Feuerfestmaterial-Monitoring: KI-Überwachung der Glasschmelzwannen-Erosion

Das echte Ausmaß des Problems

Glasschmelzwannen mit Feuerfestauskleidung sind eines der teuersten Aggregate einer Glasfabrik, ihr Neubau gehört zu den größten Einzelinvestitionen eines Werks. Eine Kampagne läuft viele Jahre, wie viele, hängt an Glastyp, Schmelztemperatur und Wannendesign.

Das Erosionsproblem ist physikalisch unvermeidbar: Die geschmolzene Glasmasse bei 1.200–1.600 °C löst das Feuerfestmaterial chemisch und thermisch ab. Die Frage ist nicht ob, sondern wo und wie schnell die Wandstärke abnimmt.

Die entscheidende Schwachstelle liegt in der Messtechnik:

• Thermocouple-Punktmessungen erfassen die Außenwandtemperatur an fest installierten Einzelpunkten, zwischen denen große Wandflächen unbeobachtet bleiben
• Manuelle Infrarot-Begehungen finden typischerweise einmal pro Quartal statt und liefern Momentaufnahmen, keine Trendanalyse
• Lokale Erosionsherde, sogenannte Hot Spots, können sich zwischen zwei Messpunkten entwickeln und über Monate unter dem Radar bleiben

Statistisch verfügbare Daten zu Wannendurchbruchhäufigkeiten werden in der Industrie nicht systematisch publiziert, und für die Schadenshöhe haben wir ebenfalls keine belastbare Quelle gefunden. Bekannt ist, woraus der Schaden besteht: Glasverlust und Notabstich, Schäden an Regeneratoren und Stahlbau, eine vorgezogene Kaltreparatur, Anlaufverluste und ein Produktionsausfall, der länger dauert als bei einer geplanten Abstellung.

Das Besondere: Je dünner die verbleibende Wand, desto kleiner die Reserve. Ein Erosionsherd, der bei voller Wandstärke Jahre bis zum Durchbruch gebraucht hätte, reicht bei dünner Wand für ein Versagen. Deshalb wird gegen Kampagnenende oft stärker von außen gekühlt, und deshalb zählt dort jede Wandfläche, die niemand misst. Wer den Moment verpasst, hat keine zweite Chance mehr auf eine geordnete Abschaltung.

Mit vs. ohne KI, ein ehrlicher Vergleich

Der Vergleich zeigt: KI-Monitoring macht keine Erosion rückgängig. Es ermöglicht das rechtzeitige Erkennen, um entweder einen lokalen Notabstich zu planen, eine Großreparatur vorzuziehen oder zumindest eine geordnete Wannenabschaltung durchzuführen, statt einen Notfall zu managen.

Einschätzung auf einen Blick

Zeitersparnis, sehr niedrig (1/5) Dieser Anwendungsfall spart keine Arbeitszeit in nennenswertem Umfang. Das tägliche Monitoring läuft automatisch, aber die manuelle Analyse der Warnsignale, Korrekturmaßnahmen und Expertengespräche erfordern weiterhin Spezialisten-Zeit. Im Vergleich zu den anderen Anwendungsfällen dieser Kategorie ist der Zeithebel am schwächsten.

Kosteneinsparung, hoch (4/5) Ein einziger rechtzeitig erkannter Durchbruch kann die Investition um ein Vielfaches übersteigen, allerdings nur um die Differenz zwischen Notfall und geplanter Abstellung, denn die Kaltreparatur am Kampagnenende steht ohnehin an. Der Wert 4 statt 5: Ohne bekannte Eintrittswahrscheinlichkeit ist der Hebel ein Erwartungswert, keine planbare Einsparung, siehe Kostenabschnitt. In Werken ohne Vorfall bleibt der Nutzen abstrakt.

