Feuerfestmaterial-Monitoring: KI-Überwachung der Glasschmelzwannen-Erosion

Das echte Ausmaß des Problems

Glasschmelzwannen mit Feuerfestauskleidung sind das teuerste Einzelaggregat in einer Glasfabrik. Eine mittelgroße Floatglaswanne kostet 5–25 Millionen Euro im Neubau. Die Kampagnenlaufzeit beträgt 8–15 Jahre — je nach 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 — typischerweise 50–200 Messpunkte an einer Wanne mit 200–1.000 m² Außenwandfläche
• 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. Bekannt ist: Ein Wannendurchbruch kostet nach übereinstimmenden Branchenberichten 5–50 Millionen Euro je nach Wannengröße, Glastyp und Standort — bestehend aus Notabstichkosten, Wannenneubau, Anlaufverlusten und Produktionsausfall von typischerweise 3–9 Monaten (Schätzwert aus Brancheninformationen der ICG und Fachpublikationen des Glasindustrieverbands).

Das Besondere: Die Erosion in den letzten 12–18 Monaten einer langen Wannenkampagne ist nicht linear — sie beschleunigt sich. Je dünner die verbleibende Wandstärke, desto höher der Wärmestrom nach außen, desto schneller die weitere Erosion. Wer diesen Beschleunigungsmoment 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 allen anderen Anwendungsfällen dieser Kategorie ist der Zeithebel am schwächsten — dafür ist der Kostenhebel unübertroffen.

Kosteneinsparung — sehr hoch (5/5) Ein einziger verhinderter Wannendurchbruch rechtfertigt die gesamten Investitionskosten des Monitoringsystems um ein Vielfaches. Das ist der höchste Kostenhebel in dieser Kategorie, weil kein anderer Anwendungsfall ein einzelnes Ereignis mit einem Schaden in dieser Größenordnung (5–50 Mio. €) verhindern kann. Der Haken: Der ROI wird erst sichtbar, wenn das System seinen ersten Erfolg gehabt hat — 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, aber deutlich besser als das Glasfaser-Fadenrissmodell oder die 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 — hoch (4/5) Wenn das Monitoring einen Hot Spot früh erkennt und eine rechtzeitige Abschaltung ermöglicht, ist der ROI direkt messbar und eindeutig. Die Unsicherheit liegt darin, dass das Basisrisiko schwer zu quantifizieren ist: Nicht jede Wanne erleidet einen Durchbruch — wer jahrzehntelang ohne Ereignis produziert hat, hat Schwierigkeit, die Investition intern zu rechtfertigen. Das verbleibende Risiko bleibt latent.

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 einem Raster von 20–50 cm Abstand angebracht — je nach Risikobereich dichter. 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 — Der Industriestandard für Prozesshistoriendaten in der Glas- und Keramikproduktion. 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, entstehen keine zusätzlichen Lizenzkosten für die Datenerfassung.

Azure Machine Learning — Für die Anomalieerkennungs-Schicht empfiehlt sich Azure ML, wenn Microsoft-Infrastruktur im Werk vorhanden ist. Azure Anomaly Detector ist ein spezialisierter Dienst für Zeitreihenanomalien mit vortrainiertem Basismodell — das reduziert die Datenmenge, die für die erste Kalibrierung benötigt wird, was gerade zu Beginn des Projekts (wenn historische Anomalie-Daten rar sind) ein echter Vorteil ist. Kombiniert mit Azure Digital Twins lässt sich ein digitales Wannenmodell aufbauen, das die Anomalien räumlich verortet. EU Data Boundary und DSGVO-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 kommuniziert nativ mit OPC-UA-Schnittstellen moderner SCADA-Systeme 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 Anomalierkennung
• Microsoft-Stack, Einstieg mit wenig historischen Daten → Azure Machine Learning + Azure Anomaly Detector
• On-Premises zwingend, eigenes IT-Team vorhanden → InfluxDB + Python + Grafana
• Keine eigene IT-Kapazität → Spezialisierter Dienstleister für Glasschmelzwannen-Monitoring (z.B. Horn Glass Industries, Zippe, oder auf predictive maintenance spezialisierte Ingenieurbüros)

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 erfüllt auch strenge IT-Sicherheitsanforderungen nach 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

Eine mittelgroße Floatglaswanne produziert typischerweise 400–800 Tonnen Glas pro Tag bei einem Produktionswert von 300–800 €/Tonne (Schätzwert; stark abhängig von Glastyp und Marktposition). Das ergibt einen Produktionswert von 120.000–640.000 € pro Tag.

Ein verhinderter Wannendurchbruch spart:

• Direkte Schadenskosten: 5–50 Mio. € (Notabstich, Wannenneubau, Anlaufkosten)
• Produktionsausfall: 90–270 Tage × 120.000–640.000 €/Tag = 11–173 Mio. € (konservative Schätzung auf Basis der Praxiskorridor-Werte)

Gesamtinvestition Monitoring-System: 135.000–345.000 € einmalig + 12.000–48.000 €/Jahr laufend.

Das Monitoring-System rechnet sich nach einem einzigen verhinderten Vorfall — selbst im Szenario mit dem kleinsten Schaden (5 Mio. €) um das 14–37-fache (5 Mio. ÷ 135.000–345.000 € Investitionskosten). Kritisch zu beachten: Die Amortisation ist nicht kontinuierlich messbar. In Jahren ohne Vorfall erscheint das System als laufender Kostenfaktor ohne sichtbaren Nutzen. Das ist der 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 € und deckt 60–70 % des Nutzens ab.

Woran du merkst, dass das zu dir passt

• Deine Glasschmelzwanne ist mehr als 7 Jahre alt — das ist der Bereich, in dem das Durchbruchrisiko messbar ansteigt
• 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 — bei kleinen Spezialglasproduktionen 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 gibt dir innerhalb weniger Wochen ein klareres Bild als die letzte Gutachter-Inspektion.

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

• Wannendurchbruch-Schadenshöhe (5–50 Mio. €): ICG (International Commission on Glass), „Glass Furnace Life and Endurance” Workshop-Berichte (allgemein); Fachberichte des Verbands Deutscher Maschinen- und Anlagenbau (VDMA) zu Produktionsausfallkosten in der Glasindustrie (Schätzwert Praxiskorridor — keine systematisch publizierten Branchenzahlen verfügbar).
• Kampagnenlaufzeiten 8–15 Jahre: Beerkens, R.G.C., „Analysis of Crystalline Silica Particle Erosion in Glass Tank Furnaces”, Glass Technology: European Journal of Glass Science and Technology, Part A (2012); Knobloch, M., Technische Universität Bergakademie Freiberg, Vorlesungsunterlagen Glasschmelztechnik (2019) — technische Grundlagen unverändert gültig.
• Thermocouple-Abdeckung und Messraster: FURNACE Industry Consulting, Praxisberichte zu Wannen-Monitoring-Projekten (allgemein, 2022–2024); eigene Schätzungen auf Basis dokumentierter Installationsprojekte.
• ML-Zeitreihenanomalien in der Prozessindustrie: Schmidl, J. et al., „A comprehensive study on anomaly detection in time series data” (Artificial Intelligence Review, 2022) — methodische Grundlage für LSTM-Ansätze.
• AVEVA PI System und Azure Anomaly Detector: Hersteller-Dokumentation (AVEVA, Stand 2025; Microsoft Azure, Stand April 2026).
• Produktionswert Floatglas: Schätzwert auf Basis öffentlicher Preisinformationen für Floatglas (Glasforum, 2023–2024); stark abhängig von Produktmix und Marktposition — als Orientierungsgröße zu verstehen.