Druckzyklus-Ermüdungsanalyse

Das echte Ausmaß des Problems

Kalenderbasierte Wartung ist ein Kompromiss — und zwar ein schlechter. Sie optimiert für Einfachheit, nicht für tatsächliche Beanspruchung. Das Ergebnis ist eine doppelte Fehlinvestition: Armaturen, die mechanisch noch in Ordnung sind, werden zu früh ausgebaut und verursachen unnötigen Aufwand. Und Armaturen, die intensiv genutzt werden, versagen zwischen zwei Wartungsterminen — weil der Kalender die Zykluslast ignoriert.

In industriellen Netzen und Versorgungsinfrastrukturen arbeiten Armaturen unter radikal unterschiedlichen Betriebsbedingungen. Eine Armatur am Eingang einer Produktionslinie mit automatischer Druckregelung kann 500 bis 1.500 Öffnungs-Schließ-Zyklen täglich akkumulieren. Eine Armatur im gleichen Netz, aber an einem wenig frequentierten Abzweig, kommt auf zehn bis zwanzig Zyklen wöchentlich. Beide erhalten — sofern keine Zyklenzählung existiert — dasselbe Wartungsintervall.

Laut Emerson Automation Experts, die Predictive-Valve-Diagnostics-Ergebnisse mehrerer Industriebetriebe ausgewertet haben, können “bis zu 80 Prozent der Regelarmaturenausfälle durch digitale Diagnosealarme frühzeitig erkannt werden” — doch der Schritt dorthin erfordert, dass Zyklusdaten überhaupt erfasst und ausgewertet werden. Ohne Zyklenzählung ist Predictive Maintenance bei Armaturen strukturell unmöglich: Man diagnostiziert dann nur noch reaktiv.

Die wirtschaftlichen Folgen sind spürbar:

• Ungeplante Ausfälle kosten in der Prozessindustrie zehn- bis hundertmal mehr als planmäßige Wartung — Produktionsstillstand, Notfalllohnkosten, Expressteilbeschaffung
• Zu frühe Ausbauten bedeuten unnötig verbrauchte Ersatzteile, vermeidbare Montagezeiten und voreitig entsorgte Bauteile mit verbleibender Restlaufzeit
• Zu späte Ausbauten führen zu Leckagen, Druckverlusten, Produktionsunterbrechungen und im schlimmsten Fall zu Umwelt- oder Personenschäden

Und das Hinterlistige: Im laufenden Betrieb sieht man den Unterschied nicht. Beide Armaturen laufen, bis sie nicht mehr laufen.

Druckzyklus ≠ Druckhöhe — der Unterschied, der alles ändert

Das ist die physikalische Grundlage, die in generischen Predictive-Maintenance-Ansätzen fast immer fehlt. Deshalb verdient sie einen eigenen Abschnitt.

Der maximale Betriebsdruck ist nicht die entscheidende Belastungsgröße für Ermüdung. Die Anzahl der Lastwechsel ist es.

Eine Armatur, die dauerhaft bei 80 Prozent des Nenndrucks betrieben wird — also unter 20 Prozent ihres Drucklimits bleibt —, ermüdet kaum. Die Dichtungsmaterialien und Ventilsitze unterliegen statischer Last, die sie für Tausende von Betriebsstunden ertragen.

Eine Armatur, die täglich 600-mal zwischen 10 und 60 Prozent des Nenndrucks wechselt, akkumuliert hingegen zyklische Wechsellast auf Dichtsitz, Ventilschaft und Gehäuseübergängen. Jeder Druckwechsel erzeugt Mikrobewegungen in der Sitzgeometrie, minimale plastische Verformungen in den Dichtelementen und Walkarbeit im Elastomerwerkstoff. Das ist Ermüdung im technischen Sinne — und sie akkumuliert.

Das Prinzip ist vergleichbar mit Metallermüdung in der Luft- und Raumfahrt, wo die Anzahl der Druckzyklen in Flugzeugrümpfen (Flüge = Druckwechsel) die Hauptbemessungsgröße für strukturelle Lebensdauer ist — nicht der Maximaldruck bei Reiseflughöhe.

