KI für Kompressorstation: Ausfälle vorhersagen

TL;DR

Druckluftkompressoren verursachen 18 % der ungeplanten Produktionsstillstände in mittelständischen Fertigungsbetrieben. KI-gestützte Schwingungsanalyse erkennt Ventilschäden, Lagerverschleiß und Ölalterung 12–18 Tage vor dem Ausfall. Betriebe sparen damit 31.000 € pro Kompressorstation und Jahr. Dieser Beitrag zeigt Sensorauswahl, Datenanbindung und stufenweise Einführung.

Druckluft: Die teuerste Energieform und der blinde Fleck

Druckluft macht bis zu 30 % der Energiekosten eines Fertigungsbetriebs aus. Ein 75-kW-Kompressor verbraucht bei 6.000 Betriebsstunden Strom für 54.000 € pro Jahr. Fällt er ungeplant aus, stehen nachgelagerte Prozesse still: Pneumatik-Zylinder, Lackierpistolen, Druckluft-Werkzeuge, Sandstrahlkabinen.

Mittelständische Betriebe mit 2–5 Kompressoren verlieren im Schnitt 6,3 Produktionstage pro Jahr durch Druckluft-Ausfälle. Bei einem Maschinenstundensatz von 280 € und 8 Stunden pro Tag ergibt das 14.112 € reine Stillstandskosten – ohne Ersatzteile und Reparaturlohn.

Die vier häufigsten Kompressor-Ausfallursachen

Welche Sensorik Ihre Kompressorstation braucht

Moderne Schraubenkompressoren (Atlas Copco, Kaeser, Boge, CompAir) liefern über die interne Steuerung bereits Temperaturen, Drücke und Betriebsstunden. Für KI-basierte Vorhersagen fehlen zwei entscheidende Datenquellen: Schwingung und Stromaufnahme.

sensorik_kompressorstation:
  bereits_vorhanden:
    - verdichtungs_enddruck: "bar, Steuerung"
    - oeltemperatur: "°C, Steuerung"
    - betriebsstunden: "h, Steuerung"
    - schaltspiel_zaehler: "Steuerung"
  nachruestung:
    schwingungssensor:
      position: "Verdichterstufe + Motorlager"
      typ: "ICP Beschleunigungssensor, 0.5-15 kHz"
      kosten: "280 €/Stück"
      anzahl: 3
    stromwandler:
      position: "Motorzuleitung L1/L2/L3"
      typ: "Rogowski-Spule, 0-500 A"
      kosten: "180 €/Set"
      anzahl: 1
    edge_gateway:
      typ: "Industrial Raspberry Pi / Siemens IOT2050"
      protokoll: "Modbus RTU → MQTT"
      kosten: "450 €"
  gesamtkosten_pro_kompressor: "1.670 €"
  software_jaehrlich: "960 €/Kompressor"

So erkennt die KI einen Ventilschaden 18 Tage vorher

Das KI-Modell überwacht nicht einzelne Grenzwerte, sondern multivariate Muster. Ein Einlassventil-Schaden zeigt sich durch eine charakteristische Signatur:

1. Tag 0: Schwingungsamplitude bei 2× Drehfrequenz steigt um 8 % – unterhalb jedes klassischen Alarmgrenzwerts
2. Tag 3: Verdichtungsenddruck fällt um 0,12 bar bei gleicher Drehzahl
3. Tag 7: Stromaufnahme steigt um 2,4 % durch Rückströmung
4. Tag 12: Öltemperatur erhöht sich um 3,2 °C durch innere Leckage
5. Tag 18: Ohne Eingriff: Ventilbruch, Metallteil in Verdichterstufe, Totalschaden

Die KI erkennt das Muster bereits an Tag 1–3 mit 88 % Konfidenz. Ab Tag 7 liegt die Konfidenz bei 96 %. Der Servicetechniker hat zwei Wochen Zeit, das Ventil im geplanten Stillstand zu tauschen – Kosten: 380 € statt 12.400 € bei Totalschaden.

ROI-Berechnung: 31.000 € Einsparung pro Station

Rechenbeispiel für eine Kompressorstation mit 3 Schraubenkompressoren (2× 75 kW, 1× 37 kW) in einem Metallverarbeitungsbetrieb:

Vermiedene Ausfallkosten: 4,2 ungeplante Stillstände × 1,5 Tage × 2.240 €/Tag = 14.112 €/Jahr.

Vermiedene Folgeschäden: 1,8 Totalschäden vermieden × 8.200 € Mehrkosten vs. planmäßig = 14.760 €/Jahr.

Energieoptimierung: KI erkennt suboptimale Druckniveaus und Leckagen, Energieeinsparung 3,8 % = 6.156 €/Jahr.

Investition: Sensorik 3× 1.670 € + Software 3× 960 € = 7.890 € im ersten Jahr.

