Anomalieerkennung in Dampfsystemen — ohne gelabelte Fehlerdaten, ohne Zusatzsensorik

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

Der Stand der Technik hat zwei Ausprägungen, beide mit strukturellen Nachteilen. Manuelle Surveys (Ultraschall, Thermografie) liefern eine Momentaufnahme und finden in der Praxis im Mehrjahresrhythmus statt — dazwischen bleiben Defekte unentdeckt. Kontinuierliches Monitoring über dedizierte Funksensoren funktioniert nachweislich, skaliert aber über die Hardware: je Ableiter ein Sensor, bei mehreren hundert bis tausend Ableitern pro Werk ein Investitionsblock, der in Bestandsanlagen häufig nicht budgetiert wird.

Daraus folgt die untersuchte Frage: Lassen sich Anomalien im Dampfsystem aus vorhandenen Prozessdaten (Leitsystem, Historian) erkennen — ohne zusätzliche Sensorik und ohne gelabelte Fehlerbeispiele? Der zweite Punkt ist praktisch entscheidend: Gelabelte Fehlerdaten existieren in Bestandsanlagen in aller Regel nicht; verfügbar sind historische Betriebsdaten, die überwiegend Normalbetrieb abbilden.

Das Verfahren modelliert das Normalverhalten der Anlage statistisch — sowohl die Werteverteilung der Signale als auch ihre zeitliche Struktur — und meldet anhaltende Abweichungen von diesem Modell. Es arbeitet in drei Stufen und wird ausschließlich auf Bestandsdaten des Normalbetriebs trainiert.

Stufe 1 — Autokorrelation. Ein autoregressives Modell je Signal lernt, wie sich das Signal aus seinen eigenen vergangenen Werten fortschreibt. Übrig bleiben Residuen, die im Normalbetrieb weitgehend unstrukturiertes Rauschen sind. Ein Ableiter, der durchzublasen beginnt und das Temperatur- oder Druckverhalten einer Leitung verändert, schlägt sich in diesen Residuen nieder.

Stufe 2 — Verteilung. Die gemeinsame Verteilung der Residuen über alle Signale wird robust modelliert (Median/IQR-Standardisierung, Ledoit-Wolf-Kovarianz, Mahalanobis-Distanz als Score). Damit werden nicht nur Abweichungen einzelner Signale erkannt, sondern auch Brüche in den Zusammenhängen zwischen Signalen — etwa wenn zwei physikalisch gekoppelte Messstellen auseinanderlaufen.

Stufe 3 — Persistenz und Schwelle. Der Score wird exponentiell geglättet; ein Alarm entsteht erst bei anhaltender Überschreitung einer Schwelle, die ausschließlich aus der Score-Verteilung des Normalbetriebs kalibriert wird. Diese Kalibrierung ist der zentrale betriebliche Stellknopf zwischen Empfindlichkeit und Fehlalarmrate — eine bewusste, dokumentierbare Entscheidung des Betreibers.

# 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 Kenntnis der Anlagentopologie, keine Fehlerbeispiele und keine zusätzliche Hardware; die Kernimplementierung umfasst rund 100 Zeilen Code auf Standardbibliotheken, Rechenaufwand und Infrastrukturanforderungen sind vernachlässigbar.

Öffentliche Datensätze mit Signalen einzelner Kondensatableiter existieren nicht — für keinen Marktteilnehmer. Die Validierung erfolgte daher auf den zwei bestgeeigneten öffentlichen Ersatzdatensätzen; ein dritter wurde vorbereitet.

Labels dienen in allen Fällen ausschließlich der Evaluation, nie dem Training.

TEP-Benchmark: Erkennung ohne Labels, null Fehlalarme

Training auf 500 Zeitschritten Normalbetrieb, Evaluation auf allen 21 Fehlertypen und einem unabhängigen Normaldatensatz. Die konservative Referenzkonfiguration erkennt 18 von 21 Fehlertypen bei 0,00 % Fehlalarmrate — auf dem unabhängigen Normaldatensatz ebenso wie in den fehlerfreien Phasen aller Testläufe. Deutlich ausgeprägte Störungen werden innerhalb von 0–18 Minuten gemeldet; die mittlere Erkennungsrate über die 18 erkannten Fehlertypen beträgt 76 % der Zeitschritte nach Fehlerbeginn.

Der Schwellen-Trade-off, explizit vermessen

Mit gelockerter Schwelle werden alle 21 Fehlertypen erkannt — die Fehlalarmrate steigt jedoch auf rund 12 %. Da Fehlalarme in der betrieblichen Praxis die Akzeptanz eines Monitoringsystems schneller zerstören als verpasste Grenzfälle, wurde die konservative Konfiguration als Referenz gewählt und der Stellknopf dokumentiert.

Reale Kesseldaten: hohe Trennschärfe, ehrliche Grenze

Auf den HAI-Daten (Training: 216.000 s Normalbetrieb; Evaluation gegen gelabelte Ereignisse) erreicht der Score eine Trennschärfe von ROC-AUC 0,94 gegenüber Kesselstörungen bei 0,54 % Fehlalarmen in störungsfreien Phasen. Von drei Kessel-Störereignissen überschritt eines die harte Alarmschwelle. Diese Grenze ist erklärbar und für die Zielanwendung wenig kritisch: Die HAI-Ereignisse sind gezielt innerhalb der normalen Wertebereiche versteckte Manipulationen (Sensor-Spoofing) — ein bewusst adversariales Szenario. Physische Degradation wie ausfallende Kondensatableiter verändert die Signalstatistik dagegen tatsächlich und entspricht in ihrer Charakteristik eher den zuverlässig erkannten TEP-Störungen. Erwartungsgemäß korrekt blieb das Verfahren stumm bei Störungen außerhalb seines Sichtfelds: Angriffe auf den Turbinenprozess, die in Kesselsignalen nicht abgebildet sind, wurden nicht gemeldet.

Die Studie belegt die methodische Kernbehauptung: Anomalien in Prozessdaten thermischer Systeme lassen sich ohne gelabelte Fehlerdaten und ohne zusätzliche Sensorik erkennen — mit auf Null kalibrierbarer Fehlalarmrate und quantifizierbarer Leistung auf einem etablierten Benchmark. Sie belegt nicht die Erkennungsrate an realen Kondensatableitern einer konkreten Anlage; dafür fehlen öffentlich schlicht die Daten. Das gilt symmetrisch: Auch kein Wettbewerber kann eine solche öffentliche Referenz vorweisen.

• TEP ist eine Simulation; die HAI-Störungen sind adversarial statt verschleißgetrieben.
• Die Übertragung auf die Dampfschiene ersetzt Benchmark-Kanäle durch Leitsystemsignale (Drücke, Temperaturen, Durchflüsse je Heizgruppe, Kondensatrücklauf) — am Verfahren ändert sich nichts.
• Der erste Pilot erzeugt zugleich den ersten proprietär gelabelten Datensatz — eine Ressource, die im Markt derzeit niemand besitzt.

Quellen: TEP-Fehlerdatensatz (Braatz-Archiv); HAI 21.03 (physisches ICS-Testbed); Ausfall- und Verlustkennzahlen: U.S. DOE Steam Tip Sheets / FEMP. Alle Studien-Kennzahlen reproduzierbar aus dem beiliegenden Code.