Jede Fabrik laeuft bereits auf Alarmen: wenn Temperatur X ueberschreitet, Alarm; wenn Druck unter Y faellt, Abschaltung. Schwellenwert-Alarme sind einfach, transparent und unverzichtbar - und sie uebersehen zugleich vieles. Sie feuern erst, wenn ein Signal eine feste Linie ueberschreitet, was oft zu spaet ist, und sie sehen keine Probleme, die in der *Beziehung* zwischen Signalen liegen. KI-Anomalieerkennung geht anders vor: Sie lernt, wie normal aussieht, und meldet Abweichungen frueh.
Dieser Beitrag beantwortet eine klar abgegrenzte Frage: Wie unterscheiden sich feste Schwellenwert-Alarme von KI-Anomalieerkennung, und wann nutzt man was?
Wie Schwellenwert-Alarme funktionieren
Ein Schwellenwert-Alarm vergleicht ein Signal mit einer festen Grenze und feuert bei Ueberschreitung. Seine Staerken sind echt: einfach einzurichten, voellig transparent und perfekt fuer harte physikalische und Sicherheitsgrenzen (eine Druckabschaltung sollte eine feste Grenze sein). Doch er hat strukturelle blinde Flecken:
- Er ist statisch. "Normal" aendert sich mit Produkt, Last und Saison; eine feste Linie nicht.
- Er ist einvariabel. Er sieht kein Problem, das nur in der Kombination mehrerer Signale auftritt.
- Er ist spaet. Ein Signal ueberschreitet die Grenze oft erst, wenn der Ausfall schon laeuft.
- Er ist verrauscht. Eng gesetzt gibt es Fehlalarme; weit gesetzt verpasst man echte Ereignisse.
Wie KI-Anomalieerkennung funktioniert
Statt einer festen Linie lernt die Anomalieerkennung ein Modell des normalen Verhaltens aus der Historie - oft ueber viele Signale gleichzeitig - und bewertet dann, wie weit das aktuelle Verhalten davon abweicht. Ist die Abweichung gross genug, meldet sie. Weil sie die *Form* des Normalen lernt, faengt sie langsame Drift lange bevor ein einzelnes Signal eine harte Grenze ueberschreitet und erkennt Muster ueber mehrere Signale, die kein Mensch beobachten wuerde.
Gegenueberstellung: wann man was nutzt
Nutzen Sie Schwellenwert-Alarme bei harten physikalischen oder Sicherheitsgrenzen, einer einzelnen gut verstandenen Variable oder wenn sofortige, auditierbare Abschaltungen noetig sind. Nutzen Sie KI-Anomalieerkennung fuer multivariate Prozesse, langsame Drift, unbekannte oder sich entwickelnde Fehlermodi und Bedingungen, die sich mit Produkt und Last aendern.
Es sind Schichten, keine Rivalen
Die richtige Antwort ist fast nie "Alarme durch KI ersetzen". Behalten Sie Ihre Sicherheitsschwellen genau so - sie sind Ihre letzte Verteidigungslinie. Fuegen Sie Anomalieerkennung *obendrauf* hinzu, als Fruehwarnschicht, die Operatoren Stunden oder Tage Vorlauf gibt, bevor eine Schwelle ueberhaupt ausloest. Schwellen sagen, dass jetzt etwas falsch ist; Anomalieerkennung sagt, dass etwas falsch zu werden beginnt.
Use Case in der Praxis: eine Tablettenpresse in der Pharma
An einer Tablettenpresse ueberwacht ein Schwellenwert-Alarm vielleicht die Hauptpresskraft und loest erst bei Ueberschreiten einer festen Grenze aus - das faengt grobe Fehler, aber nichts Subtiles. Doch die Tablettenqualitaet (Gewicht, Haerte, Capping) entsteht aus dem *Zusammenspiel* von Fuelltiefe, Vorpressung, Hauptkraft und Rotorgeschwindigkeit. KI-Anomalieerkennung lernt den normalen multivariaten Fingerabdruck fuer ein Produkt und meldet eine Charge, die Richtung Out-of-Spec driftet, lange bevor ein einzelner Kraftwert seine Grenze ueberschreitet.
Wie Sie es bauen wuerden: die Pressensignale (Fuellung, Vor- und Hauptkraft, Rotorgeschwindigkeit, Ausschusszaehler) in Chargenaufloesung erfassen, Kontext anhaengen (Produkt, Werkzeug, Kampagne) und vergangene Ausschusstabletten und fehlgeschlagene Chargen labeln. Die Presse behaelt ihre Sicherheitsabschaltungen; die Anomalieerkennung sitzt obendrauf als Fruehwarnung fuer die QS - genau der geschichtete Aufbau von oben.
Was KI-Anomalieerkennung braucht
Anomalieerkennung ist nur so gut wie die Daten dahinter. Sie braucht konsistente Signale (gleiche Tags, Einheiten, Zeitbasis), genug Historie des Normalen zum Lernen, Kontext (Produkt, Schicht, Sollwert), damit sie einen normalen Wechsel nicht mit einem Fehler verwechselt, und Labels bekannter Ereignisse zum Tunen und Validieren. Ohne gelabelte Beispiele echter Probleme kann man nuetzliche Meldungen nicht von Rauschen unterscheiden.
Praktische Regel
Waehlen Sie nicht zwischen festen Grenzen und gelerntem Normal - stapeln Sie sie. Behalten Sie Schwellen fuer Sicherheit und harte Grenzen und fuegen Sie Anomalieerkennung fuer Fruehwarnung bei driftenden Signalen hinzu. Die Arbeit, die die zweite Schicht vertrauenswuerdig macht, ist dieselbe wie hinter jedem praediktiven Projekt: saubere, kontextuelle, gelabelte Daten.
Bauen Sie den Datensatz, den Ihre Anomalieerkennung braucht: Signale importieren, Kontext hinzufuegen und bekannte Ereignisse labeln, damit ein Modell normal lernen und das Wesentliche melden kann - in Predsense Labeling: https://www.predsense.ai/products/labeling