KI-Fehlerdiagnose für Krane: unüberwachte Anomalieerkennung
📋 Kernzusammenfassung
Herkömmliche KI-Inspektion benötigt umfangreiche Defektannotationen – doch genau die sind selten und schwer zu erstellen. Die unüberwachte Anomalieerkennung geht den umgekehrten Weg: Sie lernt ausschließlich Normaldaten und stuft Abweichungen als anomal ein – ganz ohne Defektproben. Dieser Beitrag erläutert die vier Verfahren Autoencoder, Isolation Forest, One-Class-SVM und Clustering sowie die Fähigkeitsgrenze der unüberwachten Erkennung.
Bei der KI-Inspektion von Kranen gibt es eine unvermeidliche Hürde: Für das Training eines Modells sind Defektannotationen erforderlich – doch genau die sind die seltensten und aufwendigsten Daten. Für Drahtseil-Drahtbruch oder Schweißrisse dauert das Sammeln annotierter Proben Monate.
Gibt es einen Weg, die Annotation zu überspringen und direkt eine Frühwarnung zu erhalten? Ja – die unüberwachte Anomalieerkennung. Sie lernt nicht, „wie ein Fehler aussieht", sondern ausschließlich, „wie Normalzustand aussieht". Alles, was nicht dem Normalmuster entspricht, wird als anomal gemeldet.
Dieser Ansatz durchbricht das klassische Schema „Erst annotieren, dann trainieren". Im Folgenden wird die Funktionsweise im Detail erläutert.
Logik der unüberwachten Anomalieerkennung: Nur Normalität lernen, Abweichung als anomal werten
Der Unterschied zwischen überwachtem und unüberwachtem Lernen liegt darin, was gelernt wird. Überwachtes Lernen benötigt zahlreiche annotierte Defektproben; das Modell lernt, „wie ein Fehler aussieht". Unüberwachtes Lernen benötigt lediglich Proben aus dem Normalbetrieb; das Modell lernt, „wie Normalzustand aussieht".
Die Logik der unüberwachten Erkennung: Normaldaten folgen einem Muster und bilden Cluster; Anomalien weichen von diesem Muster ab. Das Modell extrahiert das Muster der Normaldaten – weichen Betriebsdaten davon ab, werden sie als anomal eingestuft.
Der Vorteil liegt auf der Hand: Normalproben sind überall verfügbar, Defektproben dagegen selten. Wer nur Normalität lernt, umgeht das Annotationsproblem. Der Nachteil ist ebenso klar: Das Verfahren meldet lediglich „hier stimmt etwas nicht", nicht jedoch „das ist ein Drahtbruch oder ein Riss". Kelude positioniert die unüberwachte Erkennung als erste Filterstufe im Sinne von „Erst Anomalie erkennen, dann manuell prüfen". ISO 24621 „KI-Fehlerdiagnose für Krane" liefert den Rahmen für die Anomalie-Frühwarnung.
Vier unüberwachte Verfahren: Autoencoder, Isolation Forest, One-Class-SVM, Clustering
Das erste Verfahren ist der Autoencoder. Ein neuronales Netz komprimiert Normaldaten und rekonstruiert sie wieder: Normaldaten werden präzise rekonstruiert, bei Anomalien ist der Rekonstruktionsfehler groß. Die Höhe des Rekonstruktionsfehlers entscheidet über die Anomalie. Dieses Verfahren eignet sich besonders für Bilddaten und hochdimensionale Sensordaten.
Das zweite Verfahren ist der Isolation Forest. Es nutzt die Eigenschaft, dass Anomalien leichter zu isolieren sind: Bei zufälligen Datenteilungen werden Anomalien bereits nach wenigen Schritten abgetrennt, Normalpunkte benötigen deutlich mehr Schritte. Das Verfahren ist recheneffizient und eignet sich für die schnelle Durchsicht großer Sensordatenmengen.
Das dritte Verfahren ist die One-Class-SVM. Sie lernt ausschließlich die Grenze der Normaldaten – alles außerhalb dieser Grenze gilt als anomal. Geeignet ist sie für mittlere Datenmengen mit klar abgrenzbaren Verteilungen.
