KI-Druckluft: 35% Energie in der Fabrik sparen

TL;DR

Druckluft verursacht bis zu 30 % des industriellen Stromverbrauchs — und 25–40 % davon sind vermeidbar. KI-Systeme erkennen Leckagen per Ultraschall-Musteranalyse, prognostizieren den Druckluftbedarf minutengenau und schalten Kompressoren lastoptimal. Mittelständische Fabriken sparen damit 25–35 % Energiekosten, typisch 45.000–120.000 € pro Jahr.

Der teuerste Energieträger der Fabrik

Eine mittelständische Metallverarbeitungsfabrik bei Stuttgart: 28 Mitarbeiter, 3 CNC-Bearbeitungszentren, 2 Stanzpressen, Druckluftverbrauch 42 m³/min in Spitzen, 18 m³/min im Durchschnitt. Die Stromrechnung für Druckluft: 127.000 € pro Jahr.

Was viele Geschäftsführer nicht wissen: Druckluft ist der mit Abstand teuerste Energieträger in der Fabrik. Nur 8–10 % der eingesetzten elektrischen Energie werden zu nutzbarer Druckluft — der Rest ist Abwärme. Ein Kubikmeter Druckluft kostet 1,5–2,5 Cent. Das klingt wenig, aber bei 18 m³/min und 6.000 Betriebsstunden ergibt sich ein Jahresverbrauch von 6,5 Mio. m³.

Drei Hauptverlustquellen treiben die Kosten:

• Leckagen: 20–30 % des erzeugten Volumens entweichen ungenutzt (Branchenstandard VDMA)
• Leerlaufverluste: Kompressoren laufen im Leerlauf und verbrauchen 25–40 % der Volllastleistung
• Überdruck: Jedes Bar über dem Mindestbedarf kostet 6–8 % mehr Energie

KI adressiert alle drei gleichzeitig — und das ist der Grund für die hohen Einsparpotenziale.

Leckage-Erkennung per KI-Ultraschallanalyse

Klassische Lecksuche funktioniert manuell: Ein Techniker geht mit Ultraschallmikrofon durch die Halle und markiert undichte Stellen. Das geschieht typisch einmal pro Jahr — wenn überhaupt.

KI-basierte Leckage-Erkennung arbeitet permanent. Fest installierte Ultraschallsensoren (8–12 Stück pro Halle, Stückpreis 180–350 €) erfassen kontinuierlich Frequenzen im Bereich 38–42 kHz. Ein CNN-Modell unterscheidet:

• Leckagetypen: Schlauchkupplung, Ventil, Gewindeverbindung, Kondensat-Ableiter
• Leckagegröße: Klein (< 0,5 l/min), mittel (0,5–3 l/min), groß (> 3 l/min)
• Maschinensignale: Reguläre Abblasvorgänge, Zylinderentlüftung (kein Alarm)

# Leckage-Klassifikation: Feature-Extraction
import numpy as np
from scipy.signal import spectrogram

def extract_leak_features(audio_signal, sample_rate=96000):
    """Extrahiert Features aus Ultraschall-Signal für Leckage-Erkennung."""
    # Spektrogramm im Ultraschallbereich (30-50 kHz)
    f, t, Sxx = spectrogram(
        audio_signal, fs=sample_rate,
        nperseg=1024, noverlap=512
    )

    # Filter auf relevanten Frequenzbereich
    mask = (f >= 30000) & (f <= 50000)
    Sxx_filtered = Sxx[mask, :]

    features = {
        'mean_power_db': 10 * np.log10(np.mean(Sxx_filtered) + 1e-12),
        'peak_frequency_hz': f[mask][np.argmax(np.mean(Sxx_filtered, axis=1))],
        'spectral_entropy': -np.sum(
            Sxx_filtered / Sxx_filtered.sum() *
            np.log2(Sxx_filtered / Sxx_filtered.sum() + 1e-12)
        ),
        'temporal_variance': np.var(np.mean(Sxx_filtered, axis=0)),
        'bandwidth_hz': f[mask][np.where(
            np.mean(Sxx_filtered, axis=1) >
            0.5 * np.max(np.mean(Sxx_filtered, axis=1))
        )[0][-1]] - f[mask][np.where(
            np.mean(Sxx_filtered, axis=1) >
            0.5 * np.max(np.mean(Sxx_filtered, axis=1))
        )[0][0]]
    }
    return features

Die permanente Überwachung erkennt neue Leckagen innerhalb von 24 Stunden statt nach Monaten. In der Praxis reduziert das die Leckageverluste von 25 % auf 5–8 %.

