Ausfallprognose für erdverlegte Netze und Erneuerungsplanung (Wasserleitungen, Gasrohre, Kabel)

Der größte Teil der Anlagen eines Versorgers liegt im Boden, hat keine Sensoren und wird nach Faustregeln zum Alter oder nach dem letzten sichtbaren Schaden erneuert. Überlebenszeitmodelle und Gradient-Boosting-Bäume lernen aus Anlagenregister, Reparaturhistorie und GIS-Kontext, welche Segmente als Nächstes am wahrscheinlichsten ausfallen, verknüpfen dies mit den Folgen eines Ausfalls und machen daraus ein priorisiertes, budgetbewusstes Erneuerungsprogramm. Der Nutzen liegt in der besseren Zielrichtung knapper Investitionsmittel, nicht in Echtzeit-Alarmen.

Problem & Nutzen

• Heute: Die Erneuerung wird nach Alters- und Materialregeln geplant (z. B. „alles Gusseisen vor Jahr X ersetzen“), nach den letzten Schadensfällen oder nach dem Urteil der Ingenieure. Die Erneuerungsrate ist durch Budget, Abstimmung mit Straßenbauarbeiten und Gebührengenehmigungen begrenzt; entscheidend ist daher, welche Leitung zuerst ersetzt wird.
• KI-Nutzen: Pauschale Altersregeln werden durch Ausfallprognosen auf Segmentebene ersetzt. Typische Verwendung: die Erneuerungsliste für die nächsten 1-5 Jahre festlegen, entscheiden, wo zuerst inspiziert oder wo Logger gesetzt werden, und Investitionen gegenüber Regulierern, Eigentümern und Stadträten mit nachvollziehbaren Risikowerten begründen.
• Belege (ehrlicher Rahmen): Veröffentlichte Studien zeigen, dass ML einfache Heuristiken schlägt. Ein Gradient-Boosting-Modell prognostizierte Wasserrohrbrüche für Syracuse (NY) drei Jahre im Voraus und übertraf Vergleichsmodelle; ein Random Survival Forest wurde für Langfristprognosen in australischen Städten eingesetzt [5][6]. Herstellermaterial nennt ein anschauliches (nicht geprüftes) Beispiel: Bei einem Budget für 20 km vermeidet die Auswahl nach prognostizierter Schadensrate rund 1.200 Schäden in 10 Jahren, gegenüber etwa 680 bei Auswahl nach erfassten Schäden [3]. Solche Zahlen sind als Herstellersimulationen zu behandeln; validieren Sie sie mit einem Rückvergleich (Back-Test) auf Ihrem eigenen Netz.
• Warum es in der EU wichtig ist: Die neugefasste Trinkwasserrichtlinie (EU) 2020/2184 verlangt ein risikobasiertes Management von Versorgungssystemen und die Bewertung von Leckagen, und der DVGW nennt den Erhalt der Infrastruktur als zentrale Herausforderung der Branche [7][12].

Varianten

• Wasserleitungen und Hausanschlüsse: der am besten dokumentierte Fall (Schadensprognose, Inventar der Bleianschlussleitungen).
• Gasverteilung: Rohre aus Gusseisen, Stahl und PE; im Mittelpunkt stehen Schadensfolgen und Compliance bei strenger Sicherheitsregulierung (DVGW-Regelwerk); Modelle unterstützen die Priorisierung, ersetzen aber nie gesetzliche Prüfungen.
• Mittel-/Niederspannungskabel und Muffen: Ausfallhistorien nach Kabeltyp, Muffe, Last und Bodentemperatur; wo vorhanden, mit Teilentladungs- oder Lastdaten kombinieren (siehe PRED-006).
• Fernwärme- und Abwasserleitungen: gleiche Methode; bei Kanälen stammen die Zustandsdaten aus der CCTV-Kodierung (VIS-043), dem stärksten Prädiktor.
• Kommunale Stadtwerke (KMU-Größe): Kleine Netze haben wenige Schäden, daher ist es unerlässlich, Daten über mehrere Versorger hinweg zusammenzuführen (Genossenschaften, Verbände, Herstellermodelle) oder expertengestützte Vorannahmen (Priors) zu verwenden.
• Private Nutzung: keine.

