KI-gestützte Schadensklassifizierung aus Rohrinfrastruktur-Inspektionsdaten

Das echte Ausmaß des Problems

Pipeline-Inspektionen sind in Deutschland keine optionale Qualitätsmaßnahme. DVGW G 463 schreibt für erdverlegte Stahlrohrleitungen regelmäßige Inline-Inspektionen (ILI) vor — sofern die Leitung nach DVGW G 466-1 molchbar ist. Kathodischer Korrosionsschutz ist dabei eine Zusatzanforderung derselben Regelwerke, keine Voraussetzung für die Inspektionspflicht. Typische Intervalle: alle 7 bis 10 Jahre, bei auffälligen Befunden kürzer. Wichtig: DVGW G 463 gilt für Stahlhochdruckleitungen; für Kunststoff-Verteilnetze sind DVGW G 472 (allgemeine Kunststoffrohre für die Gasversorgung) und G 459-1 (Hausanschlüsse Niederdruck) maßgeblich — der CCTV-basierte Ansatz dieses Use Cases gilt dann analog. Für erdverlegte Kunststoff-Verteilnetze sind CCTV-Befahrungen das Standardverfahren, ergänzt durch akustische Leckageortung.

Was in der Norm steht, ist klar. Was in der Praxis folgt, ist eine Datenlawine.

Eine ILI-Inspektion auf einer 100-km-Fernleitung erzeugt — je nach Inspektionstool und Taktrate — zwischen 50.000 und 500.000 rohe Datenpunkte. Die Anomaliesignale darunter — Stellen, die eine genauere Betrachtung verdienen — liegen typischerweise im Bereich von einigen Hundert bis einigen Tausend je Run. Jede davon muss bewertet werden: Ist das ein Materialfehler, Außenkorrosion, Schweißnahtanomalie oder Messrauschen?

Das Problem ist nicht die Menge allein — es ist die Kombination aus Menge und Konsistenz.

Zwei erfahrene Integritätsingenieure, die denselben ILI-Datensatz unabhängig voneinander auswerten, kommen oft zu unterschiedlichen Schlussfolgerungen. Eine Anomalie, die Ingenieur A als “beobachten, nächste Inspektion” einstuft, bekommt von Ingenieur B “kurzfristig rehabilitieren”. Das ist kein menschliches Versagen — es ist die unvermeidliche Folge davon, dass die Klassifizierung auf Basis von Erfahrung und Kontext erfolgt, nicht auf Basis eines reproduzierbaren Algorithmus.

Laut Forschungsergebnissen aus der Pipelines-Integritäts-Community können Machine Learning-Modelle, die auf großen ILI-Datenbankbeständen trainiert wurden, diesem Konsistenzproblem direkt begegnen: Klassifikationsalgorithmen, die auf Millionen von Anomalien aus Tausenden von ILI-Berichten trainiert wurden, liefern reproduzierbare, normierte Einstufungen — unabhängig davon, welcher Ingenieur den Report prüft. (nach ROSEN Group Unternehmensangaben; unabhängige Validierung nicht öffentlich verfügbar)

ROSEN Group hat mit AutoData ein System entwickelt, das ML-adaptive Algorithmen einsetzt, die anhand von Hochauflösungs-3D-Laserscans realer Rohrfehler kalibriert werden und sich mit jeder Anwendung kontinuierlich verbessern. T.D. Williamson (TDW) integriert auf der MDS Pro-Plattform mehrere ILI-Technologien auf einer einzigen Inspektionseinheit.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Angaben basieren auf Herstellerangaben und Branchenberichten; unabhängige Vergleichsstudien begrenzt verfügbar.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Von 2 bis 4 Wochen auf unter eine Woche je Inspektionsdatensatz — das ist der stärkste Zeiteffekt unter den Use Cases in dieser Kategorie neben der Leckageprognose. Für Netzbetreiber, die mit wachsendem Inspektionsvolumen bei gleichbleibendem Personalstamm konfrontiert sind, ist das direkt entlastend.

