KI mit menschlicher Prüfung für Nachhaltigkeitsentscheidungen bei Transformatoren

Entscheidungen zur Nachhaltigkeit von Leistungstransformatoren sind selten einfache Schwellenwertentscheidungen. Ein diagnostisches Signal mag besorgniserregend wirken, doch die Maßnahme hängt von der Anlagenhistorie, der Belastung, der Probenqualität, dem Zustand der Isolierung, den Folgen eines Ausfalls, der Reservestrategie, den Abschaltfenstern und dem Urteil qualifizierter Ingenieure ab.

KI mit menschlicher Prüfung ist wichtig, weil sie dieses Urteil sichtbar hält. GridAPM ist darauf ausgelegt, AI-Agenten für abgegrenzte Nachhaltigkeitsaufgaben einzusetzen: Belege sammeln, Trends vergleichen, Unsicherheiten benennen, Empfehlungen entwerfen und Prüfpakete vorbereiten. Ingenieure entscheiden, was die Belege bedeuten und welche Maßnahme angemessen ist.

Warum Transformator-AI ingenieurtechnische Kontrolle braucht

Die Transformatordiagnostik kombiniert mehrere Nachweisströme. Die Analyse gelöster Gase kann unter Bezugnahme auf IEEE C57.104 und IEC 60599 interpretiert werden. Die Bewertung von Teilentladungen erfordert unter Umständen Messdisziplin und einen Störkontext im Einklang mit IEC 60270. Die Beurteilung von Wicklungsbewegungen kann auf Verfahren der Frequenzganganalyse wie IEEE C57.149 zurückgreifen. Themen der Zustandsbewertung und der intelligenten Überwachung werden auch in öffentlichem CIGRE-Material behandelt, darunter TB 761 und TB 630.

Diese Referenzen ersetzen keine ingenieurtechnische Prüfung. Sie bilden die Struktur, die eine Prüfung konsistenter macht. AI sollte Teams helfen, Belege schneller zu finden, nicht die Grundlage einer Entscheidung verschleiern.

Das Human-in-the-Loop-Muster von GridAPM

Ein sinnvoller AI-Arbeitsablauf für die Nachhaltigkeit von Transformatoren sollte vier Verantwortlichkeiten trennen:

1. Daten stammen aus Laborberichten, Online-Monitoren, elektrischen Prüfungen, dem Betriebskontext, Inspektionen und Instandhaltungssystemen.
2. AI-Erkenntnisse ordnen Anomalien, Trendänderungen, wahrscheinliche Fehlerarten und Unsicherheiten.
3. Ingenieure validieren den Kontext, wenden Normen an, bewerten das Risiko und dokumentieren die Begründung.
4. Entscheidungen und Maßnahmen werden erfasst als Überwachen, Untersuchen, zustandsbasierter Plan, Instandhaltungsmaßnahme oder fortgesetzte Beobachtung.

Dieses Muster verwandelt AI-Ausgaben in eine prüfbare ingenieurtechnische Aufzeichnung. Zugleich verhindert es, dass die Plattform eine Empfehlung so darstellt, als wäre sie eine endgültige Instanz.

Was nachvollziehbar sein muss

Eine Nachhaltigkeitsempfehlung für einen Transformator ist nur dann nützlich, wenn das Team nachvollziehen kann, woher sie stammt. Für jede Empfehlung strebt GridAPM an, eine klare Aufzeichnung zu führen über:

• Die in der Empfehlung verwendeten Quelldaten.
• Fehlende Daten und Hinweise zur Datenqualität.
• Trendfenster und Vergleichsbasislinien.
• Die berücksichtigte Diagnosemethode oder Regelfamilie.
• AI-Konfidenzangaben und Unsicherheitsfaktoren.
• Kommentare des Ingenieurs, Änderungen, Freigabestatus und Verantwortlicher für die Maßnahme.

Dies steht im Einklang mit den Governance-Themen für verantwortungsvolle AI aus dem NIST AI Risk Management Framework und mit umfassenderen Arbeiten zu menschenzentrierter AI-Governance von Institutionen wie dem Berkman Klein Center in Harvard. Die praktische Schlussfolgerung ist einfach: folgenschwere Entscheidungen über Betriebsmittel erfordern Rechenschaftspflicht, Prüfbarkeit und klare Verantwortlichkeit.

Agentische AI sollte abgegrenzte Arbeit leisten

In GridAPM ist ein Agent keine autonome Instandhaltungsinstanz. Er ist eine abgegrenzte Arbeitseinheit, die einen bestimmten Teil des Nachhaltigkeits-Arbeitsabläufe ausführen kann. Ein Agent kann DGA-Datensätze normalisieren. Ein anderer kann PRPD-Muster vergleichen. Ein weiterer kann eine normbewusste Prüfzusammenfassung erstellen. Wieder ein anderer kann einen Maßnahmenplan mit Annahmen und Konfidenzangaben entwerfen.

Diese Arbeitsteilung hilft Ingenieuren, die Kette von den rohen Belegen bis zur Empfehlung zu prüfen. Wird eine diagnostische Schlussfolgerung während einer internen Prüfung infrage gestellt, kann das Team jeden Schritt untersuchen, anstatt eine Blackbox-Ausgabe zurückzuentwickeln.

Ein robusteres Nachhaltigkeits-Betriebsmodell

Der Nutzen von KI mit menschlicher Prüfung liegt nicht nur im schnelleren Verfassen von Berichten. Er liegt in einem disziplinierteren Nachhaltigkeitsprozess:

• Konsistente Nachweispakete für jeden geprüften Transformator.
• Bessere Übergabe zwischen Asset-Managern, Diagnosespezialisten und Feldteams.
• Weniger Entscheidungen auf Basis isolierter Datenpunkte.
• Explizitere Angabe von Unsicherheit, wenn Belege unvollständig sind.
• Klarere Begründung anhand von Health-Index und Lebenszyklus, bevor Arbeiten freigegeben werden.
• Ein belastbarer Prüfspur dafür, warum ein Team überwacht, untersucht, aufgeschoben oder gehandelt hat.

Die Produktausrichtung von GridAPM besteht darin, AI genau dort nützlich zu machen, wo die Nachhaltigkeitsarbeit an Transformatoren am anspruchsvollsten ist: Belege aus mehreren Quellen, hohe Folgenschwere, Expertenurteil und der Bedarf an nachvollziehbaren Entscheidungen.