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.

Der Schritt zur vorausschauenden Wartung erfordert, dass Zyklusdaten überhaupt erfasst und ausgewertet werden. Ohne Zyklenzählung ist Predictive Maintenance bei Armaturen strukturell kaum möglich: Man diagnostiziert dann nur noch reaktiv.

Die wirtschaftlichen Folgen sind spürbar:

• Ungeplante Ausfälle kosten ein Vielfaches planmäßiger Wartung: Produktionsstillstand, Notfalllohnkosten, Expressteilbeschaffung. Wie groß der Faktor bei dir ist, zeigt der Vergleich deiner Notfall- und Planeinsätze in der Kostenstelle
• Zu frühe Ausbauten bedeuten unnötig verbrauchte Ersatzteile, vermeidbare Montagezeiten und voreilig 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 steht, also 20 Prozent unter ihrer Grenze 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, sammelt dagegen Lastwechsel. Dabei laufen zwei Mechanismen, die man auseinanderhalten muss:

• Druckwechsel belasten Gehäuse, Anschlüsse und Schaft. Das ist Werkstoffermüdung im klassischen Sinn, beschrieben durch die Wöhlerlinie des Werkstoffs und die Schadensakkumulation nach Palmgren-Miner. Das Prinzip kennt man aus dem Flugzeugbau, wo die Zahl der Druckzyklen des Rumpfs (ein Flug, ein Zyklus) die Lebensdauer bemisst, nicht der Maximaldruck in Reiseflughöhe.
• Schaltspiele verschleißen Sitz, Dichtung und Packung. Mikrobewegungen in der Sitzgeometrie, Walkarbeit im Elastomer, Abrieb. Das ist Verschleiß, für den es keine Wöhlerlinie gibt, sondern Erfahrungswerte und Revisionsintervalle des Herstellers.

Ein Zählmodell kann beides erfassen, muss es aber getrennt führen, denn die Grenzen kommen aus verschiedenen Quellen.

In der Praxis bedeutet das:

Eine Armatur an einer stark belasteten Regelstelle mit 800 Druckzyklen täglich hat nach 90 Tagen bereits 72.000 Lastwechsel akkumuliert. Eine identische Armatur an einem Niederfrequenzabzweig kommt mit 30 am Tag nach 90 Tagen auf 2.700 Lastwechsel. Gleiche Bauart, gleicher Hersteller, gleiche Nenngröße, aber bei gleicher Druckspreizung ist der Ermüdungsfortschritt um den Faktor 27 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.

Was das Modell nicht ersetzt: Ist die Armatur ein Druckgerät, wurde ihre Gehäusefestigkeit nach einem Regelwerk wie EN 12516 oder AD 2000 ausgelegt, bei Wechselbeanspruchung mit einem Ermüdungsnachweis für eine bestimmte Lastwechselzahl, und sie hat eine Konformitätsbewertung nach der Druckgeräterichtlinie 2014/68/EU durchlaufen, je nach Einstufung unter Beteiligung einer benannten Stelle. Das Modell kann zählen, wann sich eine Armatur der ausgelegten Lastwechselzahl nähert. Es führt keinen Festigkeitsnachweis, verschiebt keine Auslegungsgrenze und ersetzt keine Konformitätsbewertung und keine vorgeschriebene Prüfung. Überschreitet die gezählte Belastung die Auslegung, ist das ein Fall für Hersteller und Prüfer, nicht für eine Wartungsempfehlung.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Belastbare Branchenwerte für beide Quoten haben wir nicht gefunden. Du kannst sie aus deinen eigenen Wartungsprotokollen bestimmen: Anteil der Ausbauten ohne Verschleißbefund, und Ausfälle zwischen zwei planmäßigen Terminen je 100 Armaturen und Jahr. Beide Zahlen brauchst du ohnehin als Ausgangswert für die Erfolgsmessung.

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. Jeder entfallene Ausbau einer noch intakten Armatur spart einen ganzen Einsatz. Wie viele das bei dir sind, zeigt die Befundquote der letzten Wartungen; eine belastbare Zahl je Einsatz haben wir nicht gefunden. Stärker als die Leckage-Frühwarnmuster-Erkennung auf der Zeitachse, weil Ermüdungsanalyse nicht nur reagiert, sondern plant.

Kosteneinsparung, mittel (3/5) Notfalleinsätze kosten nach unserer Annahme vier- bis zehnmal so viel wie planmäßige Wartung: Monteur auf Abruf, Spezialwerkzeug, Expressteil. Gespart ist aber nur die Differenz, denn die Armatur wird auch geplant ausgebaut. Die Einsparung entsteht als verhinderte Kosten, nicht als sichtbarer Ertrag, und sie ist Geld des Betreibers. Das macht sie schwerer zu verteidigen im Budgetgespräch als direkte Umsatzzahlen. Die Einrichtung (Datenaufbereitung plus Modellprojekt) holt ein mittelgroßes Netz nach der Beispielrechnung unten über mehrere Jahre zurück, nicht in einer Saison.