Kosteneinsparung — hoch (4/5) Die Einsparung entsteht auf zwei Ebenen: erstens die direkten Ingenieurskosten für die manuelle Auswertung (mehrere Wochen-Personentage je Inspektionszyklus), zweitens — und das ist der größere Hebel — die frühzeitigere Erkennung kritischer Anomalien. Eine Havarie an einer Fernleitung kostet zwischen 40.000 und mehreren Hunderttausend Euro in direkten Reparatur-, Umwelt- und Haftungskosten. Wenn ML eine Anomalie eine Inspektionsperiode früher als “kritisch” klassifiziert, ist das ein handfester Präventionseffekt.

Schnelle Umsetzung — niedrig (2/5) Das ist der ehrlichste Punkt: Die Einführung eines validen ML-Modells für ILI-Datenauswertung erfordert Trainingsdaten. Wer keine historischen Inspektionsdaten mit manuell validierten Klassifizierungen hat, kann kein gutes Modell trainieren. Die Vorbereitung dieser Ground-Truth-Datenbasis — manuelle Re-Klassifizierung vergangener Inspektionsdatensätze — dauert 6 bis 12 Monate. Das gesamte Projekt bis zum produktionsreifen System braucht 12 bis 24 Monate.

ROI-Sicherheit — hoch (4/5) Der Zeitvergleich vor und nach der Einführung ist direkt messbar. Der Havarievermeidungs-Effekt ist langfristig messbar, wenn Schadenshäufigkeiten verfolgt werden. Das macht diesen Use Case zu einem der ROI-transparentesten unter den verglichenen Anwendungsfällen.

Skalierbarkeit — hoch (4/5) Das Modell verbessert sich mit jedem neuen Inspektionszyklus — mehr Daten, bessere Klassifizierung. Und wenn der Netzbetreiber sein Inspektionsprogramm ausweitet, wächst das Modell mit, ohne dass die Personalkapazität proportional skaliert.

Richtwerte — stark abhängig von Leitungslänge, Datenbankgröße historischer Inspektionen und verfügbarer Trainingsdatenbasis.

Was das System konkret macht

Die Basis ist Computer Vision und Machine Learning — je nach Inspektionstyp in unterschiedlicher Form:

Für ILI-Magnetfluss-Streuverlust (MFL)-Daten: Das Modell wird auf historischen ILI-Datensätzen mit manuell validierten Klassifizierungen trainiert. Im Produktivbetrieb wird ein neuer ILI-Datensatz importiert — das Modell analysiert die Signalmuster, vergleicht mit dem historischen Bestand und schlägt für jede Anomalie eine Klasse vor: keine Handlung, Beobachten, kurzfristig oder dringend rehabilitieren. Zusätzlich liefert das Modell Konfidenzwerte: Anomalien mit niedriger Konfidenz werden für die manuelle Überprüfung durch Ingenieure priorisiert, hochkonfidente Einstufungen werden direkt übernommen.

Für CCTV-Inspektionsvideos (Verteilnetz): Deep Learning-Modelle analysieren den Videostream der Kamerabefahrung und erkennen visuell erkennbare Schadensmuster: Risse, Korrosion, Lageabweichungen, Ablagerungen, Einwurzelungen. Jeder Frame wird klassifiziert und auffällige Stellen werden mit Zeitstempel und Leitungskilometer markiert. Das Ergebnis ist kein stundenlanges Video, sondern eine Liste der Verdachtsstellen mit Screenshots und Vorab-Klassifizierung.

Der Ingenieur bleibt im Loop: Das System empfiehlt — es entscheidet nicht. Alle Klassifizierungen werden dem zuständigen Integritätsingenieur zur Freigabe vorgelegt. Die KI übernimmt die volumenmäßig dominierende “kein Handlungsbedarf”-Klassifizierung der unkritischen Anomalien. Der Ingenieur fokussiert sich auf die grenzwertigen und kritischen Fälle.

Konkrete Werkzeuge — was wann passt

Die Werkzeuglandschaft ist hier zweigeteilt: ILI-Vendoren bieten eigene KI-gestützte Analyse als Service an; für unabhängige ML-Entwicklung braucht es eine Datenwissenschafts-Plattform.