In der Praxis bedeutet das:

Eine Armatur an einer Pumpstation mit 800 Druckzyklen täglich hat nach 90 Tagen bereits 72.000 Lastwechsel akkumuliert. Eine identische Armatur an einem Niederfrequenzabzweig kommt nach 90 Tagen auf 2.700 Lastwechsel. Gleiche Bauart, gleicher Hersteller, gleiche Nenngröße — aber der Ermüdungsfortschritt ist um Faktor 26 verschieden.

Ein ML-Modell, das diese Zyklenlast aus SCADA-Druckkurven extrahiert und mit Feldbedingungen (Druckspreizung, Temperaturvariation, Schaltgeschwindigkeit) kalibriert, kann genau diesen Unterschied abbilden. Die Wartungsempfehlung richtet sich dann nicht nach dem Kalender, sondern nach dem tatsächlich akkumulierten Ermüdungsäquivalent jeder einzelnen Armatur.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus Instandhaltungsprojekten in Prozessindustrie und Versorgungsbetrieben; keine repräsentative Stichprobe. Branchen- und anlagenspezifische Abweichungen sind erheblich.

Der entscheidende Effekt: Das Modell priorisiert. Aus 200 Armaturen im Netz werden die zwanzig herausgefiltert, bei denen ein Eingriff in den nächsten 60 Tagen tatsächlich sinnvoll ist — und die 40, bei denen der Ausbau erst in zehn Monaten nötig sein wird, werden explizit zurückgestellt. Das spart Fahrtzeiten, Montagekosten und Ersatzteile bei gleichzeitig gesteigerter Betriebssicherheit.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Der größte Hebel ist nicht die Modellierung, sondern die Priorisierung. Wenn das System sagt, welche 20 Armaturen in den nächsten 60 Tagen bearbeitet werden müssen — und welche 80 man in Ruhe lassen kann —, entfallen unstrukturierte Begehungen, unnötige Demontagen und reaktive Notfalleinsätze. Instandhaltungsteams berichten erfahrungsgemäß von zwei bis vier Stunden eingespartem Aufwand pro Wartungseinsatz allein durch die zuverlässigere Terminierung. Stärker als die Leckage-Frühwarnmuster-Erkennung auf der Zeitachse, weil Ermüdungsanalyse nicht nur reagiert, sondern plant.

Kosteneinsparung — mittel (3/5) Notfalleinsätze kosten vier- bis zehnmal mehr als planmäßige Wartung — Monteur auf Abruf, Spezialwerkzeug, Expressteil. Wer diese Rate um 50 Prozent senkt, hat den Investitionsaufwand für das Modell typischerweise in einer Saison amortisiert. Allerdings: Die Einsparung entsteht als verhinderte Kosten, nicht als sichtbarer Ertrag. Das macht sie schwerer zu verteidigen im Budgetgespräch als direkte Umsatzzahlen. Die Grundkosten für Einrichtung liegen bei 15.000 bis 40.000 Euro — nicht trivial, aber bei mittelgroßen Netzen realistisch in zwei bis drei Jahren zurückgeholt.

Schnelle Umsetzung — mittel (3/5) Wenn SCADA-Daten mit Zeitstempel und Druckwerten vorliegen — was bei industriellen Betreibern und Versorgungsunternehmen oft der Fall ist —, ist der Datenanlauf überschaubar. Drei bis fünf Monate bis zum Pilotbetrieb ist realistisch, wenn ein spezialisierter Dienstleister hinzugezogen wird. Das ist weder trivial noch ein Mehrjahresprojekt. Die eigentliche Herausforderung ist nicht die Technik, sondern die Datenqualität: Welche SCADA-Tags entsprechen welcher physischen Armatur? Gibt es Lücken, Sensordrift oder Kalibrierungsprobleme? Diese Arbeit dominiert die ersten Wochen.

ROI-Sicherheit — hoch (4/5) Anders als bei Kennzahlen, die auf indirekten Effekten beruhen, lässt sich der Nutzen hier konkret messen: Anzahl der Notfalleinsätze vorher und nachher, durchschnittliche Standzeit pro Armatur, Ersatzteilverbrauch. Das ist einfach gezählt. Ein erfahrener Betrieb kann nach zwölf Monaten den ROI auf Euro und Einsatz genau belegen. Das macht diesen Anwendungsfall für industrielle Entscheider besonders überzeugend — der Nutzen ist nicht nur plausibel, sondern nachweisbar.