So funktioniert es

1. asset register + work orders + GIS layers + climate + (optional) CCTV/pressure data
2. data cleaning (segment IDs, install-year gaps, break-to-segment matching, censoring)
3. feature engineering (material, age, diameter, soil, traffic, previous breaks, pressure, neighbours)
4. failure model (survival regression | gradient boosting | random survival forest | NHPP)
5. consequence model (customers, critical sites, repair cost, traffic impact)
6. risk = likelihood x consequence
7. ranking on GIS map
8. optimisation under budget and road-works constraints (renewal programme, scenarios)
9. engineer review
10. capex plan, inspection and logger placement
11. new work orders feed back

• Modelle: Den Kern bilden Zeit-bis-Ereignis-Methoden, die Rechtszensierung (die meisten Rohre sind noch nicht ausgefallen) und Linkstrunkierung (die Historie beginnt spät) behandeln: Cox-/Weibull-Modelle (lifelines, scikit-survival), Random Survival Forests und Gradient-Boosting-Bäume auf jährlichen Segment-Jahr-Tabellen [8][9]. Tiefe Modelle schlagen gut abgestimmte Bäume bei solchen Tabellendaten selten.
• Räumliche Effekte: Boden- und Bodenbewegungsschichten aus Fernerkundung und geologischen Karten sowie Nachbarmerkmale (ein Schaden am benachbarten Segment erhöht das Risiko).
• Optimierung: Die Auswahl der Erneuerungen ist ein Rucksackproblem mit Bündelung von Straßenbauarbeiten; Solver (OR-Tools, MIP) machen aus Risikowerten ein Programm.
• LLM-Schicht (optional): Fragen in natürlicher Sprache an das Risikomodell und Entwurf von Investitionsbegründungen; die Zahlen stammen immer aus dem Modell, nicht aus dem LLM.
• Mensch-in-der-Schleife (Human-in-the-Loop): Anlageningenieure validieren die Rangfolgen, übersteuern Segmente mit bekanntem lokalem Kontext und entscheiden über die Erneuerung. Gesetzliche Prüfungen und Sicherheitsentscheidungen bleiben beim Menschen.

Datenaufbereitung

Das Modell braucht das Anlagenregister je Segment (Baujahr, Material, Durchmesser, Verbindungen), die Schadens- und Reparaturhistorie, GIS-Schichten (Boden, Grundwasser, Verkehr) und Schadensfolgedaten. In einem typischen Versorger liegen diese im GIS, im Arbeitsauftrags- oder Instandhaltungssystem (SAP PM oder ähnlich), auf Reparaturkarten aus Papier und in Excel-Listen einzelner Ingenieure. Dies ist der dominierende Aufwand, grob 50-60 % des Projekts.

Typische Lücken: fehlende oder geschätzte Baujahre, uneinheitliche Materialcodes, Schäden, die nicht dem richtigen Segment zugeordnet sind, Reparaturberichte nur auf Papier oder als Scans, doppelte Segmente nach GIS-Migrationen und Wissen über „Problemstraßen“, das nur bei langjährigen Monteuren liegt.