ILI-Vendor-integrierte KI-Analyse (empfohlen als Einstieg): ROSEN Group (AutoData), T.D. Williamson (MDS Pro Plattform) und Applus+ bieten KI-gestützte Datenauswertung als Teil ihres Inspektionsservices an. Das bedeutet: Der Vendor liefert nicht nur die Rohdaten, sondern bereits vorklassifizierte Anomalien aus seinem eigenen ML-Modell. Das ist der pragmatische Einstieg — kein eigenes Modell, kein Trainingsaufwand. Nachteil: Abhängigkeit vom Vendor, keine Anpassbarkeit an netzspezifische Besonderheiten.

DNV Synergi Pipeline — für strukturierte Rehabilitationsplanung DNV Synergi Pipeline ist die führende Software für Pipeline-Integritätsmanagement und unterstützt den Import von ILI-Daten verschiedener Vendorformate. Es liefert normenkonforme Schadensbewertung (API 579, DVGW G 463) und eine strukturierte Rehabilitationsplan-Ausgabe. Es bringt keine eigene ML-Klassifizierung mit, ist aber die Schicht, in der die KI-Ergebnisse in normenkonforme Planung überführt werden.

Azure ML — für eigene ML-Modellentwicklung Netzbetreiber mit großem historischen Datenbestand und eigenem Datenteam können eigene ML-Modelle auf Azure ML entwickeln und trainieren. Das erfordert erheblich mehr Aufwand, gibt aber vollständige Kontrolle über das Modell und seine Anpassbarkeit. EU-Datenhaltung über Microsoft EU Data Boundary. Voraussetzung: Strukturierte historische Inspektionsdaten in digitaler Form.

AVEVA PI System — als Datenbasis für Betriebsdaten Wenn Betriebsdrücke, Temperaturen und Durchflüsse aus dem SCADA-Historian in die Anomaliebewertung einfließen sollen — ein Korrosionspunkt unter dauerhaft hohem Betriebsdruck ist kritischer als einer unter moderaten Bedingungen — liefert PI die Kontextdaten.

Als kostenloser Einstieg ohne Systemintegration eignet sich das Prompt-Template am Ende dieser Seite — es erlaubt die manuelle Einschätzung einzelner Anomalien per LLM, bevor ihr in eine Systemlösung investiert.

Zusammenfassung:

• Einstieg ohne eigene Modellentwicklung → ILI-Vendor-integrierte KI (ROSEN AutoData, TDW MDS Pro)
• Strukturierte Rehabilitationsplanung → DNV Synergi Pipeline
• Eigene ML-Entwicklung für größere Netze → Azure ML + historische ILI-Daten
• Kombination für vollständiges System → Vendor-KI + Synergi + Azure ML für Modelloptimierung

Datenschutz und Datenhaltung

ILI-Daten und CCTV-Inspektionsvideos enthalten keine personenbezogenen Daten im DSGVO-Sinne. Dennoch sind sie in hohem Maße sensibel: Sie zeigen den exakten Zustand und damit potenzielle Schwachstellen kritischer Infrastruktur.

Für KRITIS-Betreiber gilt: Infrastrukturdetails, die Rückschlüsse auf Schwachstellen erlauben, unterliegen dem BSI-Schutzbedarfskonzept. ILI-Daten sollten nicht unverschlüsselt an Cloud-Dienste übertragen werden — eine verschlüsselte Übertragung und Speicherung auf EU-Infrastruktur ist Mindestanforderung.

Wenn ILI-Daten an externe Vendoren für die KI-Analyse gegeben werden (ROSEN, TDW, Applus+ bieten cloudbasierte Analyse an): Die Datenverarbeitungsverträge mit diesen Vendoren müssen klären, ob Inspektionsdaten für das Training der Vendor-Modelle verwendet werden dürfen. Das ist ein Standardpunkt in der Vertragsverhandlung — aber er muss aktiv adressiert werden.

Für On-Premise- oder EU-Cloud-Entwicklung ist die Situation einfacher: Die Daten verlassen die kontrollierte Umgebung nicht.

