Ein Team des Fachbereichs Wirtschaftsingenieurwesen der UMS hat eine speziell für Druckluftspeichersysteme (CAES) entwickelte Technologie geschaffen. Ziel dieser Technologie ist die signifikante Verbesserung der Speichereffizienz und -zuverlässigkeit durch Echtzeitüberwachung und Fehlerprognose. Die in der Fachzeitschrift *Energy* veröffentlichte Studie beschreibt detailliert, wie Sensoren, statistische Analysen und unüberwachtes maschinelles Lernen eingesetzt werden, um ein virtuelles Abbild des physischen Systems zu erstellen und so die intelligente Überwachung von CAES-Systemen zu ermöglichen.

Kern der Forschung ist der Einsatz eines Arduino-basierten Sensornetzwerks zur kontinuierlichen Erfassung von Betriebsdaten wie Temperatur, Druck und Spannung sowie deren Speicherung in einer modularen Musterbibliothek. Assistenzprofessorin Conseta Semeraro erklärt: „Ein digitaler Zwilling ist wie ein intelligenter Spiegel des physischen Systems, der frühzeitig Anzeichen von Leckagefehlern (F1), Kopplungsfehlern (F2) und Lastfehlern (F3) erkennt und so deren Eskalation verhindert.“ Experimentelle Überprüfungen zeigen, dass dieses Modell weder auf Big Data noch aufwendige Rechenressourcen benötigt; es kann Fehlerklassifizierung und Systemzustandsbewertung ausschließlich mithilfe von Machine-Learning-Verfahren wie der relationalen Konzeptanalyse durchführen.

Die Studie betont die hohe Skalierbarkeit der modularen Architektur und die schnelle Anpassbarkeit der zugehörigen Musterbibliothek an andere Energiesysteme wie Batterien, Turbinen oder Wasserstoffspeicher. Für die Technologiemigration sind lediglich geringfügige Parameteranpassungen erforderlich. Dr. Semeraro ergänzt: „Dieses Modellierungsmusterkonzept verkürzt den Entwicklungszyklus neuer Systeme erheblich und senkt gleichzeitig die Wartungskosten.“ Durch präventive Wartungsstrategien können Betreiber proaktiv auf Basis von Echtzeit-Anomalieerkennung eingreifen und so ungeplante Ausfallzeiten und Energieverluste vermeiden.

Weitere Informationen: Concetta Semeraro et al., „Data-driven digital twins for fault detection in compressed air energy storage systems: design and experimental validation“, Energy (2025).