Konkrete Schritte: Quellen inventarisieren und Datenverantwortliche benennen (PREP-001, PREP-004); Export aus ERP, GIS und SCADA (PREP-005); Reparaturkarten per OCR digitalisieren (PREP-006); Excel-Listen in Tabellen überführen (PREP-011); Material- und Ursachencodes mit einem Kategorienschema vereinheitlichen (PREP-019); und Schadensmarkierungen (Labels) aus Arbeitsaufträgen gewinnen (PREP-020). Werkzeuge: QGIS oder PostGIS zum Bereinigen und Verknüpfen, Python/pandas, ein LLM zum Extrahieren strukturierter Felder aus freitextlichen Reparaturberichten. Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• smb (kleine Stadtwerke, kommunale Versorger): A - ausgereifte Produkte für Anlagenmanagement und Erneuerungsplanung sind zu erschwinglichen Preisen verfügbar, und der Prozess (Segmente ordnen, Budgets planen) ist Standard.
• enterprise (große Versorger): B - die Erneuerungsplanung ist Kerngeschäft und muss das eigene Anlagenregister, GIS und Arbeitsauftragsdaten nutzen; ein eigenes Modell auf Cloud-KI-Diensten und Plattformen passt daher besser als ein geschlossenes Produkt.
• public (kommunale Betreiber, Wasserverbände): B - Aufbau auf einer souveränen EU-/deutschen Cloud, um Vergabe- und Souveränitätsvorgaben zu erfüllen und das bestehende GIS einzubinden.
• developer: C - Open-Source-Bibliotheken für Überlebenszeitanalyse und Gradient Boosting laufen auf HW1 und geben volle Kontrolle über das Modell.

Weg A — Kaufen (Standardsoftware) (für die meisten Versorger empfohlen)

• Spezialisierte Plattformen für prädiktive Risikoanalyse im Wasserbereich: VODA.ai (Schadensprognose, Investitionsplanung, Zustandsbewertung, Logger-Platzierung; Ausgangspunkt sind GIS, Rohrattribute, Schadensdaten und Arbeitsaufträge) [1], Fracta (Ausfallwahrscheinlichkeit, Ausfallkosten, Gesamtrisiko; Digitalisierung von Bestandsplänen) [2], Baseform (Anbieter aus Portugal, also aus der EU; prädiktive Erneuerungsplanung sowie Leckage- und Wasserbilanzanalysen) [3].
• Anlagenmanagement-Suiten für Netze: Anbieter von GIS und hydraulischer Modellierung (Esri ArcGIS Utility Network, Bentley, Autodesk/Innovyze) und deutsche Beratungen/Softwarehäuser für Anlagenmanagement (z. B. 3S Consult) enthalten häufig regelbasierte oder statistische Erneuerungsmodule; prüfen Sie den Modelltyp.
• Prüfen: Kann der Anbieter in EU-Regionen oder On-Premises laufen, Ihren GIS-/Arbeitsauftragsexport importieren, den Back-Test zeigen (prognostizierte gegenüber tatsächlichen Schäden in zurückgehaltenen Jahren), Treiber erklären und die priorisierte Liste exportieren?
• Wählen Sie A, wenn: das Netz mehr als einige hundert km umfasst, mindestens etwa 10 Jahre Reparaturhistorie vorliegen und kein Data-Science-Team vorhanden ist. Kleine Stadtwerke sollten nach gepoolten bzw. Benchmark-Modellen fragen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verwaltetes ML in EU-Regionen (Azure ML, Google Vertex AI, AWS SageMaker Frankfurt, STACKIT/IONOS als souveräne EU-Optionen) für Training und Zeitplanung; BigQuery/PostGIS oder Snowflake für die Segment-Jahr-Tabelle.
• Satelliten- und Geodaten über Copernicus-Dienste (Bodenbewegung EGMS, Landbedeckung) und nationale Geologieportale als Merkmale. LLMs (Claude, Gemini, GPT, Mistral) nur für die Assistenzschicht und den Berichtsentwurf.
• Wählen Sie B, wenn: Sie eigene Merkmale und eine Integration in das hauseigene GIS/ERP wünschen, aber mit der Cloud-Verarbeitung nicht personenbezogener Anlagendaten einverstanden sind.

Weg C — Selbst betreiben (Open Source)

• Stack: PostgreSQL/PostGIS oder QGIS für GIS, Python mit lifelines, scikit-survival, XGBoost/LightGBM, statsmodels; optional Hugging-Face-Modelle für Tabellen- oder Zeitreihendaten; OR-Tools für die Programmoptimierung; Metabase/Superset oder ein QGIS-Plugin für Karten; ein Open-Weight-LLM nur, wenn ein Assistent gewünscht ist.
• Hardware: HW1 (ein CPU-Server) genügt: Zehntausende Segmente trainieren in Minuten. Keine GPU nötig.
• Aufwand: Die Datenbereinigung dominiert (Zuordnung der Segment-IDs, fehlende Baujahre), nicht die Rechenleistung.
• Wählen Sie C, wenn: Daten kritischer Infrastruktur On-Premises und im Haus bleiben müssen und hauseigene Data Science vorhanden ist.