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, niedrig (2/5) Gezählt wird einfach: Notfalleinsätze vorher und nachher, Standzeit pro Armatur, Ersatzteilverbrauch. Das Problem ist die Zahl der Ereignisse. Wer, wie in der Checkliste unten, drei ungeplante Ausfälle in zwei Jahren hat, sieht nach zwölf Monaten mit Modell vielleicht einen statt anderthalb. Ob das am Modell liegt oder am Zufall, lässt sich bei so kleinen Zahlen nicht unterscheiden. Belastbar wird der Nachweis erst bei großen Flotten, über mehrere Jahre oder mit einer Kontrollgruppe, die genug Ausfälle je Gruppe liefert. Messbar ist früher etwas anderes: die Befundquote beim Ausbau, also wie oft das Modell tatsächlich verschlissene Armaturen gemeldet hat.

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. Dieser Teil ist klassische Betriebsfestigkeitsrechnung und braucht kein Machine Learning. Lernen muss das Modell dort, wo die Physik keine festen Werte liefert: beim Erkennen von Zyklen in verrauschten Daten und beim Abgleich mit dem, was die Monteure beim Ausbau tatsächlich vorfinden.

Zusätzlich fließen Feldkorrekturfaktoren ein:

• Medium-Korrektur: Wasser mit Ablagerungen verschleißt Sitze schneller als saubere Druckluft
• Temperaturkorrektur: Thermische Wechsellast beschleunigt Elastomermüdung
• Wasserhammerkorrektur: Detektierte Druckspitzen über Nennbereich werden als Überlastevent gezählt, sofern die Messung schnell genug ist; Druckstöße dauern Sekundenbruchteile, dafür braucht es einen hochauflösenden Drucklogger, keinen Historian mit Minutenwerten

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: Seeq nennt keine Preise, Anwenderberichte verorten die Workbench im niedrigen vierstelligen USD-Bereich je Nutzer und Jahr (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: 100–300 EUR für kleine bis mittlere Trainingsläufe (Annahme, hängt an der Rechenlast).

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 und mobile Erfassung durch Techniker, ist aber stark beschnitten; den CSV-Export gibt es ab Essential, die REST-API erst ab Premium. Im Pilot legt man den Auftrag manuell in MaintainX an, wenn das Ermüdungsmodell eine Empfehlung auslöst. 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 einer Stelle, und für Versorger kommt die IT-Sicherheit dazu:

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 Anlagen (Wasserversorgung, Gasverteilung, Energieversorgung) unterliegen dem BSI-Gesetz in der Fassung von 2025 und müssen für ihre IT-Systeme besondere Risikomanagementmaßnahmen treffen (§ 31 BSIG). Ein pauschales Cloud-Verbot steht dort nicht; ob Prozessdaten in einen Cloud-Dienst dürfen, entscheidet die eigene Sicherheitsbewertung. Die einfachsten Wege sind AVEVA PI On-Premises und selbst betriebenes InfluxDB. Azure ML geht über einen Export aus dem Historian statt eines direkten SCADA-Live-Feeds in die Public Cloud. „Anonymisieren“ hilft dabei nichts: In Druckdaten stecken keine Personen, das Schutzziel ist die Anlage.

Bei Seeq gilt: Die Cloud-Region wird beim Setup gewählt (AWS oder Azure), eine EU-Region dokumentiert Seeq öffentlich nicht. Der saubere Weg für EU-Datenhaltung ist die On-Premise-Installation. Den AVV fordere aktiv an. Für nicht-KRITIS-Betriebe ohne personenbezogene Kombinationsauswertungen ist das gut umsetzbar.

Was es kostet, realistisch gerechnet

Einmalige Projektkosten

Laufende Kosten (monatlich)

Du brauchst entweder Seeq oder Azure ML, nicht beides:

• Seeq-Lizenz für 2–3 Nutzer: 2 bis 3 mal ein niedriger vierstelliger Dollarbetrag im Jahr, also einige tausend Dollar (unbestätigt, Preis nur auf Anfrage)
• Azure ML Compute (falls genutzt): 100–300 EUR/Monat (Annahme)
• 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, braucht aber Masse: Wenn in jeder Gruppe nur zwei oder drei Ausfälle passieren, sagt der Unterschied nichts. Rechne vorher nach, wie viele Ausfälle deine Flotte in 18 Monaten liefert.