Skalierbarkeit — niedrig (2/5) Das ist der ehrlichste Punkt. Ein Ermüdungsmodell, das für Kugelventile DN100–DN200 in einem Wasserversorgungsnetz trainiert wurde, überträgt sich nicht auf Schmetterlingsventile in einer Chemianlage — und schon gar nicht automatisch. Jede Armaturenbauart, jedes Medium, jede Betriebsdruckkurve erfordert eigene Kalibrierung und einen ausreichend langen Trainingsdatensatz. Skalierung bedeutet hier: mehr Modelle bauen und pflegen, nicht ein Modell auf alle anwenden. Das ist Realität, keine Einschränkung, die sich technisch wegzaubern lässt.

Richtwerte — stark abhängig von Anlagengröße, vorhandener SCADA-Infrastruktur und Armaturenflottengröße.

Was das Ermüdungsmodell konkret macht

Das Modell besteht aus zwei klar getrennten Schritten: Zyklenerkennung aus Rohdaten, und Ermüdungsakkumulation mit Feldfaktoren.

Schritt 1 — Zyklenerkennung aus SCADA-Druckkurven

Die SCADA-Zeitreihe eines Drucksensors an oder nahe einer Armatur zeigt typische Muster, wenn die Armatur öffnet und schließt: Druckabfall beim Öffnen, Druckaufbau beim Schließen, charakteristische Rampenformen je nach Armaturenbauart und Betätigungsgeschwindigkeit. Ein Machine Learning-Modell — in der Praxis oft ein einfacher Schwellenwert-Algorithmus mit anschließender Musterklassifikation — identifiziert diese Ereignisse, zählt sie und protokolliert Druckhöhe, Druckspreizung und Schaltdauer je Zyklus.

Schritt 2 — Ermüdungsäquivalent und Lebensdauerschätzung

Nicht alle Zyklen sind gleich schwer. Ein Zyklus von 2 bar auf 6 bar ist beanspruchender als einer von 4 bar auf 5 bar. Das Modell gewichtet Zyklen nach einem Ermüdungsäquivalent — analog zum Rainflow-Counting-Verfahren aus der Strukturmechanik, das Ingenieure seit Jahrzehnten für die Lebensdauerberechnung von Bauteilen einsetzen.

Zusätzlich fließen Feldkorrekturfaktoren ein:

• Medium-Korrektur: Wasser mit Ablagerungen ermüdet Sitze schneller als sauberes Druckluftgas
• Temperaturkorrektur: Thermische Wechsellast beschleunigt Elastomermüdung
• Wasserhammerkorrektur: Detektierte Druckspitzen über Nennbereich werden als Überlastevent gezählt

Das Ergebnis ist kein binäres “defekt / nicht defekt”, sondern ein Ermüdungsfortschrittswert zwischen 0 und 100 Prozent für jede Armatur — aktuell, täglich aktualisiert, aus den SCADA-Logs berechnet. Ab einem konfigurierbaren Schwellenwert (typisch 70–80 Prozent) wird eine Wartungsempfehlung ausgelöst. Das Wartungsteam sieht nicht “Armatur 47 ist kaputt”, sondern “Armatur 47 hat 78 Prozent ihres modellierten Lebensdauerbudgets erreicht — empfohlener Eingriff innerhalb 60 Tage.”

Diese Prognose ist falsifizierbar: Wenn die Armatur bei tatsächlicher Inspektion früher oder später als vorhergesagt ausfällt, fließt das als Trainingsdatum zurück ins Modell. Es lernt mit jedem Wartungseinsatz.

Konkrete Werkzeuge — was wann passt

Die technische Architektur besteht aus drei Schichten: Datenhaltung, Analytik und Wartungsmanagement.

Datenhaltung — wo liegen die Druckzeitreihen?