Weg D — Eigenes Training

Dies ist der übliche Weg zu den besten Ergebnissen: Training auf Ihrer eigenen Schadenshistorie, da Boden, Materialien und Betriebspraxis lokal sind. Einige tausend Rohrsegmente und einige hundert erfasste Ausfälle sind ein praktisches Minimum; bei weniger Daten sollten Daten über mehrere Versorger gepoolt oder bayessche bzw. expertengestützte Vorannahmen verwendet werden. Ergänzen Sie Umgang mit unausgewogenen Klassen, räumliche Kreuzvalidierung (ganze Regionen zurückhalten, nicht zufällige Zeilen) und zeitlichen Back-Test.

Stand der Technik (2026)

• Methoden: Überlebenszeitanalyse und Gradient-Boosting-Bäume bleiben die Arbeitspferde. Random Survival Forests und Unsicherheitsquantifizierung werden für Langfristprognosen eingesetzt [5]; die Arbeit von Data61/Western Water leitet Ausfalltreiber zur Priorisierung von Erneuerungen ab [4]. Ansätze mit Foundation-Modellen für Tabellendaten (z. B. TabPFN) werden an kleinen Datensätzen erprobt; für diese Datei wurde kein veröffentlichter Beleg für eine klare Überlegenheit in diesem Bereich verifiziert.
• Datenseite: KI-gestützte Digitalisierung von Bestandsplänen auf Papier (Fracta) und die automatische CCTV-Kodierung (VIS-043) füllen die Registerlücken, die die Genauigkeit am stärksten begrenzen [2].
• Integration: Risikomodelle werden zunehmend mit Leckage- und Wasserbilanzanalysen, Druckmanagement und Zählerplanung in einer Plattform kombiniert [3]; LLM-Assistenten befragen diese Daten in einfacher Sprache.
• Grenzen und Fehlerbilder: (1) unzuverlässige Baujahre und nicht erfasste Reparaturen verzerren die Ergebnisse; (2) Schäden sind seltene Ereignisse, sodass kleine Netze verrauschte Modelle liefern; (3) vergangene Reparaturen verändern die Zukunft (ersetzte Rohre verschwinden aus den Daten; „Survivor Bias“); (4) Modelle sagen eine Wahrscheinlichkeit voraus, nicht den Ausfalltermin; (5) ein Segment ohne Schäden ist nicht zwingend sicher; (6) Ergebnisse lassen sich ohne Rekalibrierung nicht zwischen Versorgern übertragen; (7) kausale Aussagen über Treiber erfordern Vorsicht (korrelierte Größen wie Alter/Material). Nutzen Sie Risikowerte zur Priorisierung und stichprobenartige Inspektionen zur Überprüfung.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml + time-series): PRED-006 vorausschauende Wartung, PRED-025 Frühwarnung bei Feldausfällen, PRED-007 Lastprognose, PRED-026 Restlebensdauer von Batterien: Gradient Boosting und Überlebenszeit-Werkzeuge, ein CPU-/HW1-Server und ein gemeinsamer Feature Store.
• Dateneingaben aus: VIS-043 Kodierung von Kanal-/Rohr-CCTV (Zustandsklassen), ANOM-013 Leckageerkennung (akustische/Druck-Evidenz), VIS-038 und Fernerkundungs-Pipelines (Bodenbewegung, Landbedeckung), PRED-017 Wetter (Frost- und Trockenheitsauslöser), PRED-027 Hochwasserprognose.
• Nachgelagert/seitlich: PRED-046 Überwachung der Bauwerkssicherheit (gleiche risikobasierte Investitionslogik für Brücken und Gebäude), ANOM-008 (nichttechnische Verluste/Diebstahl), Investitions- und Budgetplanung (Controlling).
• Gemeinsame Bausteine: GIS (PostGIS, QGIS, Esri), Export aus Anlagenregister/CMMS, Text-Mining von Arbeitsaufträgen mit einem LLM (freitextliche Reparaturnotizen in Ausfallursachen überführen), OR-Tools-Optimierung.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für das Onboarding der Daten; die Plattformpreise sind typischerweise ein Abonnement nach Netzlänge (beim Anbieter erfragen); Anbieter geben an, erste Risikoergebnisse innerhalb von 3-6 Monaten zu liefern [1].
• Weg B/C: 3-6 Monate bis zu einem ersten validierten Modell, davon der größte Teil Datenbereinigung und GIS-Arbeit; 0,5-1 Vollzeitstelle Dateningenieur/Data Scientist plus Zeit der Anlageningenieure.
• Weg D: laufend; jährliches Nachtrainieren und Rekalibrieren nach jeder Erneuerungskampagne.
• Kennzahlen: Lift im Back-Test (Anteil der künftigen Schäden, die in den 10 % risikoreichsten Segmenten erfasst werden, gegenüber der altersbasierten Rangfolge), Schäden je 100 km und Jahr, Erneuerungskosten je vermiedenem Schaden, Anteil der Erneuerungen an modellpriorisierten Segmenten, Trefferquote der Inspektionen, Versorgungsunterbrechungen (Minuten je Kunde), reale Verluste/ILI, Datenvollständigkeit (% der Segmente mit Baujahr und Material).

