Project 528
Sicherheitsbezogene Risikoanalyse für Offshore- und maritime Infrastruktur. Das Produkt ist die Zeitspanne zwischen dem Moment, in dem eine Bedrohung erkennbar wird, und dem Moment des Schadens.
Gespräch beginnen
Das Problem
Offshore-Windparks sind cyber-physische Systeme in rauer Umgebung. Die Bedrohungen reichen von Wetter und technischem Ausfall bis zu gezielten Eingriffen an Kabeln, Schiffen und Steuerungssystemen.
Sicherheitsbewertungen für solche Anlagen sind bis heute weitgehend statisch: Ein Bericht wird geschrieben, ein Risikoregister gefüllt — und veraltet ab dem Tag der Unterschrift. Die Lage draußen ändert sich stündlich.
Die Frage des Betreibers lautet nicht, ob ein Risiko besteht. Sie lautet, wie viel Zeit bleibt, bevor daraus ein Schaden wird, und was diese Zahl verändert.
Was das System leistet
- Bewertet Risiko fortlaufend aus heterogenen Live-Daten statt aus einem periodischen Bericht
- Passt die Bewertung an: Wetter, Verkehr, Anlagenzustand, Verfügbarkeit von Sensorik
- Zeigt, wo die Erkennung schwach ist — die blinden Flecken wiegen schwerer als die bestätigten Bedrohungen
- Liefert nachvollziehbare Begründungen statt einer Kennzahl ohne Herkunft
Worauf es aufbaut
- Zeitdiskrete dynamische bayessche Netze für Schlussfolgerungen unter Unsicherheit mit expliziten Wahrscheinlichkeiten
- Functional Resonance Analysis (FRAM): wie normale Variabilität im Betrieb zu Ausfällen zusammenwirkt
- Morphologische Analyse und Cross-Impact-Analyse zur systematischen Konstruktion von Bedrohungsszenarien
- Maschinelles Lernen für die Erkennung — aufgesetzt auf die quantitative Schicht, nicht an deren Stelle
Für wen
- Windparkbetreiber und Eigentümer, die für Verfügbarkeit und Sicherheit einstehen
- Häfen und Reedereien, deren Routen und Anlagen dasselbe Seegebiet teilen
- Versicherer, die Offshore-Risiken bepreisen und belastbare Bewertungen brauchen
- Küsten- und Seesicherheitsbehörden mit standortübergreifender Planung
Warum diese Methode
Erkennbarkeit ist die zentrale Frage
Eine Bedrohung, die man nicht früh genug sieht, ist operativ nicht beherrschbar. Wir behandeln die Erkennungsspanne als die Größe, die verbessert werden muss — nicht Risiko im Allgemeinen.
Unsicherheit wird benannt, nicht versteckt
Bayessche Verfahren zwingen das Modell offenzulegen, wie sicher es ist und aufgrund welcher Evidenz. Eine Zahl ohne angegebene Unsicherheit ist keine Risikobewertung.
Normalbetrieb statt nur Unfälle
FRAM setzt dort an, wie Betrieb unter Druck tatsächlich variiert. Die meisten Vorfälle entstehen nicht aus einem defekten Teil, sondern aus gewöhnlicher Variabilität, die über Funktionen hinweg in Resonanz gerät.
Häufige Fragen
Ist das ein KI-Produkt?
Maschinelles Lernen dient der Erkennung, der Kern der Schlussfolgerung ist jedoch quantitativ und explizit. Es entsteht keine Empfehlung, die sich nicht auf Evidenz und angegebene Wahrscheinlichkeiten zurückführen lässt.
Ersetzt das unseren bestehenden Risikoprozess?
Nein. Es ersetzt den Teil, der zwischen zwei Überprüfungen veraltet — das Lagebild. Risikoregister, Verfahren und aufsichtsrechtliche Vorgaben bleiben, wo sie sind.
Welche Daten werden benötigt?
Das System arbeitet mit dem, was ein Standort ohnehin hat: Betriebs- und Sensordaten, Verkehrs- und Wetterdaten, Instandhaltungsunterlagen. Fehlt eine Quelle, benennt das Modell, was das an Erkennung kostet, statt sie stillschweigend wegzuannehmen.
Sprechen Sie mit uns über Ihren Standort
Das nützliche erste Gespräch dreht sich um eine konkrete Anlage und eine konkrete Entscheidung — nicht um eine Produktdemo. Sagen Sie uns, wofür Sie verantwortlich sind und was Sie derzeit nicht sehen.
Gespräch beginnen