Schnelle Umsetzung, niedrig (2/5) 12–24 Monate bis zum validierten Betrieb sind für diese Kategorie unterdurchschnittlich schnell, ähnlich wie beim Glasfaser-Fadenrissmodell und schneller als bei der Optiklinsen-Polierautomatisierung. Der Vorteil hier: Thermografiekameras und Thermocouple-Arrays sind Off-the-Shelf-Hardware, keine Spezialsensorik. Die Zeitverzögerung kommt aus der Datenintegration und Modellvalidierung, nicht aus der Hardware-Entwicklung.

ROI-Sicherheit, niedrig (2/5) Wenn das Monitoring einen Hot Spot früh erkennt und eine rechtzeitige Abschaltung ermöglicht, ist der Nutzen im Einzelfall eindeutig. Vorab rechnen lässt er sich aber nicht, weil das Basisrisiko unbekannt ist: Nicht jede Wanne erleidet einen Durchbruch, Häufigkeiten sind nicht publiziert, und wer jahrzehntelang ohne Ereignis produziert hat, kann die Investition intern schwer rechtfertigen. Der Business Case bleibt ein Versicherungsargument.

Skalierbarkeit, niedrig (2/5) Jede Glasschmelzwanne hat ihre eigene Geometrie, ihr eigenes Erosionsprofil und ihren eigenen Betriebsverlauf. Ein Modell, das an Wanne A trainiert wurde, lässt sich nicht ohne Feinabstimmung auf Wanne B übertragen. Für ein Werk mit drei Wannen bedeutet das: drei separate Monitoring-Projekte. Für Konzerne mit Werken in mehreren Ländern ist das ein erheblicher Aufwand.

Richtwerte, stark abhängig von Wannengröße, Glastyp, Kampagnenalter und vorhandener Messinfrastruktur.

Was das Monitoring-System konkret macht

Das System verbindet zwei Datenquellen zu einem kontinuierlichen Zustandsbild der Wannenwand:

1. Flächendeckende Außenwandtemperatur (Thermocouple-Array + IR-Kamera) An Wannen ohne ausreichende Thermocouple-Dichte werden zusätzliche Thermoelemente in den Risikozonen angebracht, etwa entlang der Glasbadlinie, wo die Korrosion typischerweise am stärksten ist, in einem Raster von 20–50 cm. Die ganze Wand deckt das nicht ab: 100 bis 300 zusätzliche Punkte in diesem Raster überwachen 4 bis 75 m² (100 mal 0,2 m mal 0,2 m bis 300 mal 0,5 m mal 0,5 m), die Fläche dazwischen sieht nur die Kamera. Ergänzt werden diese durch fest installierte IR-Thermografiekameras (Wellenlänge 8–14 µm), die den gesamten Wandbereich alle 1–5 Minuten scannen. Das Ergebnis ist eine kontinuierlich aktualisierte Temperatur-Karte der Außenwand, nicht mehr Einzelpunkte, sondern ein flächiges Bild.

2. Zeitreihen-Anomaliemodell (LSTM oder Isolation Forest) Das Modell lernt aus den ersten 6–12 Monaten des Betriebs, wie die normale Erosions-Temperaturentwicklung an jeder Wandzone aussieht. Es lernt auch saisonale Muster (Außentemperatur im Winter vs. Sommer) und betriebliche Einflüsse (Charge-Wechsel, Brennerleistungsveränderungen). Anomalie = jede Zone, die schneller abkühlt oder schneller ansteigt als das gelernte Muster es vorhersagt. Je stärker die Abweichung, desto höher der Warnscore.

3. Restlebensdauer-Prognose Das Erosionsmodell schätzt auf Basis der gemessenen Temperaturzunahme-Rate die verbleibende Wandstärke und extrapoliert, wann die kritische Mindeststärke erreicht sein wird. Diese Schätzung fließt in die Asset-Management-Planung ein: Wann muss die nächste Großinspektion stattfinden? Wann ist ein Kalt-Repair realistisch? Wann ist eine Notabschaltung wahrscheinlich?