Menschen & Veränderung

Beziehen Sie früh die Geschäftsführung ein (Budget und Risikobereitschaft hinter den Erneuerungsentscheidungen), die Abteilungsleitung (Netzplanung) als Prozessverantwortliche, die IT und die Datenverantwortlichen von GIS, SAP und SCADA von Anfang an sowie die IT-Sicherheit, falls SCADA-Daten genutzt werden. Monteure und Netzingenieure sind die wichtigsten Anwender: Ihr Feldwissen validiert die Rangfolge und korrigiert falsche Datensätze.

Betriebsrat: In der Regel keine Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG, da das System Rohre bewertet, nicht Beschäftigte; informieren Sie ihn dennoch nach §90 Abs. 1 Nr. 3, wenn sich Planungsprozesse ändern, und stellen Sie sicher, dass Arbeitsauftragsdaten nicht zur Bewertung einzelner Monteure genutzt werden. Personenbezogene Daten sind im Wesentlichen nicht enthalten, daher wird keine DSFA erwartet; der/die Datenschutzbeauftragte bestätigt dies (Kundenadressen).

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit einer kurzen Schulung zu Wahrscheinlichkeiten und Modellgrenzen (GUIDE-006). Pilotieren Sie an einem Netzabschnitt oder einer Materialklasse. Typische Sorge: „Das Modell ersetzt Erfahrung“ - begegnen Sie ihr, indem Sie die Rangfolge als Vorschlag zeigen; die Ingenieure entscheiden über jede Erneuerung und können übersteuern. Dokumentieren Sie Übersteuerungen, um das Modell zu verbessern. Siehe GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): hängt vom Einzelfall ab. Anhang III Nr. 2 nennt KI-Systeme, die als Sicherheitsbauteile beim Management und Betrieb kritischer digitaler Infrastruktur, des Straßenverkehrs oder der Versorgung mit Wasser, Gas, Wärme und Strom bestimmt sind. Ein Planungsmodell, das Rohre für mehrjährige Investitionen priorisiert, steuert das Netz nicht in Echtzeit und ist typischerweise kein Sicherheitsbauteil, also minimales Risiko/nicht gelistet; ein Modell dagegen, das sicherheitskritischen Betrieb direkt steuert oder freigibt (z. B. automatisierte Abschaltentscheidungen), könnte unter Hochrisiko fallen. Dokumentieren Sie Zweckbestimmung und Einstufung (Art. 6) [10]. Die KI-Kompetenz (Art. 4) gilt.
• Fachrecht: neugefasste Trinkwasserrichtlinie (EU) 2020/2184 (risikobasierter Ansatz, Leckage) [7]; die CER-Richtlinie (EU) 2022/2557 und NIS2 gelten für Betreiber kritischer Einrichtungen und deren IT-/ OT-Sicherheit, daher sind Anlagendaten und Risikokarten kritischer Infrastruktur sensibel [11]; in Deutschland DVGW-Regelwerk für Wasser und Gas sowie Vorgaben der Regulierungsbehörde zu Netzbetrieb und Anerkennung von Investitionen.
• DSGVO: Anlagen- und GIS-Daten sind nicht personenbezogen; Daten zu Hausanschlüssen, Kundenanschlüssen und Beschwerden können personenbezogen sein - halten Sie Kundenmerkmale aus dem Modell heraus oder aggregieren Sie sie.