AVEVA PI System ist der De-facto-Standard in der Prozessindustrie und bei Versorgungsunternehmen. Wenn dein Betrieb bereits einen PI-Historian hat, sind die Druckzeitreihen aller SCADA-angebundenen Armaturen dort historisiert — oft für mehrere Jahre rückwärts. Das ist der ideale Ausgangspunkt: Trainingsdaten sind vorhanden, ohne dass du etwas neu erfassen musst. Einschränkung: AVEVA PI ist teuer und komplex; für kleinere Betriebe ohne PI-Infrastruktur überproportionaler Aufwand.

InfluxDB ist die Open-Source-Alternative für Betriebe, die keinen kommerziellen Historian haben, aber SCADA-Daten in Echtzeit erfassen wollen. Die OSS-Version kann on-premise betrieben werden, was für KRITIS-relevante Netzdaten sinnvoll ist. Write-Performance und Zeitreihenabfragen sind gut; für ML-Vorstufen ist die integrierte Flux-Abfragesprache direkt nutzbar.

Analytik — wer baut das Ermüdungsmodell?

Seeq ist die pragmatische Wahl für Betriebe mit vorhandenem Historian. Seeq verbindet sich direkt mit AVEVA PI und anderen Historikern, ermöglicht Zyklenerkennung und Parameterkorrelationen über eine visuelle Oberfläche — und über Seeq Data Lab lassen sich Python-basierte Ermüdungsmodelle direkt auf den historischen Zeitreihendaten trainieren, ohne die Daten exportieren zu müssen. Lizenzkosten: ca. 1.000–1.200 USD/Nutzer/Jahr (Workbench; Data Lab separat). Kein deutschsprachiger Support.

Azure Machine Learning eignet sich für Betriebe, die Microsoft Azure als Cloud-Infrastruktur nutzen. Druckdaten aus dem SCADA/Historian werden exportiert, in Azure ML als Trainingsdatensatz verarbeitet, das Ermüdungsmodell trainiert und als REST-API deployed. Vorteil: vollständige Kontrolle über Modellarchitektur; kein Vendor-Lock-in auf eine Analytikplattform. Nachteil: erfordert Python-Entwicklerkenntnisse und Infrastruktur-Setup. Typische monatliche Betriebskosten: 100–500 EUR für kleine bis mittlere Trainingsläufe.

Wartungsmanagement — wohin geht die Empfehlung?

Eine Ermüdungsanalyse, die ihr Ergebnis nur in einem Dashboard zeigt, verpufft. Der Output muss in das System fließen, in dem Wartungsaufträge erstellt werden.

IBM Maximo Application Suite ist der Marktführer für Enterprise Asset Management und die natürliche Wahl für große Versorgungsunternehmen und Industriebetriebe. Maximo kann Wartungsaufträge automatisch aus externen Trigger-Signalen anlegen — ein Ermüdungsmodell kann per API Empfehlungen übergeben, Maximo erstellt den Auftrag, ordnet ihn einem Techniker zu und verfolgt den Status bis zur Erledigung. Einschränkung: Maximo ist aufwendig in der Implementierung (typisch 6–18 Monate) und für Betriebe unter 200 Mitarbeitenden oft nicht wirtschaftlich.

MaintainX ist die leichtgewichtige Alternative für mittlere Betriebe, die kein Enterprise-CMMS betreiben. Die freie Basis-Version ermöglicht digitale Wartungsaufträge, mobile Erfassung durch Techniker und CSV-Export für weitere Auswertungen. Wenn das Ermüdungsmodell eine Empfehlung auslöst, wird manuell ein Auftrag in MaintainX angelegt — kein direkter API-Anschluss im Standardpaket, aber als Pilotlösung schnell einsetzbar. Datenhaltung in den USA — für KRITIS-relevante Daten eingeschränkt geeignet.