Was das System nicht kann

Das Modell erkennt Temperaturanomalien an der Außenwand, es sieht nicht direkt in das Feuerfestmaterial. Eine beschleunigte Außenwanderwärmung ist ein starker Indikator für lokale Wandverdünnung, aber sie kann auch durch Kühlluft-Asymmetrien, Ausfall eines Kühlgebläses oder Messsensor-Drift verursacht werden. Jede Warnung muss durch einen Experten verifiziert werden, bevor operative Konsequenzen gezogen werden. Das System liefert Entscheidungshilfe, keine automatischen Eingriffe.

Konkrete Werkzeuge, was wann passt

AVEVA PI System , Ein verbreiteter Standard für Prozesshistoriendaten in der Prozessindustrie. PI System sammelt die Thermocouple-Zeitreihen, speichert sie mit Zeitstempel und Metadaten und macht sie für Analyse-Applikationen zugänglich. Der entscheidende Vorteil für diesen Anwendungsfall: PI System lässt sich mit PI Asset Framework (PI AF) kombinieren, das eine strukturierte Wannen-Topologie abbildet, jedes Thermocouple ist einem definierten Wandbereich zugeordnet, was die spätere Anomalieerkennung erheblich vereinfacht. In Werken, die PI System bereits für andere Anlagen betreiben, nutzt ihr die vorhandene Infrastruktur; ob die zusätzlichen Messpunkte die Lizenz erweitern, klärt ihr mit AVEVA, das Preise nur auf Anfrage nennt.

Azure Machine Learning , Für die Anomalieerkennungs-Schicht, wenn Microsoft-Infrastruktur im Werk vorhanden ist. Einen fertigen Zeitreihen-Anomaliedienst gibt es bei Microsoft nicht mehr: Azure AI Anomaly Detector nimmt seit dem 20. September 2023 keine neuen Ressourcen an und wird am 1. Oktober 2026 abgeschaltet, Microsoft verweist auf Microsoft Fabric und das Open-Source-Projekt dahinter (Microsoft Learn, What is Anomaly Detector?). Das Anomaliemodell baut ihr also in Azure ML selbst. Kombiniert mit Azure Digital Twins lässt sich ein digitales Wannenmodell aufbauen, das die Anomalien räumlich verortet. EU-Regionen und AVV verfügbar.

InfluxDB , Für Werke, die keine Cloudlösung wollen oder deren IT-Sicherheitsrichtlinien Produktionsdaten on-premises verlangen: InfluxDB als Open-Source-Zeitreihendatenbank direkt im Werknetzwerk. InfluxDB wird über den Datensammler Telegraf an die OPC-UA-Schnittstellen moderner SCADA-Systeme angebunden und bildet die Datenbasis für ein lokal betriebenes Python-Anomaliemodell. Der Nachteil gegenüber Azure oder PI System: keine vorkonfigurierten Wannen-Asset-Modelle, höherer Eigenaufwand beim Setup.

Grafana , Für die Visualisierung und das Alarm-Management: Grafana bindet sich an InfluxDB oder PI System und stellt die Thermografie-Karten, Trendverläufe und Warnscores als Dashboard im Leitstand dar. Der Vorteil für Wannenfahrer: Grafana ermöglicht konfigurierbare Alarmschwellen und sendet Benachrichtigungen per E-Mail oder SMS, wenn ein Wandbereich die Eskalationsschwelle überschreitet, ohne dass jemand aktiv auf ein Dashboard schaut.

Zusammenfassung: Wann welcher Ansatz

• Werk betreibt PI System bereits → AVEVA PI System + PI AF als Datenbasis, Azure ML für Anomalieerkennung
• Microsoft-Stack → Azure Machine Learning mit eigenem Anomaliemodell
• On-Premises zwingend, eigenes IT-Team vorhanden → InfluxDB + Python + Grafana
• Keine eigene IT-Kapazität → der Wannenbauer oder Feuerfestlieferant, der die Wanne ohnehin betreut, oder ein auf Predictive Maintenance spezialisiertes Ingenieurbüro

Datenschutz und Datenhaltung

Die Temperaturdaten von Glasschmelzwannen enthalten keine personenbezogenen Daten im Sinne der DSGVO. Datenschutzrechtlich ist dieser Anwendungsfall unkompliziert.