• Sicherheit: Netzpläne und Risikorangfolgen offenbaren Schwachstellen; Zugriff beschränken, in der EU hosten, Zugriffe protokollieren.
• Risiken und Gegenmaßnahmen: übermäßiges Vertrauen in Werte (Ingenieure in der Schleife halten, Stichproben inspizieren); Verzerrung zulasten schlecht dokumentierter Gebiete (Unsicherheit ausweisen); die rechtliche Haftung für die Gassicherheit bleibt beim Betreiber, und gesetzliche Prüfintervalle dürfen auf Grundlage eines Modells nicht verlängert werden.

Erste Schritte

1. Exportieren Sie das Anlagenregister und 10+ Jahre Reparatur-/Arbeitsauftragsdaten; prüfen Sie die Zuordnung der Segment-IDs und den Anteil der Segmente mit Baujahr und Material.
2. Bauen Sie eine Basislinie: Ausfallrate nach Material und Altersklasse in einem Notebook (lifelines Cox/Weibull), dann ein Gradient-Boosting-Modell auf Segment-Jahr-Basis.
3. Back-Test: bis Jahr N-3 trainieren, die letzten drei Jahre prognostizieren und mit der aktuellen altersbasierten Rangfolge beim Lift in den obersten 10 % der Segmente vergleichen.
4. Ergänzen Sie Schadensfolgedaten (Kunden, kritische Standorte, Reparaturkosten) und rechnen Sie ein Budgetszenario für das nächste Erneuerungsprogramm; prüfen Sie die obersten 100 Segmente mit den Feldingenieuren.
5. Fordern Sie parallel Demos von 2 Anbietern aus Weg A an und nutzen Sie denselben Datenexport für einen direkten Vergleich.

Quellen

1. VODA.ai - product overview, data inputs and deployments - https://www.voda.ai/
2. Fracta - AI risk analysis for water utilities (likelihood/cost of failure, as-built digitisation) - https://fracta.ai/
3. Baseform - predictive renewal planning and water analytics (illustrative renewal example) - http://baseform.com/np4/home
4. Weeraddana et al. - Utilizing machine learning to prevent water main breaks by understanding pipeline failure drivers - https://arxiv.org/abs/2006.03385
5. Weeraddana et al. - Long-Term Pipeline Failure Prediction Using Nonparametric Survival Analysis - https://arxiv.org/abs/2011.08671
6. Kumar et al. - Using Machine Learning to Assess the Risk of and Prevent Water Main Breaks (Syracuse) - https://arxiv.org/abs/1805.03597
7. Directive (EU) 2020/2184 on the quality of water intended for human consumption - https://eur-lex.europa.eu/eli/dir/2020/2184/oj
8. lifelines - survival analysis in Python (documentation) - https://lifelines.readthedocs.io/en/latest/
9. scikit-survival - documentation - https://scikit-survival.readthedocs.io/en/stable/
10. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
11. Directive (EU) 2022/2557 (Critical Entities Resilience) - https://eur-lex.europa.eu/eli/dir/2022/2557/oj
12. DVGW - Wasser (sector overview, network topics, research) - https://www.dvgw.de/themen/wasser