Was es kostet — realistisch gerechnet

Szenario A: ILI-Vendor-integrierte KI-Analyse

• Mehrkosten gegenüber Standard-ILI-Inspektion: 15–30 % auf den Vendor-Auftrag, je nach Analystiefe
• Kein eigener Infrastrukturaufwand
• Zeitersparnis sofort realisiert, ohne eigenes Projekt

Szenario B: Eigene ML-Entwicklung

• Datenvorbereitung (Ground-Truth-Klassifizierung historischer Daten): 3–6 Personenmonate Ingenieurszeit
• ML-Modellentwicklung (internes Team oder externer Dienstleister): 60.000–150.000 Euro
• Azure ML-Betriebskosten: 500–2.000 Euro/Monat
• DNV Synergi Pipeline Lizenz: 20.000–60.000 Euro/Jahr

Konservativer ROI-Szenario: Ein Netzbetreiber mit 300 km Fernleitung inspiziert alle 8 Jahre eine vollständige Strecke — das ergibt 3 bis 4 ILI-Läufe pro Jahr. Manuelle Auswertung je Run: 3 Wochen Ingenieurszeit = 12 Wochen/Jahr = 3 Personenmonate. Bei 100 Euro/Stunde: 48.000 Euro/Jahr. Mit KI: 1 Woche je Run = 4 Wochen/Jahr = 1 Personenmonat = 16.000 Euro. Einsparung: 32.000 Euro/Jahr — bei Eigenentwicklungskosten von 100.000 Euro erreicht man den Break-Even in 3 Jahren. Eine vermiedene Havarie verkürzt den Amortisationszeitraum erheblich.

Drei typische Einstiegsfehler

Fehler 1: Modell ohne ausreichende Trainingsdaten starten Das ist der häufigste Fehler bei ML-Projekten in der Rohrinspektion. Ein Modell, das mit 50 historischen Inspektionsdatensätzen trainiert wurde, ist für den Produktivbetrieb nicht geeignet. Die Mindestbasis für ein brauchbares ILI-Klassifizierungsmodell liegt bei mehreren Hundert sauber validierten Datensätzen — und die liegen bei den meisten mittelgroßen Netzbetreibern nicht strukturiert vor. Wer das Problem unterschätzt, baut ein Modell, das im Test gut aussieht und in der Praxis versagt.

Fehler 2: Vendor-KI als “Black Box” ohne Qualitätsprüfung übernehmen Wenn ein ILI-Vendor KI-klassifizierte Berichte liefert, bedeutet das nicht automatisch bessere Qualität. Die Klassifizierungen sollten von eigenen Integritätsingenieuren stichprobenartig geprüft werden — besonders in den ersten Jahren der Zusammenarbeit. Nur so erkennt man, ob das Vendor-Modell die spezifischen Leitungsbedingungen (Rohrwerkstoff, Alter, Betriebsgeschichte) korrekt einbezieht.

Fehler 3: Die Pflege des Modells nicht einplanen Ein ML-Modell, das auf Daten von vor 5 Jahren trainiert wurde, berücksichtigt nicht, dass das Netz sich verändert hat: neue Rohrabschnitte, andere Betriebsdrücke, neue Korrosionsschutzmaßnahmen. Das Modell muss regelmäßig mit aktuellen Daten nachtrainiert werden. Wer diese Wartungsaufgabe nicht budgetiert und personell verankert, baut eine KI-Lösung, die nach 2 Jahren veraltet ist und niemandem mehr vertraut wird.

Was mit der Einführung wirklich passiert — und was nicht

Der erste Pilot mit KI-klassifizierten ILI-Daten wird eine interessante Erfahrung sein: Das Modell wird Anomalien anders klassifizieren als die Ingenieure — manchmal konservativer, manchmal liberaler. Diese Diskrepanzen sind wertvoll: Sie zeigen, wo das Modell noch trainiert werden muss, aber auch, wo die menschliche Klassifizierung inkonsistent ist.

Die schwierigste Phase ist nicht die technische Entwicklung, sondern die Phase, in der Ingenieure lernen, dem Modell zu vertrauen — genauer gesagt: zu verstehen, wann sie ihm vertrauen können und wann nicht. Das erfordert 6 bis 12 Monate parallelen Betriebs (Mensch und Modell klassifizieren unabhängig, dann Vergleich), bevor das Modell als primäres Klassifizierungswerkzeug eingesetzt wird.