Die relevanten Schutzanforderungen sind anderer Natur:

Betriebsgeheimnisse und Wettbewerbsschutz: Wannen-Erosionsprofile, Kampagnenlaufzeiten und Restlebensdauer-Prognosen sind strategisch sensible Betriebsdaten. Ein Wettbewerber, der die Erosionsrate eurer Wanne kennt, weiß, wann ihr eine Abstellung plant und welche Produktionskapazität ihr demnächst verliert. Verträge mit Cloud-Anbietern müssen explizit ausschließen, dass diese Daten für eigene Modelle oder Dritte genutzt werden. Bei Azure und AWS ist das über die Unternehmensverträge (EA/EDP) mit entsprechenden Datenschutz-Addenda regelbar.

On-Premises als Standardempfehlung: Für die meisten Glaswerke ist eine Architektur empfehlenswert, bei der Rohdaten (Thermocouple-Zeitreihen) nur im Werknetzwerk gespeichert werden. Modell-Training kann in einer isolierten Cloud-Umgebung mit anonymisierten Daten stattfinden. Live-Inferencing läuft am Edge-Server im Werk. Diese Architektur passt zum Zonen- und Conduit-Modell der IEC 62443 für industrielle Steuerungssysteme.

Was es kostet, realistisch gerechnet

Hardware (einmalig)

• Thermocouple-Nachrüstung (Rasterung, 100–300 zusätzliche Messpunkte): 30.000–80.000 €
• IR-Thermografiekameras (2–6 Kameras je nach Wannengröße): 20.000–60.000 €
• Edge-Server und Netzwerkinfrastruktur im Werk: 15.000–30.000 €

Software und Datenintegration (einmalig)

• SCADA/OPC-UA-Anbindung, PI-System-Erweiterung oder InfluxDB-Setup: 20.000–50.000 €
• Modellentwicklung und Validierung (externer Dienstleister oder internes Team): 40.000–100.000 €
• Digitales Wannen-Asset-Modell aufbauen (Topologie, Zoneneinteilung): 10.000–25.000 €

Laufende Kosten

• Software-Lizenzen und Cloud-Dienste: 1.000–4.000 €/Monat
• Modell-Wartung und Rekalibrierung: 5–15 Tage Expertenzeit pro Jahr

Gegenrechnung

Der naheliegende Rechenfehler ist, den vollen Schaden eines Durchbruchs gegen die Investition zu stellen. Drei Korrekturen:

1. Die Wanne wird ohnehin neu gebaut. Am Ende der Kampagne steht die Kaltreparatur sowieso an. Ein rechtzeitig erkannter Hot Spot spart nicht den Neubau, sondern die Differenz zwischen Notfall und geplanter Abstellung: Glasverlust und Notabstich, Schäden an Regeneratoren und Stahlbau, die längere Stillstandszeit, und bei einem frühen Durchbruch die Jahre, um die der Neubau vorgezogen werden muss.
2. Produktionsausfall ist Marge, nicht Umsatz, und nicht doppelt. Eine Floatwanne mit angenommen 400–800 Tonnen am Tag und 300–800 € Produktionswert je Tonne setzt 120.000–640.000 € am Tag um. Verloren geht die Marge auf die Tage, die der Notfall länger dauert als eine geplante Abstellung, nicht der Umsatz der ganzen Reparaturzeit. Und wer eine Schadenssumme ansetzt, die Anlaufverluste und Produktionsausfall schon enthält, darf den Ausfall nicht noch einmal obendrauf rechnen.
3. Ohne Eintrittswahrscheinlichkeit gibt es keinen Erwartungswert. Wie oft Wannendurchbrüche passieren, ist nicht publiziert. Die Rechnung lautet deshalb: Wahrscheinlichkeit eines Durchbruchs im Jahr mal vermiedene Differenzkosten mal Anteil, den das Monitoring tatsächlich rechtzeitig erkennt, gegen die Kosten des Systems.

