Feste Schwellen sind nicht falsch, weil Ingenieure sie schlecht gesetzt haben. Sie sind falsch, weil die Welt, fuer die sie gebaut wurden, nicht mehr existiert. Eine statische Alarmgrenze setzt still eine Sache voraus: dass Ihr Prozess ein einziges, stabiles "Normal" hat, unter das Sie eine Linie ziehen koennen. Gehen Sie durch irgendein modernes Werk, und diese Annahme faellt auseinander - verschiedene Produkte, staendige Wechsel, variable Last, alternde Maschinen. Eine Linie, die zu einem dieser Zustaende passt, ist fuer alle anderen falsch.
Dieser Beitrag beantwortet eine klar abgegrenzte Frage: Warum haben statische Schwellen fuer die moderne Fertigung aufgehoert zu funktionieren - und was ersetzt sie?
Das ist das "Warum jetzt" hinter zwei verwandten Beitraegen: warum klassische Alarme fruehe Warnungen uebersehen (das Vorlaufzeit-Problem) und Schwellenalarme vs. KI-Anomalieerkennung (der direkte Vergleich). Hier konzentrieren wir uns auf die Grundursache: eine statische Grenze kann einen Prozess, der sich staendig bewegt, nicht verfolgen.
Was eine statische Schwelle still voraussetzt
Eine feste Grenze kodiert einen verborgenen Glauben - dass normal konstant ist. Sie nimmt an, dieselbe Zahl sei bei Anlauf und bei Volllast bedeutsam, fuer Produkt A und Produkt B, auf einer neuen Maschine und einer verschlissenen. Das war ungefaehr wahr, als eine Linie jahrelang ein Produkt mit gleichmaessiger Rate fuhr. Heute ist es selten wahr.
Sehen Sie, was ueber drei Zustaende derselben Linie passiert. Bei einem Produkt liegt normal weit unter der festen Linie, also ist die Grenze locker und uebersieht Fehler. Bei einem anderen ist normal hoeher und der Spielraum schrumpft. Beim Anlauf ueberschreitet normal kurz die Linie, also loest sie Fehlalarme aus. Eine Zahl kann fuer alle drei nicht richtig sein.
Warum sich die Welt veraenderte
Fuenf Verschiebungen brachen die statische Schwelle: hoeherer Produktmix, flexible Produktion mit staendigen Wechseln, alternde Anlagen, die nicht mehr zu ihren Inbetriebnahme-Grenzen passen, weit mehr Sensoren mit Mustern, die eine Einzeltag-Grenze nicht sehen kann, und Set-and-Forget-Drift, die Grenzen mit der Zeit aufweitet, um Stoeralarme zu unterdruecken. Die Schwelle wurde nicht schlechter; der Prozess wurde dynamischer als sie.
Was sie ersetzt: kontextbewusste Grenzen
Die Loesung ist nicht "keine Schwellen". Behalten Sie harte Sicherheitsabschaltungen - die muessen fest bleiben. Fuer alles andere ersetzen Sie die einzelne statische Linie durch ein Normal, das je Zustand gelernt wird: je Produkt, je Geschwindigkeit, je Laufphase, ueber viele Signale gleichzeitig. Statt einer Zahl weiss das Modell, wie normal fuer *diese* SKU bei *dieser* Geschwindigkeit gerade jetzt aussieht, und meldet Abweichung davon. (Das ist Anomalieerkennung; siehe unsere Einfuehrung und den Schwelle-vs-KI-Vergleich.)
Use Case in der Praxis: eine Multi-SKU-Getraenke-Abfuelllinie
Eine Abfuelllinie fuehrt fuenf SKUs ueber zwei Flaschenformate, mit Wechseln in den meisten Schichten. Fuelldruck, Ventiltiming, Drehmoment und Durchfluss haben alle ein anderes "Normal" fuer eine 0,5-L-PET-Flasche als fuer eine 1,5-L-Flasche, und wieder ein anderes waehrend des Anlaufs nach einem Wechsel. Das Werk setzte eine Drehmoment-Alarmgrenze. Um Stoeralarme bei Wechseln und beim kleinen Format zu stoppen, weitete man sie auf - was sie blind machte fuer ein echtes Verschliesser-Verschleissproblem beim grossen Format, wo das normale Drehmoment hoeher liegt und der Fehler sich unter der gelockerten Grenze versteckte. Das erste Zeichen, das jemand sah, war eine Charge schlecht versiegelter Flaschen.
Wie Sie es bauen wuerden
- Signale: Fuelldruck, Ventil-Oeffnungs- und -Schliesstiming, Verschliesser-Drehmoment, Durchflussrate und Liniengeschwindigkeit - aus der SPS.
- Kontext: SKU, Flaschenformat und Laufphase (Wechsel / Anlauf / stabil), sodass normal fuer jede Kombination definiert ist statt einer globalen Grenze.
- Was Sie labeln: vergangene Verschliesser-, Fueller- und Siegel-Ausfaelle je Format, damit das Modell das Normal je Zustand und die Form lernt, die jedem Fehler vorausgeht. (Siehe unseren Beitrag, was Data Labeling ist.)
- Wer reagiert: der Linienleiter erhaelt einen Abweichungsalarm, der bereits format-bewusst ist - "Drehmoment abnormal fuer 1,5-L-Stabillauf" - statt einer einzelnen Grenze, die fuer vier der fuenf SKUs falsch war.
Ein kurzes Rechenbeispiel
Angenommen, das normale Verschliesser-Drehmoment ist 8 Einheiten fuer das kleine Format und 12 fuer das grosse. Ein einzelner statischer Alarm bei 15 faengt weder Probleme beim kleinen Format (die bei 10-11 auftreten, deutlich unter der Grenze) noch fruehen Verschleiss beim grossen Format (der von 12 auf 14 driftet, bevor irgendetwas ausloest). Zwei kontextbewusste Basislinien - eine je Format - melden jedes in dem Moment, in dem es sein eigenes Normal verlaesst, Tage bevor ein Siegelfehler eine Palette erreicht.
Praktische Regel
Behalten Sie Ihre Sicherheitsschwellen; verabschieden Sie die Idee, dass eine statische Linie einen dynamischen Prozess ueberwachen kann. Wenn Ihr Werk mehr als ein Produkt fuehrt, oft wechselt oder alternde Anlagen hat, ist eine feste Grenze per Design die meiste Zeit falsch. Lernen Sie stattdessen normal je Zustand.
Kontextbewusstes Normal wird aus gelabelter Historie gelernt. Geben Sie dem Modell Ihre Produkte, Zustaende und vergangenen Ausfaelle - Daten importieren, Kontext ergaenzen und die Ereignisse labeln, in Predsense Labeling: https://www.predsense.ai/products/labeling