Beispiel: Chemieanlage EU, Flansch-Leckage, Abdichtung 2.500 €, potenzielle Sanierungskosten über 250.000 €. Eigene Erfahrungswerte aus Projekten mit Prozesskunden.
• IIoT-Infrastrukturkosten (Sensoren, Gateways): Pepperl+Fuchs WirelessHART-Portfolio, Siemens Industrial Edge Preisliste (öffentlich zugängliche Richtwerte, Stand April 2026). InfluxDB Cloud-Tarife: InfluxData, influxdata.com (Stand April 2026).
• Endress+Hauser Netilion Health: netilion.endress.com — Multi-Hersteller-Unterstützung für über 50 Gerätehersteller, NAMUR-NE-107-Integration, kostelloser Free-Plan für bis zu 5 Geräte (Stand April 2026).

Du willst wissen, ob deine Produktflotte die nötigen Voraussetzungen für ein Leckage-Frühwarnsystem erfüllt — und was ein Pilotprojekt realistisch kostet? Meld dich — das besprechen wir gerne in einem kurzen Gespräch.