Die Kosten des Systems: 135.000–345.000 € einmalig plus 12.000–48.000 € im Jahr, also 1.000 bis 4.000 € im Monat, dazu 5 bis 15 Tage Expertenzeit. Verteilt auf fünf Jahre Restlaufzeit sind das rund 39.000–117.000 € im Jahr (135.000 geteilt durch 5 plus 12.000, bis 345.000 geteilt durch 5 plus 48.000).

Das ist die Schwelle, gegen die ihr rechnet. Angenommen, ein rechtzeitig erkannter Durchbruch spart 5 Millionen Euro Differenzkosten: Dann trägt sich das System, wenn die Wahrscheinlichkeit, dass es einen sonst eintretenden Durchbruch rechtzeitig erkennt, bei 0,8 bis 2,3 Prozent im Jahr liegt (39.000 bis 117.000 € geteilt durch 5 Millionen €). Genau kann euch das niemand sagen, aber euer Wannenbauer und euer Feuerfestlieferant können das Risiko für Alter und Zustand eurer Wanne einschätzen. In Jahren ohne Vorfall erscheint das System als laufender Kostenfaktor ohne sichtbaren Nutzen, das ist die eigentliche Hürde bei der internen Projektgenehmigung.

Drei typische Einstiegsfehler

1. Das Monitoring-System nach einem unauffälligen Jahr als „nicht notwendig” einstufen. Das ist das häufigste und gefährlichste Muster. Wenn die Wanne in Jahr 1 nach Einführung keinen kritischen Hot Spot zeigt, beginnt die interne Diskussion: „War die Investition wirklich nötig?” Dieser Trugschluss ignoriert, dass die Funktion des Systems nicht die Erzeugung von Vorfällen ist, sondern ihre Vermeidung, und dass ein Durchbruch Monate oder Jahre nach ruhigem Betrieb eintreten kann. Lösung: KPIs von Anfang an auf die Messgenauigkeit und Hot-Spot-Abdeckung legen, nicht auf die Zahl der Alarme.

2. Alarmschwellen zu niedrig setzen und Fehlalarm-Müdigkeit erzeugen. Teams, die das Monitoring-System frisch einführen, neigen dazu, Alarmschwellen konservativ zu setzen, zu niedrig. Ergebnis: In den ersten Monaten gehen täglich Warnungen ein, die nach Expertenprüfung harmlose betriebliche Schwankungen sind. Nach drei Wochen ignorieren Wannenfahrer die Warnungen systematisch, einschließlich der echten. Die Schwellenwertkalibrierung braucht 6–12 Monate Beobachtungszeit und sollte schrittweise enger gezogen werden, nicht beim Start.

3. Das Modell ohne laufende Expertenpflege laufen lassen. Ein Erosionsmodell, das die letzten zwei Jahre Betriebsdaten eines bestimmten Schmelzprogramms kennt, hat keine Erwartung für ein neues Glasrezept, eine geänderte Brennerleistung oder einen Rohstoffwechsel. Sobald sich die Betriebsbedingungen ändern, produziert das Modell erhöhte Falsch-Alarm-Raten oder, schlimmer, niedrige Alarm-Sensitivität in genau den Bereichen, die jetzt anders erosionieren. Das Modell muss bei jeder signifikanten Betriebsänderung überprüft und gegebenenfalls nachtrainiert werden. Diese Aufgabe braucht eine klare interne Zuständigkeit.