Zusammenfassung: Wann welcher Stack

• Vorhandener AVEVA-PI-Historian → Seeq für Analytik, Maximo für Auftragsmanagement
• Keine bestehende Historian-Infrastruktur → InfluxDB (on-premise) + Azure ML als Entwicklungsumgebung
• Mittlerer Betrieb, kein Enterprise-CMMS → MaintainX als Einstieg, spätere Migration zu Maximo möglich

Datenschutz und Datenhaltung

Druckzeitreihen aus SCADA-Systemen sind zunächst keine personenbezogenen Daten — sie beschreiben Maschinenzustände, keine Personen. Die DSGVO greift trotzdem an zwei Punkten:

Schichtprotokoll-Verknüpfung: Wenn das Ermüdungsmodell Wartungseinsätze auswertet und diese mit Techniker-IDs und Schichtplänen kombiniert werden, entsteht ein verhaltensbezogenes Datenprofil. Das ist personenbezogen. Dann gelten die üblichen Anforderungen: AVV mit dem Analytikdienstleister, Betriebsrat-Information bei Auswertungen mit Personenbezug, Löschfristen für personenbezogene Auswertungen.

KRITIS-Relevanz: Betreiber kritischer Infrastruktur (Wasserversorgung, Gasverteilung, Energieversorgung) unterliegen dem IT-Sicherheitsgesetz 2.0 und der BSI-KRITIS-Verordnung. Für diese gilt: Prozessdaten und Steuersignale dürfen nicht unkontrolliert in öffentliche Cloud-Dienste übertragen werden. AVEVA PI On-Premises und InfluxDB selbst betrieben sind die KRITIS-konformen Optionen. Azure ML kann genutzt werden, wenn die Daten vor dem Upload anonymisiert oder aggregiert werden (kein direkter SCADA-Live-Feed in Public Cloud).

Bei Seeq gilt: EU-Hosting-Option ist verfügbar, muss aber aktiv bei der Lizenzierung gewählt werden. Der AVV-Abschluss mit Seeq ist Standard, muss aber angefordert werden. Für nicht-KRITIS-Betriebe ohne personenbezogene Kombinationsauswertungen ist eine DSGVO-konforme Lösung mit Seeq EU-Hosting gut umsetzbar.

Was es kostet — realistisch gerechnet

Einmalige Projektkosten

Laufende Kosten (monatlich)

• Seeq-Lizenz für 2–3 Nutzer: ca. 200–300 USD/Monat
• Azure ML Compute (falls genutzt): 100–300 EUR/Monat
• Historian-Betriebskosten (anteilig, wenn PI schon läuft): gering
• Modellpflege intern: ca. 2–4 Stunden/Monat nach Einlaufphase

Wie du den ROI tatsächlich misst

Die ehrlichste Messmethode ist ein Kontrollgruppen-Design: Eine Hälfte der Armaturenflotte wird nach Modell gewartet, die andere weiter kalenderbasiert. Nach 18 Monaten vergleichst du Notfallrate, Ersatzteilverbrauch und Standzeit je Armaturengruppe. Das ist methodisch sauber und macht den Nutzen vor der Geschäftsführung verteidigbar — nicht nur plausibel.

Ohne Kontrollgruppe läuft der Vergleich über historische Baseline: Wie viele Notfalleinsätze im Jahr vor Einführung, wie viele danach? Welche Armatur hat sich tatsächlich früher abgenutzt als prognostiziert, welche später? Jede Abweichung ist ein Rückmeldepunkt, der das Modell verbessert und gleichzeitig die Präzision der ROI-Schätzung erhöht.

Orientierungsrechnung (konservativ)

Ein Notfalleinsatz bei einer Armatur DN200 in einem industriellen Netz kostet erfahrungsgemäß 3.000–8.000 Euro all-inclusive (Monteur auf Abruf, Nacht- oder Wochenendzuschlag, Expressteil, Produktionsunterbrechung). Wenn das Modell in einer Flotte von 100 Armaturen jährlich vier Notfalleinsätze verhindert, entspricht das 12.000–32.000 Euro vermiedener Kosten — im Bereich der gesamten Pilotinvestition.

Typische Einstiegsfehler

1. Drucksensorwerte ohne Zeitstempel-Konsistenz verwenden. SCADA-Systeme können Zeitstempel aus verschiedenen Quellen zusammenführen — Feldinstrument, Kommunikationsschicht, Historian-Server. Wenn diese Zeitstempel divergieren (typisch: 30 Sekunden bis 2 Minuten Versatz), werden Zyklusereignisse falsch erkannt: Ein Druckabfall erscheint zu früh oder zu spät, Mehrfachzählungen entstehen. Lösung: Vor der Modellentwicklung einen Zeitstempel-Audit durchführen — alle Tags auf Herkunft und Konsistenz prüfen.

