Anomalieerkennung in der Industrie: Methoden und Praxis

Vom Vibrationssensor über Akustikanalyse bis zur Bilderkennung: Wie wir Anomalieerkennung für Schweizer Unternehmen umsetzen.

In den ersten beiden Teilen dieser Serie haben wir die Grundlagen der Anomalieerkennung und die verschiedenen Arten und Szenarien beschrieben. In diesem abschliessenden Artikel zeigen wir, wie Anomalieerkennung in der industriellen Praxis funktioniert – mit konkreten Beispielen aus unserer Arbeit.

Beispiel 1: Motorüberwachung mit Vibrationssensorik

Das Setup

Ein Elektromotor treibt mehrere durch einen Antriebsriemen verbundene Metallscheiben an. Die Vibrationen werden mit einem drahtlosen Sensor gemessen. Ziel: Erkennen, ob der Motor korrekt funktioniert – und wenn nicht, welcher Fehler vorliegt.

Das Problem in Anomalie-Terminologie

Wir haben ein Klassifizierungsproblem mit fünf Klassen:

Normal: Motor läuft korrekt
Zu langsam: Motor dreht unter Solldrehzahl
Zu schnell: Motor dreht über Solldrehzahl
Unwucht Scheibe A: Eine Metallscheibe ist in Unwucht
Unwucht Scheibe B: Eine andere Scheibe ist in Unwucht

Da für jede Klasse Trainingsdaten vorliegen (Messungen wurden im Vorfeld für jeden Zustand aufgenommen), handelt es sich um überwachte Anomalieerkennung – der einfachste Fall.

Der Lösungsansatz

Aus den Vibrationsdaten werden Features extrahiert: Frequenzspektrum, Amplitude, statistische Kennwerte (Mittelwert, Varianz, Kurtosis). Ein Random-Forest-Klassifikator ordnet jede Messung einer der fünf Klassen zu. Random Forest wurde gewählt, weil er schnell ist, gute Ergebnisse liefert und Auskunft über den Einfluss der verschiedenen Features gibt – wichtig für die Interpretierbarkeit.

Ergebnis: Zuverlässige Klassifizierung in Echtzeit. Das System erkennt nicht nur, dass eine Anomalie vorliegt, sondern auch welche – ein entscheidender Vorteil für die Wartungsplanung.

Was wir heute anders machen würden

Das ursprüngliche Projekt stammt aus 2016. Seitdem hat sich viel verändert:

Deep Learning für Zeitreihen: Statt manueller Feature-Extraktion setzen wir heute häufig 1D-CNNs oder Transformer-basierte Modelle ein, die direkt auf den Rohsignalen arbeiten.
Edge Computing: Die Analyse kann direkt auf dem Sensor oder einem Edge Device laufen – keine Cloud-Latenz.
Continuous Learning: Das Modell wird kontinuierlich mit neuen Daten aktualisiert, um Concept Drift zu erkennen.
Integration in Datenplattformen: Die Ergebnisse fliessen direkt in eine Datenplattform und werden in Power BI visualisiert – nicht als isoliertes System, sondern als Teil der Manufacturing Data Architecture.

Beispiel 2: Akustische Schadenserkennung

Nicht immer ist ein direkter Kontakt zum Messobjekt möglich. In solchen Fällen setzen wir auf akustische Anomalieerkennung: Spezielle Mikrofone erfassen Schallmuster, und ein KI-Modell erkennt Abweichungen, die auf Schäden hindeuten.

Der Ansatz ist typisch semi-überwacht: Das Modell lernt den normalen Klang einer funktionierenden Maschine und meldet Abweichungen. Besonders interessant für Umgebungen, in denen Vibrationssensoren nicht montiert werden können – etwa bei rotierenden Teilen ohne feste Auflagefläche.

Beispiel 3: Optische Deformationserkennung

Bei der optischen Deformationserkennung werden Kamerasysteme oder Laserscanner eingesetzt, um Verformungen an Bauteilen, Infrastruktur oder Produkten zu erkennen. Deep-Learning-Modelle – trainiert auf Bilddaten – erkennen Risse, Lecks oder Verformungen.

Ein Beispiel ist unsere Arbeit für Defekterkennung auf Bildern: Ein Deep-Learning-System erkennt Defekte in Tunnelwänden anhand von Laserscan-Bildern – mit einer Effizienzsteigerung von 60% gegenüber der manuellen Inspektion.

Hier zeigt sich die Stärke der Anomalieerkennung im unüberwachten Szenario: Das Modell muss nicht jeden möglichen Defekttyp kennen. Es reicht, wenn es gelernt hat, wie eine intakte Tunnelwand aussieht – und Abweichungen erkennt.

Beispiel 4: Felddatenklassifizierung bei V-ZUG

Ein modernes Beispiel für Anomalieerkennung im weiteren Sinne: Bei V-ZUG klassifiziert ein LLM tausende Freitext-Servicemeldungen automatisch in strukturierte Kategorien. Meldungen, die das Modell nicht sicher zuordnen kann, sind de facto Anomalien – unbekannte Fehlermuster, die menschliche Aufmerksamkeit erfordern.

Über ein Human-in-the-Loop-Interface prüfen Fachexperten die unsicheren Fälle. Ihre Korrekturen fliessen zurück in das Modell und verbessern es kontinuierlich. Das System erreicht über 93% Genauigkeit – und die Ausreisser sind oft die wertvollsten Datenpunkte, weil sie auf neue, bisher unbekannte Problemkategorien hinweisen.

Der rote Faden: Von der Sensorik zur Entscheidung

Unabhängig vom konkreten Use Case folgt industrielle Anomalieerkennung immer einem ähnlichen Muster:

Daten erfassen → Aufbereiten → Modell trainieren → Anomalien erkennen → Mensch validiert → Modell verbessern

Die Herausforderung liegt selten im Algorithmus allein. Sie liegt in der Datenqualität, in der Integration in bestehende Systeme, im Domänen-Know-how und in der Frage, was nach der Erkennung passiert: Wer wird informiert? Wie schnell? Welche Aktion wird ausgelöst?

Bei Substring verbinden wir Data Science mit Softwareentwicklung und Datenplattformen. Das heisst: Wir bauen nicht nur das Modell, sondern auch die Pipeline, die Visualisierung und die operative Integration. Die Anomalieerkennung wird Teil der Datenarchitektur – nicht ein isolierter Prototyp.

Nächster Schritt

Haben Sie Sensordaten, Logdaten oder Prozessdaten, in denen Sie Anomalien vermuten? Wir klären in einem unverbindlichen Gespräch, welcher Ansatz für Ihren Kontext passt – und ob eine schnelle Machbarkeitsstudie sinnvoll wäre.

Sprechen Sie mit uns

Kategorie

Kontakt