Das vierte Verfahren ist das Clustering. Die Daten werden in mehrere Cluster eingeteilt; isolierte Stichproben, die fern aller Clusterzentren liegen, gelten als anomal. Dieses Verfahren ist intuitiv und gut erklärbar – ideal für die erste Datenexploration. Alle vier Verfahren haben ihre spezifischen Einsatzbereiche und lassen sich je nach Datenstruktur auswählen.
Fähigkeitsgrenze der unüberwachten Erkennung: Erkennen ja, Klassifizieren nein
Die unüberwachte Anomalieerkennung ist kein Allheilmittel – ihre Fähigkeitsgrenze muss klar sein.
Erstens: Sie kann Anomalien erkennen, aber nicht einer konkreten Fehlerklasse zuordnen. Gemeldet wird „diese Daten weichen vom Normalzustand ab". Ob die Ursache Drahtbruch, Verschleiß oder Sensordrift ist, erfordert eine manuelle Prüfung oder ein zusätzlich überlagertes überwachtes Modell.
Zweitens: Sie reagiert empfindlich auf die Qualität der Normaldaten. Enthalten die Trainingsdaten versteckte Anomalien, lernt das Modell diese als normal – es kommt zu verpassten Alarmen. Die Trainingsdaten müssen nachweislich frei von Anomalien sein.
Drittens: Der Schwellwert muss kalibriert werden. Wie stark eine Abweichung sein muss, um als anomal zu gelten, ist eine Frage der Einstellung: Ein zu lockerer Schwellwert führt zu verpassten Alarmen, ein zu strenger zu Fehlalarmen. Die Kalibrierung erfordert eine iterative Abstimmung mit den realen Betriebsbedingungen. Kelude setzt die unüberwachte Erkennung als Vorfilter ein: Verdächtige Proben werden automatisch aussortiert und der manuellen Prüfung zugeführt – das spart Annotation und sichert gleichzeitig die Zuverlässigkeit.
Praktische Umsetzung der unüberwachten Erkennung: Erst filtern, dann prüfen, dann überlagern
Die beste Nutzung der unüberwachten Erkennung ist nicht die Ablösung des überwachten Lernens, sondern das Zusammenspiel.
Schritt eins: Unüberwachte Erkennung als Vorfilter. Nur Normaldaten werden gelernt; verdächtige Proben, die vom Normalmuster abweichen, werden automatisch herausgefiltert. Diese Stufe läuft ohne Defektannotation – ISO 24619 „IoT-Schnittstelle für Krane" liefert den Zugang zur Erfassung von Normaldaten.
Schritt zwei: Manuelle Prüfung der verdächtigen Proben. Die herausgefilterten Proben werden von Ingenieuren gesichtet: echte Fehler wandern in die Annotationsdatenbank, Rauschen wird verworfen.
Schritt drei: Überlagerung mit überwachtem Modell. Sobald die Annotationsdatenbank eine ausreichende Größe erreicht hat, wird ein überwachtes Klassifikationsmodell trainiert, das eine präzise Fehlerklassifizierung übernimmt. Kelude folgt dem Dreistufenansatz „Erst filtern, dann prüfen, dann überlagern": Die unüberwachte Erkennung beantwortet die Frage „Gibt es eine Anomalie?", die überwachte Erkennung die Frage „Um welchen Fehler handelt es sich?".