Was nicht passiert: Eine sofortige Ablösung der Ingenieurarbeit. Der Ingenieur bleibt das Letzt-Urteil bei kritischen Anomalien. Die KI übernimmt das Volumen, nicht die Verantwortung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Unser Netz ist zu klein für eigene ML-Entwicklung.” Das stimmt für viele Netzbetreiber unter 100 km Fernleitung. Die Alternative ist nicht “nichts tun”, sondern die Vendor-integrierte KI-Analyse (ROSEN AutoData, TDW MDS Pro): Kein eigenes Modell, kein Trainingsaufwand, trotzdem schnellere und konsistentere Auswertung. Kleine Netzbetreiber können auch über Kooperationen mit anderen Betreibern gemeinsam eine Trainingsdatenbasis aufbauen — eine Praxis, die in der Wasserwirtschaft bereits erprobt ist.

“Wir vertrauen der Klassifizierung eines Algorithmus nicht bei sicherheitsrelevantem Thema.” Das ist ein berechtigter Einwand — für vollautomatische Entscheidungen. Das System ist aber nicht für vollautomatische Entscheidungen gebaut: Es klassifiziert, und ein Ingenieur prüft. Das Vertrauen, das gefordert wird, ist nicht “das System entscheidet allein”, sondern “das System liefert einen Vorschlag, den ich schneller prüfen kann als wenn ich alles selbst klassifiziere”.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Du mindestens 50 km Fernleitung mit regelmäßigem ILI-Programm betreibst
• Du historische ILI-Daten aus mindestens 2 bis 3 Inspektionszyklen in digitaler Form vorliegen hast
• Deine Ingenieure regelmäßig 2 bis 4 Wochen für die Auswertung eines einzigen Inspektionslaufs aufwenden

Das passt noch nicht zu dir, wenn:

• Du weniger als 2 ILI-Läufe in der Vergangenheit hast — die Trainingsdatenbasis ist zu dünn für ein eigenes Modell; nutze dann die Vendor-integrierte KI-Analyse
• Deine historischen Inspektionsdaten nicht digital vorliegen oder nicht einheitlich klassifiziert sind — hier muss zuerst in Datenstruktur investiert werden
• Dein Gasnetz besteht überwiegend aus Kunststoffleitungen (PE, PVC) — für diese sind Inline-Inspection-Molche technisch nicht einsetzbar; dieser Use Case greift dann nicht

Das kannst du heute noch tun

Beantworte zunächst die Frage der Datenbasis: Wie viele ILI-Inspektionen habt ihr in den letzten 15 Jahren durchgeführt? Liegen die Auswertungen in digitaler Form vor — mit Anomaliedaten und den damaligen Klassifizierungen? Das ist der entscheidende Faktor für die Eignung eines eigenentwickelten ML-Modells.

Wenn ja: Sprich mit eurem nächsten ILI-Vendor über die Möglichkeit, KI-gestützte Auswertung als Zusatzmodul einzukaufen — das zeigt sofort, was die Vendor-integrierte Lösung liefert und was nicht.

Quellen & Methodik

• DVGW G 463 (2021): Technische Regel für Stahlrohrleitungen — Anforderungen an Inspektion und Rehabilitationsplanung für erdverlegte Fernleitungen.
• DVGW G 466-1: Betrieb und Inspektion molchbarer Gasleitungen; definiert die Voraussetzungen für den Einsatz von Inspektionsmolchen (ILI-Fähigkeit der Leitung).
• ROSEN Group — AutoData ML-Algorithmus (2023): Beschreibung des Machine-Learning-Ansatzes für ILI-Datenauswertung mit adaptiven Algorithmen auf Basis von Laserscandaten realer Rohrfehler.
• ScienceDirect — Machine learning-based outlier detection for pipeline in-line inspection data (2024): Peer-reviewte Studie zu ML-Methoden für ILI-Datenauswertung; Klassifikationsalgorithmen auf Basis von Millionen historischer Anomalien.
• DNV — Advanced ILI Analysis with Synergi Pipeline Software: Herstellerdokumentation zu normenkonformer Schadensbewertung (API 579, ASME B31.8, DVGW G 463) in Synergi Pipeline.
• KI.NRW — Impulspapier Wasserwirtschaft (2022): Erfahrungen mit KI-gestützter CCTV-Schadensklassifizierung in der Wasserwirtschaft; übertragbar auf Gasverteilnetze.