Kompressor-Orchestrierung: Lastprognose und Schaltoptimierung

Die meisten Fabriken haben 2–4 Kompressoren unterschiedlicher Größe und Technik: einen großen Schraubenkompressor als Grundlastmaschine, einen frequenzgeregelten für die Mittellast, einen kleineren für Spitzen. Die klassische Steuerung arbeitet druckbasiert: Fällt der Druck unter 6,5 bar, springt der nächste Kompressor an.

Das Problem: Kompressoren brauchen 5–15 Sekunden zum Hochlaufen. In dieser Zeit fällt der Druck weiter, also läuft ein zusätzlicher Kompressor „zur Sicherheit" mit. Ergebnis: Überkapazität und Leerlauf.

KI-Lastprognose löst dieses Problem grundlegend:

Bedarfsprognose per Zeitreihenmodell

Das Modell lernt aus historischen Verbrauchsdaten:

• Schichtmuster: Frühschicht 32 m³/min, Spätschicht 24 m³/min, Nacht 8 m³/min
• Maschinenpläne: CNC 3 startet um 6:15 → Bedarf steigt in 90 s um 6 m³/min
• Saisonalität: Höherer Abblasbedarf bei Luftfeuchtigkeit > 70 %
• Ausnahmen: Wartungstage, Feiertage, Sonderschichten

Mit einem Prognosehorizont von 15 Minuten und einer Granularität von 30 Sekunden erreicht das Modell 92–96 % Trefferquote.

Optimale Schaltreihenfolge

Auf Basis der Prognose berechnet die KI die energieoptimale Kompressor-Kombination:

# kompressor-orchestrierung.yaml
kompressoren:
  - id: "K1_atlas_copco_ga90"
    typ: "schrauben_festdrehzahl"
    leistung_kw: 90
    liefermenge_m3_min: 15.2
    spez_leistung_kw_m3_min: 5.92
    anlaufzeit_s: 12
    leerlauf_kw: 28
    min_laufzeit_min: 15

  - id: "K2_kaeser_asd60"
    typ: "schrauben_vsd"  # frequenzgeregelt
    leistung_kw: "37-60"
    liefermenge_m3_min: "6.2-10.8"
    spez_leistung_kw_m3_min: "5.56-5.97"
    anlaufzeit_s: 3
    leerlauf_kw: 0
    min_laufzeit_min: 0

  - id: "K3_boge_s29"
    typ: "schrauben_festdrehzahl"
    leistung_kw: 22
    liefermenge_m3_min: 3.8
    spez_leistung_kw_m3_min: 5.79
    anlaufzeit_s: 8
    leerlauf_kw: 7
    min_laufzeit_min: 10

regelung:
  strategie: "modellpraediktiv"
  prognose_horizont_min: 15
  aktualisierung_s: 30
  solldruck_bar: 6.3
  toleranz_bar: 0.2
  max_druckabfall_bar_s: 0.05

Die KI bevorzugt den frequenzgeregelten Kompressor K2 für Lastschwankungen und fährt K1 nur bei stabiler Grundlast. Ergebnis: 85 % weniger Leerlaufstunden bei K1 und K3.

Wie KI-gesteuerte Energieoptimierung generell im Mittelstand funktioniert, behandelt unser Komplettleitfaden KI für Unternehmen.

Druckniveau-Optimierung: Jedes Bar zählt

Viele Fabriken fahren 7,5 bar am Kompressor, weil das entfernteste Gerät 6 bar braucht und der Druckabfall im Netz bis zu 1,5 bar beträgt. KI optimiert hier auf zwei Ebenen:

Dynamische Druckanpassung: Nicht jeder Verbraucher braucht jederzeit 6 bar. Wenn die CNC-Maschinen in der Mittagspause stehen und nur Abbläser mit 4,5 bar laufen, senkt die KI den Solldruck auf 5,5 bar. Ersparnis: 12–18 % in Schwachlastzeiten.