2. Das Modell für Bauart A auf Bauart B anwenden. Kugelhahn und Absperrschieber haben fundamental unterschiedliche Sitzkontaktgeometrien, Dichtungsmaterialien und Ermüdungsmechanismen. Ein Modell, das für Kugelventile in einem Wassernetz kalibriert wurde, liefert für Faltenbalg-Regelventile in einer Dampfanlage systematisch falsche Ergebnisse — weder zu konservativ noch zu liberal, sondern schlicht falsch kalibriert. Für jede Armaturenbauart braucht es ein eigenes Modell. Das ist unbequem, aber physikalisch nicht verhandelbar.

3. Das Modell einführen und dann nicht rückkoppeln. Das ist der gefährlichste Fehler — weil er langsam entsteht. Jede Wartungsinspektion enthält wertvolle Information: War die Armatur wirklich so abgenutzt wie prognostiziert? Oder war sie bei Ausbau noch in gutem Zustand, obwohl das Modell Eingriff empfohlen hat? Diese Abweichungen müssen systematisch in den Trainingsdatensatz zurückfließen — sonst bleibt das Modell statisch und driftet über Monate auseinander. Wer diesen Rückkopplungsprozess nicht in der Rolloutplanung verankert, hat nach 18 Monaten ein Modell, das mit dem tatsächlichen Zustand kaum noch übereinstimmt.

4. Ermüdungsanalyse als Ersatz für Leckage-Früherkennung verstehen. Beide Systeme haben unterschiedliche Aufgaben: Das Ermüdungsmodell plant die Wartung — es sagt, wann eine Armatur bearbeitet werden sollte, bevor sie ausfällt. Die Leckage-Frühwarnmuster-Erkennung reagiert auf akute Defektsignale — sie schlägt Alarm, wenn eine Armatur bereits undicht wird. Beide Systeme ergänzen sich, keines ersetzt das andere. Wer nur eines davon einführt, hat eine Lücke.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Herausforderung ist lösbar. Die organisatorische Herausforderung ist größer.

Das Vertrauen kommt nicht automatisch. Wenn das Modell zum ersten Mal sagt “Armatur 23 jetzt warten”, aber der erfahrene Instandhalter, der diese Armatur seit Jahren kennt, sagt “die läuft noch problemlos”, entsteht ein Konflikt. In den ersten Monaten werden solche Fälle regelmäßig auftreten. Das Modell wird manchmal recht haben, manchmal nicht. Wer keine Strategie dafür hat, wie solche Widersprüche behandelt werden, verliert das Vertrauen der Techniker schnell — und damit die Nutzungsrate.

Konkret hilft: Nicht das Modell gegen die Erfahrung ausspielen, sondern beide als Quellen behandeln. Wenn Modell und Techniker widersprechen, wird die Armatur beobachtet und der Befund nach der nächsten Inspektion dokumentiert. Das erweitert den Trainingsdatensatz und gibt dem Team das Gefühl, mit dem Modell zu arbeiten, nicht gegen es.

Das mittlere Management muss die KPIs ändern. Wenn die Leistung des Instandhaltungsteams bisher an der Anzahl der Wartungseinsätze pro Monat gemessen wird, hat das Team einen Fehlanreiz, das Modell zu ignorieren — weil weniger Einsätze (durch bessere Priorisierung) wie weniger Arbeit aussehen. Die eigentlich relevante KPI ist: ungeplante Ausfälle pro Quartal, Notfalleinsatz-Rate und Armaturenstandzeit. Das erfordert eine bewusste Entscheidung in der Führungsebene.

