Anomalieerkennung in Dampfsystemen aus Bestandsdaten: Problemstellung, Lösungsansatz, Ergebnisse

Dampfsysteme in Papierfabriken und anderen Prozessindustrien verlieren laufend Energie durch schleichende Defekte, vor allem durch ausgefallene Kondensatableiter und Leckagen. Nach Erhebungen des US-Energieministeriums sind in Anlagen ohne systematisches Wartungsprogramm typischerweise 15–30 % der Ableiter defekt; die Verluste liegen in der Größenordnung von 5–15 % der Brennstoffkosten des Dampfsystems.

Der Stand der Technik hat zwei Ausprägungen mit strukturellen Nachteilen: Manuelle Surveys liefern Momentaufnahmen im Mehrjahresrhythmus — dazwischen bleiben Defekte unentdeckt. Kontinuierliches Sensor-Monitoring funktioniert nachweislich, skaliert aber über die Hardware je Ableiter und wird in Bestandsanlagen häufig nicht budgetiert.

Untersucht wurde deshalb: Lassen sich Anomalien im Dampfsystem aus vorhandenen Prozessdaten erkennen — ohne zusätzliche Sensorik und ohne gelabelte Fehlerbeispiele im Training? Der zweite Punkt ist praktisch entscheidend, denn gelabelte Fehlerdaten existieren in Bestandsanlagen in aller Regel nicht; verfügbar ist die historische Betriebsdatenbasis, die überwiegend Normalbetrieb abbildet.

Der Ansatz modelliert das Normalverhalten der Anlage statistisch und meldet anhaltende Abweichungen; trainiert wird ausschließlich auf Bestandsdaten des Normalbetriebs. Drei Stufen: Ein autoregressives Modell je Signal erfasst die Eigendynamik (übrig bleiben Residuen), die gemeinsame Verteilung der Residuen wird robust modelliert (Mahalanobis-Distanz mit regularisierter Kovarianz — erkennt auch Brüche zwischen Signalen), und der geglättete Score wird gegen eine allein aus Normaldaten kalibrierte Schwelle geprüft. Die Schwellenkalibrierung ist der zentrale betriebliche Stellknopf zwischen Empfindlichkeit und Fehlalarmrate.

# Training und Schwelle: ausschließlich Normalbetrieb
detektor.fit(historian["normalbetrieb"])
schwelle = quantil(score_normal, 0.999) * sicherheitsfaktor

# Referenzkonfiguration: null Fehlalarme auf unabhängigen Normaldaten
assert fehlalarmrate(normal_test) == 0.0

Der Ansatz benötigt keine Anlagentopologie, keine Fehlerbeispiele und keine zusätzliche Hardware; die Kernimplementierung umfasst rund 100 Zeilen Code auf Standardbibliotheken.

Öffentliche Datensätze mit Signalen einzelner Kondensatableiter existieren nicht — für keinen Marktteilnehmer. Die Validierung nutzt vier komplementäre öffentliche Datensätze, die zusammen quantitative Bewertbarkeit, reale Sensorik thermischer Prozesse und echte Dampfmessungen im Langzeitbetrieb abdecken. Labels dienen ausschließlich der Evaluation, nie dem Training.

TEP: Erkennung ohne Labels, null Fehlalarme

Training auf 500 Zeitschritten Normalbetrieb, Konfiguration a priori festgelegt. Ergebnis: 18 von 21 Fehlertypen erkannt bei 0,00 % Fehlalarmrate auf unabhängigen Normaldaten; markante Störungen werden in 0–18 Minuten gemeldet.

In den Metriken der übrigen Datensätze ausgedrückt, damit die Ergebnisse vergleichbar sind: Der Ereignis-Recall beträgt 18/21 (86 %), der zeitschrittweise Recall nach Fehlerstart 65 % über alle bzw. 76 % über die 18 erkannten Typen — bei einer Präzision von 100 % (kein einziger Fehlalarm). Schwellenunabhängig erreicht der Score eine gepoolte ROC-AUC von 0,90; je Fehlertyp liegt der Median bei 0,99, ohne die quasi-unbeobachtbaren Typen 3/9/15 im Mittel bei 0,95 (die drei selbst: 0,36–0,66 — auch schwellenfrei kaum trennbar). Damit liegen TEP (0,90–0,95), HAI (0,94) und SKAB (0,94, lokal) auf vergleichbarem Niveau.

HAI: hohe Trennschärfe auf realen Kesseldaten

Der Score trennt Kesselstörungen mit ROC-AUC 0,94 bei 0,54 % Fehlalarmen; über die harte Schwelle gelangte eines von drei Ereignissen. Die HAI-Störungen sind bewusst innerhalb normaler Wertebereiche versteckte Manipulationen (Sensor-Spoofing) — ein adversariales Szenario; physische Degradation verändert die Signalstatistik dagegen tatsächlich. Turbinen-Störungen außerhalb des Sichtfelds wurden erwartungsgemäß nicht gemeldet.

