KI-Fehlerdiagnose für Krane: Transferlernen für LXD/DXT
📋 Kernzusammenfassung
Eine KI-Inspektion, die unter bestimmten Betriebsbedingungen einwandfrei funktioniert, versagt jedoch bei anderen Lichtverhältnissen, anderen Lastmaterialien oder einer anderen Anlage – das ist der häufigste Kritikpunkt an industrieller KI. Transferlernen versetzt das Modell in die Lage, bereits erlerntes Wissen auf neue Betriebsbedingungen zu übertragen und sich mit wenigen Annotationen domänenübergreifend anzupassen. Dieser Artikel erläutert die drei Methoden – Feinabstimmung, Domänenadaption und Domänengeneralisierung – sowie den praktischen Umsetzungspfad des Transferlernens.
Ein reales Problem, das viele Werke kennen: Eine KI-Inspektion läuft in Werkstatt A präzise, versagt aber in Werkstatt B – weil die Lichtverhältnisse, das Lastmaterial und der Anlagentyp anders sind. Weicht die Datenverteilung ab, versagt das Modell.
Genau hier setzt Transferlernen an: Es befähigt das Modell, die in der Quell-Domäne erlernten Fähigkeiten auf die Ziel-Domäne mit fehlenden Annotationen zu übertragen – mit wenigen Daten wird die domänenübergreifende Anpassung erreicht.
Im Folgenden wird erläutert, wie Transferlernen konkret umgesetzt wird.
Transferlernen: Gelerntes Wissen auf neue Betriebsbedingungen übertragen
Der Kerngedanke des Transferlernens lautet: „Nicht bei null anfangen." Ein Modell, das unter einer Betriebsbedingung bereits die allgemeine Fähigkeit zur Fehlererkennung erlernt hat, besitzt übertragbares Wissen. Für die neue Umgebung müssen lediglich die abweichenden Anteile ergänzt werden.
Der Unterschied zum Training von Grund auf liegt im Ausgangspunkt. Das Training von null erfordert das erneute Sammeln umfangreicher Annotationen unter den neuen Bedingungen – langsam und teuer. Transferlernen startet mit einem bereits trainierten Modell und passt es mit wenigen Annotationen aus der neuen Umgebung per Feinabstimmung an – schnell und kosteneffizient.
Transferlernen funktioniert, weil die Fehlererkennung über verschiedene Betriebsbedingungen hinweg Gemeinsamkeiten aufweist: Die Erkennung grundlegender Merkmale wie Drahtbruch, Riss und Schiefe ist universell. Die Unterschiede liegen in der oberflächlichen Datenverteilung, die mit wenigen Annotationen angepasst werden kann. Kelude Schwerindustrie setzt bei projektübergreifenden Implementierungen standardmäßig auf Transferlernen statt auf ein Training von Grund auf pro Projekt. Die ISO 24621 „KI-Fehlerdiagnose für Krane" definiert Anforderungen an die diagnose über verschiedene Betriebsbedingungen hinweg.
Drei Transfermethoden: Feinabstimmung, Domänenadaption und Domänengeneralisierung
Die erste Methode ist die Feinabstimmung nach dem Pretraining. Ein auf umfangreichen Datensätzen vortrainiertes Modell dient als Basis und wird mit wenigen Annotationen aus der neuen Umgebung feinabgestimmt. Dies ist die am häufigsten eingesetzte Transfermethode – geringer Aufwand, schnelle Ergebnisse.
Die zweite Methode ist die Domänenadaption. Sie zielt gezielt auf den Abgleich der Verteilungsunterschiede zwischen Quell- und Ziel-Domäne ab, sodass das Modell auch in der Ziel-Domäne stabil erkennt. Sie ist präziser, benötigt jedoch Daten aus der Ziel-Domäne.
Die dritte Methode ist die Domänengeneralisierung. Beim Training wird das Modell gezielt darauf ausgerichtet, Unterschiede über mehrere Betriebsbedingungen hinweg zu verarbeiten, sodass es auch auf unbekannte neue Bedingungen generalisieren kann – nicht nur auf eine einzelne. Sie ist die anspruchsvollste Methode, bietet jedoch die beste Robustheit. Die Auswahl der Methode richtet sich nach der Datenmenge der Ziel-Domäne und den Einsatzanforderungen.
Umsetzungspfad des Transferlernens: Basis zuerst, dann Feinabstimmung
Die Umsetzung des Transferlernens folgt einem klaren Pfad.
Schritt eins: Die passende Pretraining-Basis wählen. Ein allgemeines, auf umfangreichen Datensätzen trainiertes Modell dient als Ausgangspunkt – es beherrscht bereits die grundlegende Merkmalsextraktion und bildet das Fundament des Transfers.
Schritt zwei: Feinabstimmung mit wenigen Annotationen. Eine geringe Anzahl von Stichproben aus der neuen Umgebung wird annotiert und das Basismodell feinabgestimmt, um es an die Datenverteilung der neuen Bedingungen anzupassen. Der Annotationsaufwand ist hierbei deutlich geringer als beim Training von Grund auf.
Schritt drei: Validierung und Rückführung. Das feinabgestimmte Modell wird unter den neuen Bedingungen validiert; bei Erfüllung der Anforderungen wird es eingesetzt. Gleichzeitig werden die Daten aus der neuen Umgebung kontinuierlich zurückgeführt, sodass das Modell mit der Zeit stabiler wird. Die DIN EN 60204-32 – Sicherheitsüberwachungs- und Managementsystem für Hebezeuge fordert die lückenlose Dokumentation von Daten über verschiedene Betriebsbedingungen hinweg. Kelude Schwerindustrie setzt Transferlernen in den drei Schritten Basis, Feinabstimmung und Validierung mit Rückführung um.