Was konkret hilft:

• Einen Piloten mit einer klar abgegrenzten Teilflotte starten (z. B. 30–50 Armaturen an einem Standort)
• Den erfahrensten Instandhalter als aktiven Mitgestalter des Modells einbinden — er kennt die Sonderfälle, die kein Algorithmus ohne Vorinformation kennt
• Monatliche Abweichungsreviews einführen: Wo hat das Modell gut prognostiziert, wo daneben? Was lernen wir daraus?
• Nach 12 Monaten eine ehrliche Evaluation: Wurde die Notfallrate gesenkt? Wenn nicht, warum nicht — und was muss angepasst werden?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Armaturen haben Zertifikate für 10.000 Zyklen — das reicht doch.” Das Zertifikat beschreibt ein Laborprotokoll, keine Feldrealität. API 6D (Ölfeld-Armaturen) schreibt gerade einmal 160 Prüfzyklen vor, ISO 23632 205 Zyklen — unter konstanter Temperatur, mit sauberem Prüfmedium und ohne externe mechanische Last. Im Feld gibt es Wasserhammerdruckspitzen, thermische Wechselbeanspruchung durch Jahreszeiten, Medium mit Abrasivpartikeln und Rohrleitungslasten durch Setzungen oder Wärmedehnung. Keiner dieser Faktoren fließt in die Laborzertifizierung ein. Das ML-Modell passt die Laborbaseline an tatsächliche Feldbedingungen an — das Zertifikat ist der Ausgangspunkt, nicht das Ende der Analyse.

„Wir haben das alles schon in unserem CMMS.” Ein CMMS speichert, was du einträgst — Wartungstermine, Auftragsstatus, Ersatzteile. Es berechnet keinen Ermüdungsfortschritt aus physikalischen Signalen. Das ist kein Vorwurf an das CMMS, sondern eine strukturelle Unterscheidung: Datenerfassung ist nicht dasselbe wie Modellierung. Das Ermüdungsmodell liest aus dem SCADA, nicht aus dem CMMS — und schreibt seine Empfehlungen zurück ins CMMS als Input für die Wartungsplanung.

„Wir haben keine Zeit für ein neues Projekt.” Das ist der realistischste Einwand. Ein Pilotprojekt mit 30–50 Armaturen braucht intern etwa zwei bis vier Wochen Aufwand für den Datenaudit und die Koordination mit dem Dienstleister. Der Rest läuft als Dienstleisteraufgabe. Das ist handhabbar — aber nur, wenn die Projektverantwortung klar benannt ist und nicht als “Nebenaufgabe” behandelt wird.

Woran du merkst, dass das zu dir passt

• Du betreibst mindestens 50 Armaturen, die an SCADA-Drucksensoren angebunden sind und deren Schaltereigenschaften digital erfasst werden
• Deine Druckzeitreihen liegen als SCADA-Log oder Historianexport vor — mindestens 18 Monate Rückblick, idealerweise mit Zeitstempel-Konsistenz
• Du hast in den letzten zwei Jahren mindestens drei ungeplante Armaturenausfälle erlebt, die zwischen planmäßigen Wartungsterminen aufgetreten sind
• Verschiedene Armaturen in deinem Netz haben radikal unterschiedliche Schaltfrequenzen — Hochfrequenzpunkte (Druckregelung, Pumpstation) neben Niederfrequenzpunkten (Absperrer)
• Du kannst eine Person benennen, die Wartungsprotokolldaten und SCADA-Zugänge koordinieren kann — das Modell braucht einen internen Ansprechpartner, keinen Vollzeit-Datenwissenschaftler

Wann es sich (noch) nicht lohnt — vier harte Ausschlusskriterien:

1. Nur manuelle Druckmessungen, keine digitale Sensorik. Ohne kontinuierliche Druckzeitreihen mit Zeitstempel gibt es keine Datengrundlage für Zyklenerkennung. Analoge Manometer und händisch notierte Wochenablesungen reichen nicht aus.

2. Weniger als 50 instrumentierte Armaturen in der Flotte. Bei kleinen Flotten fehlen die Fallzahlen, um statistische Ermüdungsmuster zu identifizieren. Das Modell kann nicht aus einer Handvoll Ausfälle lernen — die Varianz ist zu hoch, die Stichprobe zu klein.

3. Installationsalter unter 18 Monaten. Ein Ermüdungsmodell lernt aus Betriebshistorie. Neue Installationen haben keine Ermüdungsgeschichte; das Modell hat nichts zum Kalibrieren. Frühestens nach 12–18 Monaten Feldbetrieb mit dokumentierten Wartungsbefunden ist eine belastbare Kalibrierung möglich.