Was mit der Einführung wirklich passiert, und was nicht

Der größte Widerstand bei der Einführung kommt nicht von Wannenfahrern, sondern von Gutachtern und Betriebsleitern mit 20–30 Jahren Erfahrung. Ihr implizites Wissen über das Erosionsverhalten ihrer Wanne ist real und wertvoll. Ein KI-System, das ihnen sagt, dass Zone C7 schneller erodiert als Zone B3, begegnet dem legitimen Einwand: „Das weiß ich seit zwei Jahren.”

Das ist häufig sogar wahr. Was erfahrene Wannenfahrer intuitiv erfassen, deckt die groben Muster ab. Was sie nicht erfassen: die exakte Drift-Geschwindigkeit über Monate, die Korrelation zwischen Betriebsänderungen und beschleunigter lokaler Erosion, und, kritisch, die Schwachstellen zwischen den Messpunkten, die außerhalb ihres Sichtfelds liegen.

Was wirklich hilft:

Beginne mit einem Alignment-Gespräch: Welche Bereiche macht der erfahrene Wannenfahrer sich Sorgen um? Sind diese Zonen im System überprüft? In der Mehrzahl der Fälle bestätigt das Sensor-Bild die Intuition des Fachmanns, und baut dadurch Vertrauen auf, bevor das System das erste Mal eine Überraschung liefert.

Das System sollte nicht als Ersatz für Gutachter-Expertise positioniert werden, sondern als Erweiterung: Der Gutachter interpretiert nach wie vor die kritischen Befunde, aber er bekommt jetzt ein vollständigeres und kontinuierlicheres Datenbild als bisher.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Gutachter machen das seit 30 Jahren zuverlässig.” Das stimmt für das, was manuelle Gutachter können: Jahrzehnte-Erfahrung mit dem spezifischen Wannentyp, Einschätzung von Betriebsbesonderheiten, Prüfung von Bereichen, die Sensoren nicht erreichen. Was Gutachter nicht können: zwischen zwei Quartals-Terminen 24 Stunden am Tag überwachen. Kein Gutachter war in der Nacht vor dem Wannendurchbruch vor Ort. Das System schläft nicht, der Gutachter schon.

„Kein Wannendurchbruch in 30 Jahren, wozu das System?” Das ist der stärkste Einwand und er verdient Respekt. Gleichzeitig ist er die gefährlichste Begründung für Untätigkeit: Längere Laufzeiten ohne Ereignis senken subjektiv die Risikowahrnehmung, während das objektive Risiko mit Wannenalter und Restlebensdauer steigt. Wer 30 Jahre lang keine Katastrophe hatte, hat bisher Glück gehabt und/oder gutes manuelles Management betrieben, beides schützt nicht unbegrenzt.

„Zu teuer für eine Wanne, die in drei Jahren ersetzt wird.” Richtig: Für eine Wanne, die planmäßig in 36 Monaten abgestellt wird, lässt sich eine Vollinvestition von 200.000+ € schwer rechtfertigen. Die Alternative ist ein abgespecktes System: bestehende Thermocouple-Daten automatisch auswerten (keine Hardware-Nachrüstung), einfaches Drift-Monitoring mit Open-Source-Tools, manuelle Alarmschwellen. Das kostet 20.000–40.000 €, nutzt aber nur die vorhandenen Messpunkte, die Lücken dazwischen bleiben.

Woran du merkst, dass das zu dir passt

• Deine Glasschmelzwanne ist mehr als 7 Jahre alt, gegen Ende der Kampagne schrumpft die Reserve der Wand
• Du hast Thermocouple-Daten aus den letzten 3+ Jahren digital gespeichert, das ist die Mindestbasis für ein Erosions-Normalmodell
• Dein Werk hat keine flächige kontinuierliche Außenwandüberwachung, nur Einzelpunkt-Messung oder quartalsweise IR-Begehungen
• Ein Wannendurchbruch würde euren Jahresumsatz signifikant treffen, in Werken mit einer einzigen Wanne ist das fast immer der Fall

Wann es (noch) nicht passt, drei harte Ausschlusskriterien:

1. Wanne steht in weniger als 18 Monaten vor geplanter Abstellung. Einführung, Kalibrierung und Validierung des Modells dauern 12–24 Monate. Das System würde erst produktiv werden, wenn die Wanne bereits abgestellt ist. Ausnahme: Wenn der Verdacht auf eine vorzeitige Abstellung im Raum steht, kann ein Schnell-Monitoring auf Basis bestehender Daten sinnvoll sein.

