Anomalieerkennung
- Anomalieerkennung meldet Verhalten, das von einem gelernten Normalmodell abweicht — über viele Variablen zugleich, nicht Schwellwert für Schwellwert.
- Sie fängt multivariate Drift: Kombinationen kleiner Änderungen innerhalb der Grenzen, die zusammen Ausschuss oder Ausfall ankündigen.
- Die Alarmqualität entscheidet: Meldungen müssen mit gerankten beitragenden Variablen ankommen und Betriebsregime respektieren.
- Sie ist das vordere Ende einer Pipeline — Erkennung, dann Attribution, dann Handlung — keine eigene Produktkategorie.
Anomalieerkennung ist das Arbeitspferd des industriellen ML: Ein Modell lernt das gemeinsame Verhalten der Linienvariablen in Normalproduktion und bewertet Livedaten dagegen. Ein hoher Score heißt „dieser Moment sieht nach keiner guten Historie aus“ — oft lange bevor irgendeine Einzelvariable eine Alarmgrenze überschreitet.
Was Schwellwerte verpassen
Einzelvariablen-Alarme verpassen drei Ausfallformen, die reale Verluste dominieren. Kombinationen: Fünf Variablen driften je 1 % — einzeln in Ordnung, gemeinsam eine Ausschusssignatur. Kontext: 180 °C ist normal für Produkt A und verheerend für Produkt B; ein gelerntes Modell kennt den Unterschied, eine statische Grenze nicht. Langsame Drift: ein dreiwöchiges Kriechen zum Rand der Hüllkurve, das kein täglicher Blick auf Trendkurven registriert. Prozesssignal-Drift wird zudem zunehmend als früherer Ausfallvorbote genutzt als Schwingung — für manche Anlagenklassen.
Die Alarmkanone vermeiden
Der klassische Fehlmodus ist ein System, das Wolf schreit, bis Operatoren es stummschalten. Die Abwehr: Attribution (jeder Alarm nennt seine wichtigsten Variablen, damit ein Ingenieur in Sekunden triagiert), Regimebewusstsein (Umrüstungen, Anfahrten und Produktmixe werden modelliert, nicht gemeldet) und Schweregrade, die an Konsequenzen hängen, die das Werk interessieren — prognostizierter Ausschuss oder Qualitätseinfluss, nicht statistische Distanz allein. Genau das im Pilot messen: Alarme pro Schicht, Anteil der von einem Ingenieur als handlungsrelevant beurteilten Alarme, Zeit von Meldung bis Erklärung.
FAQ
- Ist Anomalieerkennung dasselbe wie prädiktive Instandhaltung?
- Prädiktive Instandhaltung ist eine ihrer Anwendungen. Anomalieerkennung auf Maschinensignalen prognostiziert Ausfälle; dieselbe Mathematik auf Prozesssignalen prognostiziert Qualitätsprobleme und Drift. Plattformen unterscheiden sich darin, auf welche Signale sie sich spezialisieren.
- Wie viel Historie braucht ein Anomaliemodell?
- Genug Normalproduktion, um die echten Betriebsregime der Linie abzudecken — typischerweise Monate. Mehr Regime (Produkte, Jahreszeiten, Schichten) brauchen mehr Historie; eine Linie mit stabilen Produkten trainiert nützlich auch mit weniger.
Jede Zahl dieser Website — in einer belegten Tabelle.
Die 43,6-Mrd.-$-Marktrechnung, Anwendungsfall-Anteile, Adoptionshürden und veröffentlichte Ergebnisse, mit intakter Quellenspalte. Bereit zum Einfügen in Ihren Businesscase.