Unüberwachte Verfahren und ihre Einsatzbereiche im Überblick
| Verfahren | Prinzip | geeignete Daten | Anlaufkosten | Einsatzbereiche |
|---|---|---|---|---|
| Autoencoder | Rekonstruktionsfehler | hochdimensionale Bilddaten | mittel | BildverarbeitungAnomalie-Vorscreening |
| Isolation Forest | Isolationsschnitt | massivSensorgeeignete Daten | niedrig | SensorDatenscreening |
| EinklasseSVM | Erlernen der Normalgrenze | mittlere Datensätze | mittel | Szenarien mit klarer Verteilung |
| Clusteranalyse | Ausreißererkennung | Erklärbarkeitsanforderung | niedrig | explorative Datenanalyse |
Schnellreferenz der Normenklauseln zur unüberwachten Erkennung
| Norm | Vertragskernpunkte | mit unüberwachtemErkennungZusammenhang |
|---|---|---|
| ISO 24621 | KranKI-FehlerdiagnoseFramework | AnomalieFrühwarnungFramework für |
| ISO 24619 | KranIoT-SchnittstelleSpezifikation | NormalDatenerfassungZugangssystem |
| GB/T 28264 — Sicherheitsüberwachungs- und Managementsystem | SicherheitsüberwachungProtokollierungAnforderungen | NormalmodusDatenquelle |
Häufige Fragen zur unüberwachten Anomalieerkennung
F: Was ist der grundlegendste Unterschied zwischen unüberwachter Erkennung und überwachtem Lernen?
A: Der Unterschied liegt darin, was gelernt wird. Überwachtes Lernen benötigt Fehlerannotationen – das Modell lernt, „wie ein Fehler aussieht", und kann konkrete Fehler klassifizieren, allerdings sind die Annotationskosten hoch. Unüberwachtes Lernen benötigt lediglich Normaldaten – das Modell lernt, „wie Normalzustand aussieht", und stuft Abweichungen davon als Anomalie ein. Es benötigt keine Annotationen, kann Anomalien jedoch nur erkennen, nicht klassifizieren. Im einen Fall wird zuerst annotiert und dann trainiert, im anderen Fall wird nur der Normalzustand gelernt, um Abweichungen zu finden.
F: Wann ist der Einsatz unüberwachter Erkennung am sinnvollsten?
A: Am besten geeignet ist sie in Szenarien mit stark unzureichender Fehlerannotation, aber ausreichenden Normaldaten. In der Anfangsphase eines Projekts ohne vorhandene Annotationsdatenbank ist die unüberwachte Erkennung der schnellste Einstieg: Sie dient als erste Anomalie-Vorsortierung und spürt verdächtige Stichproben auf. Sobald durch manuelle Prüfung eine gewisse Menge an Annotationen vorliegt, kann auf überwachtes Lernen für eine präzise Klassifizierung aufgerüstet werden. Der Wert der unüberwachten Erkennung liegt darin, „schnell starten und früh warnen zu können" – nicht darin, das überwachte Lernen zu ersetzen.
F: Was tun bei vielen Fehlalarmen in der unüberwachten Erkennung?
A: Zuerst die Qualität der Trainingsdaten prüfen – mit Anomalien verunreinigte Normaldaten führen zu einem verzerrten Modell. Danach den Schwellwert neu kalibrieren: Ab welcher Abweichung gilt etwas als Anomalie? Ein zu lockerer Schwellwert erzeugt viele Fehlalarme, ein zu strenger führt zu verpassten Alarmen. Schließlich die Fehlalarm-Stichproben manuell prüfen: Rauschen wird aussortiert, echte Anomalien werden nachannotiert. Eine gewisse Fehlalarmquote ist bei der unüberwachten Erkennung normal – sie wird durch Schwellwert-Kalibrierung und manuelle Prüfung kontinuierlich reduziert.
Unüberwachte Erkennung und vorausschauende Wartung ergänzen sich konzeptionell – einen Überblick über die Anomalieerkennung in der Praxis bietet der Beitrag „Anlagengesundheitsmanagement PHM: Ingenieurpraxis zur vorausschauenden Wartung von Brückenkranen mit Big Data und ML".
Der Wert der unüberwachten Anomalieerkennung liegt darin, dass die KI-Frühwarnung nicht an der Annotation scheitert. Kelude setzt auf unüberwachte Erkennung als Vorsortierung, gefolgt von manueller Prüfung und überlagertem überwachtem Lernen – das spart Annotationsaufwand, sichert die Zuverlässigkeit und lässt die Erkennung erst starten, um dann immer präziser zu werden.