2. Keine digitale Prozessdatenerfassung vorhanden. Wenn Thermocouple-Messwerte nur als Papierprotokoll existieren, fehlt die Datenbasis vollständig. Erster Schritt wäre eine Digitalisierungsinfrastruktur, ein eigenständiges Projekt.

3. Wannengröße unter 30 Tonnen Tagesschmelzleistung. Bei sehr kleinen Spezialglasproduktionen mit niedrigen Wannenschmelzmengen ist der investierbare Betrag begrenzt und das Monitoring-System überproportional teuer im Verhältnis zum Produktionswert. Für diese Fälle empfiehlt sich eine vereinfachte manuelle Monitoring-Routine mit erhöhter Messfrequenz statt eines ML-Systems.

Das kannst du heute noch tun

Bevor du Hardware oder Software kaufst: Prüfe, ob die Datenbasis für ein Erosionsmodell bereits existiert.

Geh in dein SCADA-System oder die Historiendatenbank und stelle dir folgende Frage: Kann ich für jede Thermocouple-Position an meiner Wanne die Zeitreihe der letzten 36 Monate exportieren, mit Zeitstempel, Messwert und Sensorkennung?

Wenn ja: Du hast bereits eine Datenbasis. Lass dir von einem Data-Science-Dienstleister eine einfache Drift-Analyse erstellen, welche Wandzonen zeigen in den letzten 12 Monaten die stärkste Temperaturzunahme? Das kostet 5.000–15.000 € und ergänzt die letzte Gutachter-Inspektion innerhalb weniger Wochen um den Trend zwischen den Messterminen.

Wenn nein: Der erste Schritt ist kein ML-Projekt, sondern ein Logging-Projekt. Konfiguriere dein SCADA so, dass alle Thermocouple-Werte mit Zeitstempel in eine Historiendatenbank geschrieben werden. Das ist die Grundlage für alles Weitere.

Quellen & Methodik

• Schadenshöhe, Häufigkeit, Kampagnenlaufzeiten, Produktionswert: Für diese Größen haben wir keine belastbare öffentliche Quelle gefunden. Die Gegenrechnung nimmt 5 Millionen Euro Differenzkosten je rechtzeitig erkanntem Durchbruch, 400–800 Tonnen am Tag und 300–800 € je Tonne an; ersetzt sie durch die Einschätzung eures Wannenbauers und eure Zahlen.
• Anomalieerkennung in Zeitreihen: Schmidl, S., Wenig, P., Papenbrock, T., „Anomaly Detection in Time Series: A Comprehensive Evaluation”, Proceedings of the VLDB Endowment 15(9), 2022, S. 1779–1797, vldb.org, abgerufen am 19.09.2026. Vergleich von 71 Verfahren auf 976 Zeitreihen, methodischer Hintergrund zur Auswahl des Modells.
• Abschaltung Azure AI Anomaly Detector: Microsoft Learn, What is Anomaly Detector?, abgerufen am 19.09.2026. Belegt: keine neuen Ressourcen seit dem 20. September 2023, Abschaltung am 1. Oktober 2026, Verweis auf Microsoft Fabric und das Open-Source-Projekt.
• AVEVA PI System, Azure Machine Learning, InfluxDB, Grafana: Funktionen und Preismodelle laut unseren Toolseiten, dort mit Quellen belegt.
• Rechnungen: Rechenweg dieser Seite aus den genannten Annahmen und Kostenrahmen.