Netto-Einsparung erstes Jahr: 27.138 €. Ab Jahr 2: 32.148 €/Jahr bei nur noch 2.880 € Softwarekosten.

Berechnen Sie den ROI für Ihren Betrieb mit unserem KI-ROI-Rechner.

Einführung in 4 Wochen

Woche 1: Bestandsaufnahme. Kompressortypen dokumentieren, Steuerungsschnittstellen prüfen, Sensorpositionen festlegen. Kein Produktionsstillstand nötig – die Sensorik wird im laufenden Betrieb montiert.

Woche 2: Installation. Schwingungssensoren und Stromwandler montieren, Edge-Gateway anschließen, Datenfluss zum Dashboard verifizieren. Zeitaufwand: 4 Stunden pro Kompressor.

Woche 3: Basislinie. Das System sammelt Daten im Normalbetrieb. Mindestens 120 Betriebsstunden pro Kompressor für eine stabile Basislinie.

Woche 4: Aktivierung. Anomalie-Erkennung aktivieren, Alarmregeln konfigurieren, Eskalationspfade festlegen. Ab sofort werden Abweichungen erkannt.

Nach 3 Monaten wechselt das System von Anomalie-Erkennung zu Ausfallprognose mit Zeitfenster-Angabe. Der KI-Implementierungsleitfaden beschreibt das Vorgehen ausführlich.

Anbindung an gängige Kompressor-Steuerungen

• Atlas Copco Elektronikon: Modbus TCP nativ ab Mk5, ältere per Elektronikon Gateway
• Kaeser Sigma Control 2: OPC UA und Modbus TCP, Sigma Network als Datenquelle
• Boge Airlogic 2: Modbus RTU, Konverter auf TCP verfügbar
• CompAir Delcos XL: Modbus RTU seriell, Gateway nötig
• Almig V-Drive: Modbus TCP ab Steuerungsversion 3.2

Praxisbeispiel: Metallbau Heinze, Magdeburg

Der Betrieb mit 45 Mitarbeitern betreibt 4 Kompressoren (gesamt 260 kW) für Sandstrahlen, Lackieren und Pneumatik. Jährliche Druckluftkosten: 124.000 €. Vor der KI-Einführung: 8 ungeplante Ausfälle pro Jahr, davon 2 mit Folgeschaden.

Ergebnisse nach 12 Monaten KI-Überwachung:

• Ungeplante Ausfälle: von 8 auf 1 (Keilriemenriss, 87 % Reduktion)
• Energieverbrauch: 4,1 % Einsparung durch Leckage-Erkennung = 5.084 €
• Gesamteinsparung: 38.700 € bei 9.520 € Investition
• Amortisation: 2,9 Monate

Weitere Details zur KI-Budgetplanung helfen bei der Entscheidungsfindung.

Druckluft-Leckagen: Der Bonus-Effekt

Ein Nebeneffekt der KI-Überwachung: Das System erkennt auch Leckagen im Druckluftnetz. Typische Fertigungsbetriebe verlieren 25–30 % der erzeugten Druckluft durch undichte Kupplungen, poröse Schläuche und defekte Ventile. Die Stromaufnahme-Analyse zeigt, wenn Kompressoren häufiger schalten als nötig – ein Indikator für Leckagen.

Der KI-Leitfaden für Unternehmen beschreibt weitere Anwendungen, die sich mit der gleichen Sensorinfrastruktur realisieren lassen.

FAQ

Funktioniert das System auch bei Kolbenkompressoren?

Ja, mit angepassten Schwingungsmodellen. Kolbenkompressoren zeigen andere Frequenzmuster als Schraubenkompressoren. Die Vorhersagegenauigkeit liegt bei 84 % statt 94 % aufgrund der höheren Grundschwingung.

Wie viele Daten braucht die KI für zuverlässige Vorhersagen?

Mindestens 500 Betriebsstunden für Anomalie-Erkennung, 2.000 Stunden für zeitliche Prognosen. Bei Kompressoren mit variabler Drehzahl (VSD) empfehlen sich 3.000 Stunden.

Muss ich meine bestehende Wartungsplanung ändern?

Nicht sofort. In den ersten 6 Monaten ergänzt die KI die bestehende Planung. Danach empfiehlt sich ein Wechsel von starren Intervallen auf zustandsbasierte Wartung. Typische Einsparung: 22 % weniger Wartungseinsätze bei höherer Verfügbarkeit.

Stört die Sensorik den laufenden Betrieb?

Nein. Schwingungssensoren werden mit Kleber oder Magnethaltung an das Gehäuse montiert, Stromwandler umschließen die Zuleitung – beides ohne Unterbrechung des Betriebs.

Was passiert bei einem Fehlalarm?

Die durchschnittliche Falsch-Positiv-Rate liegt bei 3,8 %. Bei einem Alarm prüft der Techniker die Daten am Dashboard (5 Minuten Aufwand). Lieber ein Fehlalarm pro Monat als ein übersehener Totalschaden.