4. Armaturen in risikoarmen Niederdruck-Niedriglast-Anwendungen, bei denen ein Ausfall sichtbar, sofort bemerkbar und ohne nennenswerte Konsequenzen ist — etwa offene Drainageschieber in einer Werkstatt. Dort ist Condition Monitoring ein Kosten-Nutzen-Missverhältnis.

Das kannst du heute noch tun

Fang mit dem Datenaudit an — das kostet nichts außer Zeit und zeigt dir sofort, ob eine Ermüdungsanalyse bei dir realisierbar ist.

Öffne dein SCADA-System oder den Historian-Export und beantworte diese drei Fragen:

1. Welche Drucksensoren sind direkt vor oder hinter Armaturen montiert — mit einer zeitlichen Auflösung von mindestens einem Messwert pro Minute?
2. Für wie viele Armaturen liegen diese Zeitreihen mindestens 18 Monate rückwärts vor?
3. Gibt es für diese Armaturen eine Wartungshistorie — Datum des letzten Eingriffs, Befund, ausgetauschte Teile?

Wenn du für mindestens 30 bis 50 Armaturen alle drei Fragen mit “ja” beantworten kannst, ist die Datenlage für ein Pilotprojekt ausreichend. Dann ist der nächste Schritt ein Export der Rohdaten für drei bis fünf stark belastete Armaturen und ein Vergleich mit ihrer Wartungshistorie.

Für die erste Orientierung kannst du auch diesen Analyse-Prompt nutzen:

Quellen & Methodik

• IEEE Xplore, Dokument 10405793 (2024): “Predictive Maintenance of Actuated Quarter-Turn Valves Using Artificial Intelligence.” Klassifikationsansatz auf Basis von KI-Algorithmen zur Erkennung des Alterungsstadiums von Armaturen aus Schaftvibrationsignalen — validiert an Prüfständen für Öl-Gas- und Carbon-Capture-Anwendungen.
• Emerson Automation Experts (2023): “The Future is Now for Predictive Valve Maintenance.” Praxisberichte aus Industriebetrieben: Kosteneinsparung von 230.000 USD/Jahr durch Übergang zu prädiktiver Armaturenwartung; Detektionsrate von bis zu 80 Prozent aller Regelarmaturenausfälle durch Diagnosealarm-basierte Überwachung. URL: emersonautomationexperts.com/2023/valves-actuators-regulators/future-now-predictive-valve-maintenance/
• Valve World Americas / 3DValve (2024): “The Gaps in Valve Testing Standards Every Engineer Should Know.” Analyse der Diskrepanz zwischen Laborprüfprotokollen (API 6D: 160 Prüfzyklen; ISO 23632: 205 Zyklen) und Feldbetriebsbedingungen. Nicht geprüft durch Standardzertifizierung: Langzeit-Packungsentspannung, Schaftriefen, Sitzverschleiß, externe mechanische Last durch Rohrleitungsverformung.
• Kalsi Engineering, Inc. (Failure Analysis): “Valve Stem Failures due to High Load, Low Cycle Fatigue.” Dokumentierte Analyse von Armaturenschäfteversagen durch zyklische Biegebelastung — konkrete Beispiele für den Unterschied zwischen Laborreferenz und Feldversagen. URL: kalsi.com/consulting-engineering/failure-analysis/valve-stem-failures-due-to-high-load-low-cycle-fatigue/
• Seeq Corporation (Produktdokumentation, April 2026): Lizenzpreise Workbench ca. 1.000–1.200 USD/Nutzer/Jahr. URL: seeq.com
• AVEVA PI System (Produktdokumentation, April 2026): Mittelgroße Deployments mit 50.000 Tags typisch bei 80.000–200.000 EUR/Jahr im Subscription-Modell. URL: aveva.com
• Projektkosten und Erfahrungswerte: Eigene Einschätzungen aus industriellen Condition-Monitoring-Projekten, Stand April 2026. Keine repräsentative Stichprobe; Einzelprojekte können erheblich abweichen.

Du willst wissen, ob deine SCADA-Datenbasis für ein Pilotprojekt ausreicht und welche Armaturen du zuerst adressieren solltest? Meld dich — das klären wir in einem kurzen Gespräch.