Algorithmen statt Ampeln

Das Innosuisse-Projekt: Vom Messwert zur Erkenntnis

Hier setzte das Innosuisse-Projekt an, das die OST gemeinsam mit der Rittmeyer AG durchgeführt hat. Drei Jahre lang – von 2023 bis März 2026 – haben Fachleute des ICAI Interdisciplinary Center for Artificial Intelligence und des UMTEC Institut für Umwelt- und Verfahrenstechnik an einer Lösung gearbeitet, die kontinuierliche Messdaten intelligent nutzt.

Das Kernziel: nicht einfach nur zu sagen, ob etwas im grünen oder roten Bereich liegt, sondern zu verstehen, warum die Werte sind, wie sie sind. Das erfordert Algorithmen, die robust und nachvollziehbar sind. Algorithmen, die zwischen echten Problemen und technischen Störungen unterscheiden können.

«Der grösste Mehrwert entsteht häufig durch eine hohe Datenqualität, eine fundierte Analyse der Messwerte und die Einbindung von Fachwissen», erklärt Prof. Hannes Badertscher, Leiter des ICAI an der OST. «Entscheidend ist, dass die Ergebnisse nachvollziehbar sind und einen konkreten Nutzen für die Betreiber liefern.»

Sensorqualität: Der erste Schlüssel

Bevor überhaupt eine sinnvolle Analyse möglich ist, muss die Datenqualität geklärt werden. Im Projekt wurde deshalb ein Verfahren entwickelt, das den Zustand der Sensoren selbst überwacht – basierend auf den Messdaten selbst.

Ein Beispiel aus der Praxis: Ein Redox-Sensor zeigt zunächst stabile Messwerte. Mit der Zeit wird das hochfrequente Rauschen grösser – ein Zeichen, dass der Sensor gereinigt werden sollte. Nach der Reinigung fällt das Rauschen wieder ab. Statt den Sensor nach einem fixen Kalender zu reinigen, können Wasserversorger nun erkennen, wann der Sensor tatsächlich Aufmerksamkeit braucht. Das spart unnötige Einsätze und erhöht gleichzeitig die Zuverlässigkeit der Messreihen.

Bei einem anderen Sensor zeigte sich ein anderes Muster: Die Werte drifteten langsam auseinander, als würde sich das Messinstrument selbst verändern. Solche Effekte lassen sich mit rollierenden Standardabweichungen und statistischen Kennwerten erkennen – lange bevor die Messwerte unbrauchbar werden.

Betriebszustände: Das Rauschen herausfiltern

Neben der Wasserqualität und der Sensorqualität prägen auch betriebliche Prozesse die Messdaten. Pumpenphasen, Spülungen, Wartungseingriffe – all das hinterlässt Spuren im Messsignal. Ein Drucksprung beim Starten einer Pumpe kann so dominieren, dass kleinere Druckänderungen, die tatsächlich wichtig sind, übersehen werden.

Im Projekt wurde gelöst, woran Betreiber lange gescheitert waren: Die Algorithmen können automatisch erkennen, wann eine Pumpe läuft – und maskieren diese Phasen in der Analyse. Erst danach werden die kleineren, eigentlich interessanten Drucksprünge zuverlässig sichtbar.

Dieser Ansatz gilt für alle Parameter. Bekannte Betriebszustände sollen nicht als Ausreisser fehlinterpretiert werden. Nur so wird aus Rohdaten echte Information.

Anomalieerkennung: Ungewöhnlichkeiten erkennen, nicht übersehen

Das Besondere am Projekt: Die Anomalieerkennung basiert nicht auf tiefen neuronalen Netzen, die lange Trainingsphasen brauchen. Stattdessen wurden robuste statistische Verfahren eingesetzt, die mit realen Betriebsdaten umgehen können. Die Grundidee ist einfach, aber wirkungsvoll: Ein Messpunkt wird nicht isoliert betrachtet, sondern in Bezug auf sein lokales Normalverhalten bewertet. Dies erlaubt es, Veränderungen zu erkennen, ohne dabei zu überempfindlich oder zu träge zu sein.

Im Rahmen des Projekts wurden Methoden entwickelt, die solche bekannten Betriebszustände automatisch erkennen und bei der Auswertung angemessen berücksichtigen. Dadurch können relevante Veränderungen zuverlässiger identifiziert werden und die Aussagekraft der Daten steigt deutlich. Aus Rohdaten werden so belastbare Informationen für den Betrieb.

Die Validierung des entwickelten Systems anhand von Messdaten einer Partner-Wasserversorgung war erfolgreich: Das System hat auch im Feld erfolgreich über 97 Prozent der Anomalien korrekt erkannt und weist eine Falschalarm-Rate von weniger als einem Fehlalarm pro Monat aus. «Man sieht nun auch entsprechend der Entwicklung oder Veränderung der Wasserqualität nicht nur grün oder rot», betont Prof. Dr. Michael Burkhardt, Leiter des UMTEC an der OST. Der unschätzbare Vorteil ist somit, dass man nun also schon viel früher Massnahmen ergreifen kann, bevor ein kritischer Grenzwert überschritten wird, und ein Abstellen der Quelle ist unter Umständen gar nicht mehr notwendig.