Netzwerk-Analyse: Die KI korreliert Druckmessungen an verschiedenen Stellen im Netz und identifiziert Engpässe. Ein zu kleiner Rohrquerschnitt an einer Stelle verursacht lokalen Druckverlust, der das gesamte Netz auf höherem Niveau halten muss. Die Empfehlung „Rohr DN50 auf DN80 erweitern in Halle 2" spart dauerhaft 0,4 bar Netzdruck — das sind 2,4–3,2 % Energie.

Fallbeispiel: Metallverarbeitung Stuttgart

Die eingangs erwähnte Fabrik hat KI-Druckluftoptimierung über 12 Monate implementiert:

ROI: 6,3 Monate. Gesamteinsparung: 35 % des Druckluft-Energieverbrauchs. Der CO₂-Fußabdruck sank um 38 Tonnen pro Jahr.

Für eine detaillierte Wirtschaftlichkeitsberechnung eignet sich unsere Excel-Vorlage zur KI-ROI-Berechnung.

Implementierung in 4 Phasen

Phase 1 — Ist-Analyse (Woche 1–2): Druckluftmessung an allen Kompressoren und kritischen Verbrauchern. Stromzähler, Volumenstromzähler und Drucksensoren installieren. Lecksuche durchführen und dokumentieren.

Phase 2 — Datenerfassung (Woche 3–6): Alle Sensordaten zentral erfassen (Edge-Gateway, Modbus/OPC UA). Mindestens 4 Wochen Daten sammeln, die verschiedene Betriebszustände abdecken.

Phase 3 — KI-Modellierung (Woche 7–10): Lastprognosemodell trainieren, Kompressor-Schaltlogik optimieren, Leckage-Klassifikator aufsetzen. Parallelbetrieb mit bestehender Steuerung.

Phase 4 — Produktivbetrieb (ab Woche 11): KI übernimmt Kompressorsteuerung. Dashboard für Energieverbrauch, Leckagen und Kosteneinsparung. Monatliche Reports für ISO 50001-Nachweispflichten.

Die schrittweise Vorgehensweise entspricht den bewährten Methoden der KI-Implementierung.

Häufige Fragen

Funktioniert KI-Druckluftoptimierung auch bei älteren Kompressoren?

Ja, auch Kompressoren ohne digitale Schnittstelle lassen sich einbinden. Die KI steuert dann über Schütze oder nachrüstbare Frequenzumrichter. Wichtig ist, dass Stromaufnahme und Volumenstrom gemessen werden können — das gelingt auch bei 20 Jahre alten Maschinen mit externen Sensoren für 800–1.500 € pro Kompressor.

Wie genau erkennt die KI Leckagen?

Permanente Ultraschallsensoren erkennen Leckagen ab 0,3 l/min Verlust mit einer Zuverlässigkeit von 91–95 %. Große Leckagen (> 2 l/min) werden zu 99 % erkannt. Die Fehlalarmrate liegt bei 2–4 %, typisch verursacht durch reguläre Abblasvorgänge in der Anlaufphase.

Wie hoch sind die Einsparungen realistisch?

VDMA-Studien und Praxisprojekte zeigen konsistent 20–40 % Energieeinsparung bei Druckluft. Die genaue Zahl hängt vom Ausgangszustand ab: Fabriken mit vielen Leckagen und veralteter Steuerung erreichen 35–40 %, gut gewartete Anlagen 15–25 %. Der typische ROI liegt bei 4–12 Monaten.

Brauche ich einen neuen Kompressor?

In den meisten Fällen nein. Die KI optimiert die vorhandene Infrastruktur. Nur wenn die Analyse zeigt, dass kein frequenzgeregelter Kompressor vorhanden ist, lohnt sich gegebenenfalls eine Ersatzinvestition. Ein frequenzgeregelter Kompressor (VSD) amortisiert sich typisch in 18–24 Monaten allein durch Leerlaufreduktion.

Kann ich die Daten für ISO 50001 nutzen?

Absolut — die kontinuierliche Energiedatenerfassung ist sogar eine Kernforderung von ISO 50001. Das KI-System liefert automatisch die benötigten Energieleistungskennzahlen (EnPIs), Baselines und Trendanalysen. Viele Auditoren bewerten KI-gestützte Druckluftoptimierung als Best Practice in der Kategorie „signifikante Energieverbraucher".