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

Ein Notfalleinsatz bei einer Armatur DN200 in einem industriellen Netz kostet nach unserer Annahme 3.000–8.000 Euro all-inclusive (Monteur auf Abruf, Nacht- oder Wochenendzuschlag, Expressteil, Produktionsunterbrechung); eine belastbare Branchenzahl haben wir nicht. Gespart ist davon nur die Differenz zum geplanten Eingriff, denn die Armatur wird trotzdem ausgebaut, nur tagsüber und mit Normalteil. Kostet der Notfall vier- bis zehnmal so viel wie der geplante Eingriff, bleiben 75 bis 90 Prozent übrig.

Wie viele Notfälle das Modell verhindern kann, hängt an deiner Ausgangslage. Die Checkliste unten setzt mindestens drei ungeplante Ausfälle in zwei Jahren voraus; wer genau dort liegt, kann höchstens anderthalb im Jahr vermeiden. Für einen Betrieb mit etwas mehr Ausfällen und zwei vermiedenen Notfällen im Jahr ergibt sich: 2 mal 3.000 Euro mal 0,75 = 4.500 Euro bis 2 mal 8.000 Euro mal 0,9 = 14.400 Euro. Dagegen stehen die laufenden Kosten, auf dem Weg über Azure ML 12 mal 100 bis 300 Euro, also 1.200–3.600 Euro im Jahr, mit Lizenzen für eine Analytikplattform eher einige tausend Dollar im Jahr, und die Fehlalarme: Jede Empfehlung, bei der der Ausbau eine intakte Dichtung zeigt, kostet einen geplanten Einsatz. Was übrig bleibt, zahlt die Einrichtung ab, 5.000–15.000 Euro Datenaufbereitung plus das Modellprojekt, über mehrere Jahre.

Für wen sich das rechnet: Die vermiedenen Notfälle sind Geld des Betreibers. Als Armaturenhersteller verdienst du daran nur, wenn du die Auswertung als Service verkaufst oder in einem Wartungs- oder Verfügbarkeitsvertrag selbst für Ausfälle geradestehst.

Vier 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 eine Typprüfung im Labor, keine Feldrealität. Die Dichtheitsprüfung nach ISO 15848-1 etwa verlangt für die niedrigste Klasse bei Absperrarmaturen (CO1) 205 volle Schaltspiele und zwei Temperaturzyklen, für Regelarmaturen (CC1) 20.000 Hübe um die Mittelstellung. Geprüft wird auf dem Prüfstand, mit definiertem Prüfmedium und ohne Rohrleitungslasten. 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, und passt ihre zeitliche Auflösung zur Schaltfrequenz? Ein Messwert pro Minute reicht für Armaturen, die wenige Male pro Stunde schalten. Schaltet eine Armatur mehrmals pro Minute, brauchst du Sekundenwerte. Druckstöße dauern Sekundenbruchteile, die sieht ein Historian mit Minutenwerten gar nicht.
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

• KI-gestützte Wartung von Armaturen: Matteo Intravaia et al., „Predictive Maintenance of Actuated Quarter-Turn Valves Using Artificial Intelligence”, IEEE MetroXRAINE 2023, S. 149–154. DOI: 10.1109/MetroXRAINE58569.2023.10405793
• Typprüfung nach ISO 15848-1: Simon Weiler (amtec), „Reduction of Fugitive Emissions: Valve Testing According to ISO 15848-1”, Valve World Americas, 1. Juni 2023: Klasse CO1 für Absperrarmaturen 205 volle Schaltspiele und zwei Temperaturzyklen, Klasse CC1 für Regelarmaturen 20.000 Hübe. valve-world-americas.com
• Kalsi Engineering, Inc. (Failure Analysis): “Valve Stem Failures due to High Load, Low Cycle Fatigue.” Fallanalyse eines Schieberschafts, der durch ein nicht berücksichtigtes Biegemoment aus Fehlausrichtung über Zeit durch Ermüdung brach. URL: kalsi.com/consulting-engineering/failure-analysis/valve-stem-failures-due-to-high-load-low-cycle-fatigue/
• KRITIS: BSI-Gesetz (Fassung 2025), § 31 „Besondere Anforderungen an die Risikomanagementmaßnahmen von Betreibern kritischer Anlagen”. gesetze-im-internet.de
• Seeq, AVEVA PI, MaintainX: Preise und Funktionen laut unseren Toolseiten. Seeq und AVEVA nennen Preise nur auf Anfrage; die Seeq-Spanne stammt aus Anwenderberichten und ist unbestätigt.
• Projektkosten, Notfallkosten, Kostenfaktor Notfall zu Planeinsatz: Annahmen dieser Seite, keine gemessenen Werte. Setze deine eigenen Zahlen ein.

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.