Das Wetter als unsichtbarer Partner

Ein entscheidender Durchbruch war die Integration von Wetterdaten. Quell- und Grundwasserfassungen reagieren stark auf Niederschlag – aber jede Fassung anders. Die Trübung kann ansteigen, die Leitfähigkeit sinken, die Temperatur sich ändern. Und die Verzögerung ist unterschiedlich: Manchmal dauert es Stunden, manchmal Tage, bis Regenwasser eine Quelle erreicht.

Das Projekt verknüpfte daher die Sensordaten von Trinkwasserversorgungen mit MeteoSchweiz-Wetterdaten. Damit konnten Forecasting-Modelle entstehen, die nicht nur die Vergangenheit verstehen, sondern auch die wahrscheinliche Zukunft abschätzen.

Ein praktisches Beispiel: Wenn eine Unwetterwarnung vorliegt, können Betreiber bereits vorausschauend reagieren. Sie müssen nicht erst warten, bis die Trübung tatsächlich ansteigt – sie können die Entnahme vorsorglich drosseln oder stoppen. Das ist Prävention statt Reaktion.

«Viele Betreiber stellen bereits heute schon vorher ab, wenn Unwetter angekündigt sind, aber jetzt können sie das auf einer wissenschaftlichen Grundlage tun, nicht nur basierend auf Erfahrungswerten. Das gibt Sicherheit», erklärt Burkhardt.

Von der Forschung in die Praxis

Der Übergang vom Labor in den Alltag ist nie einfach. Deshalb war es ein Kernprinzip des Projekts, dass die entwickelten Ansätze bestehende Systeme ergänzen und nicht ersetzen sollen. Sie sollen in vorhandene Leitsysteme und Monitoring-Plattformen passen.

Das ist wichtig, denn der Mehrwert liegt nicht in der Automation um der Automation willen. Der Mehrwert liegt darin, dass Fachpersonen bessere Entscheidungsgrundlagen haben. Datenbasierte Hinweise sollen sie unterstützen, bleiben aber Teil eines professionellen Entscheidungsprozesses.

Die Übertragbarkeit auf andere Wasserversorgungen ist gegeben: Rollierende Kennwerte, Maskierung bekannter Betriebszustände und adaptive Schwellen funktionieren grundsätzlich überall. Aber die konkrete Auslegung hängt ab von Sensorik, Datenhistorie, Einzugsgebiet und Betriebsweise. Ein «Plug-and-Play» ist es nicht – es braucht Anpassung vor Ort. Besonders wertvoll ist der Ansatz dort, wo Wasserversorgungen bereits kontinuierlich Daten sammeln, diese aber noch nicht systematisch nutzen. «Aus denselben Messreihen lassen sich Informationen für Alarmierung, Sensorwartung, Betriebsanalyse und sogar Prognosen gewinnen», sagt Hannes Badertscher. «Es geht darum, die Daten, die bereits vorhanden sind, besser zu nutzen.»

Kosten und Nutzen: Eine klare Rechnung

Neue Systeme kosten Geld – das ist klar. Für manche Betreiber mag das zunächst ein Dorn im Auge sein. Aber die Rechnung ist eindeutig: Früherkennung von Problemen spart Kosten: sowohl direkt wie auch indirekt. Bedarfsgerechte Sensorwartung statt Wartung nach Plan spart Ressourcen. Zudem sind die Kosten einer Trinkwasserverschmutzung enorm – neben dem Ausfall unter Umständen auch die ärztliche Versorgung Betroffener.

«Die Professionalisierung der Trinkwasserbranche steigt in den nächsten Jahren ohnehin und wird sich fortsetzen. Diese Technologien sind Teil davon und der Mehrwert überwiegt aus unserer Sicht die Investitionen um ein Vielfaches», betont David Dürrenmatt, Chief Product Officer bei Rittmeyer.

Ausblick: Eine neue Ära der Wassersicherheit

Das Projekt zeigt, dass kontinuierliche Wasserqualitätsdaten ein grosses Potenzial besitzen – wenn sie konsequent aufbereitet, kontextualisiert und ausgewertet werden. Die Zukunft liegt nicht in noch komplizierteren Algorithmen, sondern in besserer Datenqualität, transparenter Analyse und engerer Zusammenarbeit zwischen Forschung und Praxis. Mit wachsender Datenhistorie lassen sich diese Ansätze weiter automatisieren und mit Prognosemodellen kombinieren. Langfristig könnten auch Machine-Learning-Modelle eine Rolle spielen. Aber der erste – und vielleicht wichtigste – Schritt ist, die Daten zu verstehen, die bereits vorhanden sind. Für die Schweizer Trinkwasserbranche ist das ein Wendepunkt. Nicht weil die Technik neu ist – sondern weil sie zeigt, wie man alte Technik klüger nutzt. Und darin liegt echte Innovation.

Mehr Infos

ICAI Interdisciplinary Center for Artificial Intelligence

UMTEC Institut für Umwelt- und Verfahrenstechnik