SKAB: der Betriebsbefund — lokale Kalibrierung entscheidet

Mit Training nur auf dem globalen anomaliefreien Referenzlauf erreicht das Verfahren Median-AUC 0,58 — die Experimente fahren andere Betriebspunkte als die Referenz. Mit vollständigem, label-freiem Fit je Anlage auf deren eigenem 300-Sekunden-Anfangsfenster springt das Ergebnis auf Median-AUC 0,94, 30/34 Ereignisse bei 8,0 % Fehlalarmrate (A-priori-Standardkonfiguration; vermessene Betriebspunkte: 28/34 bei 3,8 %, 26/34 bei 2,5 %).

BDG2: Befundliste auf echten Dampfzählern

Vier Zähler verschiedener Standorte, Modell auf 2016 trainiert, Detektion auf 2017. Ohne Labels ist das Ergebnis eine Befundliste (Episoden mit Start, Dauer, Richtung, Typ), per Sichtprüfung plausibilisiert: ein durchgehender Totalausfall über 2.481 Stunden ab dem 19.09.2017, Messwert-Spitzen um den Faktor 50, ein festgefrorener Messwert über Tage sowie Rekordlasten zum Jahresende. Scheinanomalien durch die US-Zeitumstellung werden automatisch als mutmaßliche Artefakte annotiert.

Die BDG2-Auswertung lieferte drei übertragbare Lektionen, die den Unterschied zwischen Benchmark- und Realdatenbetrieb ausmachen — alle drei sind im Verfahren umgesetzt, ohne seine Grundstruktur zu ändern:

• Trainingshygiene. Bestandsdaten enthalten selbst Ausfälle (bei einem Zähler 18 % Nullwerte im Trainingsjahr). Null-Läufe müssen im Training maskiert werden, sonst lernt das Modell Flatlines als Normalzustand.
• Niveau-Prüfung. Ein autoregressives Modell prädiziert eine anhaltende Level-Verschiebung nach der Übergangsphase selbst und meldet sie nicht mehr. Ausfälle erfordern die Verteilungsprüfung auf Niveau-Ebene plus eine explizite, erklärbare Stillstandsregel.
• Robuste Schwellen. Extremquantil-Kalibrierung ist fragil, wenn das Trainingsjahr ungelabelte Störepisoden enthält (hier: 99,9-%-Quantil der Abweichungen beim Neunfachen der robusten Skala). Eine Deckelung über Median plus Vielfache des Interquartilsabstands stabilisiert das Verhalten.

Alle Pipelines wurden einem Train/Test-Audit unterzogen. Modellfit, Skalierung, Profile und Schwellen stammen durchgängig ausschließlich aus Trainingsdaten; die TEP/HAI-Referenzkonfigurationen entsprechen dem jeweils ersten Lauf. Fünf Punkte dokumentiert die folgende Tabelle — vom unkritischen Transparenzhinweis bis zum deklarierten Entwicklungsbefund:

Nicht belegt ist die Erkennungsrate an realen Kondensatableitern einer konkreten Anlage — dafür fehlen öffentlich die Daten, was symmetrisch für jeden Marktteilnehmer gilt.

Fazit

Die Studie belegt ihre methodische Kernbehauptung: Anomalien in den Prozessdaten thermischer Systeme lassen sich ohne gelabelte Fehlerdaten und ohne zusätzliche Sensorik erkennen. Die Trennschärfe ist über drei unabhängige, gelabelte Datensätze konsistent (ROC-AUC 0,90–0,95), die Fehlalarmrate ist auf Null kalibrierbar, und auf zwei Jahren echter Dampfzähler liefert das Verfahren eine plausibilisierte Befundliste inklusive eines vollständig erkannten Totalausfalls. Die beiden Voraussetzungen für den Betrieb sind ebenso klar belegt: anlagenlokale Kalibrierung (SKAB: Median-AUC 0,58 gegen 0,94) und die drei Realdaten-Härtungen aus Abschnitt 5.

Ökonomisch adressiert das Verfahren Verluste von 5–15 % der Brennstoffkosten des Dampfsystems und beseitigt die beiden heutigen Eintrittshürden — Hardware je Ableiter und fehlende Fehlerlabels. Offen bleibt genau eine Frage, die öffentlich niemand beantworten kann: die Erkennungsrate an realen Kondensatableitern einer konkreten Anlage.

Nächste Schritte

Der sachgerechte nächste Schritt ist ein Pilot an einer Bestandsanlage mit eingefrorener Pipeline — er liefert die erste echte Blind-Validierung, eine kundenspezifische Erkennungsrate und zugleich den ersten proprietär gelabelten Datensatz des Marktes.

Quellen: TEP (Braatz-Archiv); HAI 21.03 (physisches ICS-Testbed); SKAB (Skoltech Anomaly Benchmark); BDG2 (ASHRAE GEPIII); Ausfall-/Verlustkennzahlen: U.S. DOE Steam Tip Sheets / FEMP. Alle Studien-Kennzahlen reproduzierbar aus dem beiliegenden Code.