Häufige Fehler bei der Umsetzung von Transferlernen
Fehler eins: Transfer trotz großer Unterschiede zwischen den Betriebsbedingungen. Sind die Unterschiede zwischen Quell- und Ziel-Domäne zu groß – etwa beim Wechsel von Innenräumen ins Freie mit starker Sonneneinstrahlung –, passen selbst die grundlegenden Merkmale nicht mehr zusammen. Der Transfer ist dann wirkungslos und ein Training von Grund auf wäre besser. Vor dem Transfer müssen die Unterschiede bewertet werden.
Fehler zwei: Zu wenige Annotationen bei der Feinabstimmung. Transferlernen reduziert den Annotationsaufwand, aber wenn er auf nahezu null reduziert wird, bleibt die Feinabstimmung unzureichend und das Modell bleibt unter den neuen Bedingungen instabil. Die Annotationen müssen ausreichen, um die Unterschiede der neuen Umgebung abzudecken.
Fehler drei: Keine erneute Validierung nach dem Transfer. Die Leistung des transferierten Modells unter den neuen Bedingungen muss zwingend erneut validiert werden – die Annahme „einmal transferiert, immer funktionsfähig" ist unzulässig. Kelude Schwerindustrie besteht auf einer Validierung unter realen Betriebsbedingungen nach dem Transfer; erst bei Erfüllung der Anforderungen wird eingesetzt.
Vergleich der drei Transfermethoden
| Verfahren | Prinzip | ZielBetriebsbedingungenDatenanforderungen | Wirkung | Einsatzbereiche |
|---|---|---|---|---|
| VortrainingFeinabstimmung | Basismit geringer MengeAnnotation | mit geringer MengeAnnotation | gut | bevorzugt für projektübergreifende Bereitstellung |
| Domänenanpassung | Merkmalabgleich | Teildaten | besser | klare Verteilungsunterschiede |
| Domänengeneralisierung | mehrereBetriebsbedingungenVortraining | ohne Zieldaten | Robustheitgut | mehrere unbekannteBetriebsbedingungen |
Schnellreferenz der Normenklauseln zum Transferlernen
| Norm | Vertragskernpunkte | undTransferlernenBeziehung zu |
|---|---|---|
| ISO 24621 | KranKI-FehlerdiagnoseRahmenwerk | überBetriebsbedingungenDiagnoseSpezifikation |
| GB/T 28264 — Sicherheitsüberwachungs- und Managementsystem | SicherheitsüberwachungDokumentationsspurAnforderungen | überBetriebsbedingungenDatendokumentation |
| ISO 24445 | Kranintelligenter Sensortechnische Bedingungen | SensorAnpassungsdifferenzen |
Häufige Fragen zum Transferlernen
F: Worin besteht der grundlegende Unterschied zwischen Transferlernen und einem Training von Grund auf?
A: Der Unterschied liegt im Ausgangspunkt. Beim Training von Grund auf müssen unter neuen Betriebsbedingungen umfangreiche Annotationen neu erfasst und das Modell von null aufgebaut werden – das ist langsam und teuer. Das Transferlernen startet mit einem bereits trainierten Modell, das bereits die allgemeine Fähigkeit zur Erkennung beherrscht. Es genügt, das Modell mit wenigen Annotationen aus den neuen Betriebsbedingungen per Feinabstimmung anzupassen und die Unterschiede zu kompensieren. Im Kern geht es darum, vorhandenes Wissen wiederzuverwenden, statt für jede Betriebsbedingung das Rad neu zu erfinden.
F: Wie starte ich mit Transferlernen bei begrenztem Budget?
A: Beginnen Sie mit einem vortrainierten Modell und Feinabstimmung – das ist der kostengünstigste und schnellste Einstieg ins Transferlernen. Wählen Sie ein großes Basismodell als Basis und passen Sie es mit wenigen Annotationen aus den neuen Betriebsbedingungen per Feinabstimmung an. So lässt sich schnell eine Lösung einsetzen. Sobald genügend Daten gesammelt und die Unterschiede der Betriebsbedingungen klar sind, können Sie Domänenadaption und Domänengeneralisierung in Betracht ziehen. Die Reihenfolge lautet: Basis zuerst, minimale Feinabstimmung, Validierung und Rückkopplung – erst einmal den Einsatz über verschiedene Betriebsbedingungen hinweg zum Laufen bringen.
F: Woran erkenne ich, ob meine Betriebsbedingungen Transferlernen erfordern?
A: Entscheidend ist das Phänomen „funktioniert unter anderen Bedingungen nicht mehr“. Wenn das Modell unter den Quell-Betriebsbedingungen gut funktioniert, aber unter neuen Bedingungen versagt, oder wenn es unter mehreren Betriebsbedingungen eingesetzt werden soll, ohne jedes Mal von Grund auf zu trainieren, ist Transferlernen erforderlich. Umgekehrt gilt: Bei nur einer einzigen stabilen Betriebsbedingung und ausreichenden Daten reicht ein Training von Grund auf. Der Kern ist die Frage, ob ein Bedarf für den Einsatz über verschiedene Betriebsbedingungen hinweg besteht – nur dann ist Transferlernen sinnvoll.
Transferlernen und Modelldrift sind zwei Seiten derselben Medaille. Die Anpassung über Betriebsbedingungen hinweg lässt sich mit den Ansätzen zur Modellwartung aus dem Beitrag „Anlagengesundheitsmanagement PHM: Vorausschauende Wartung von Brückenkränen mit Big Data und ML in der Ingenieurpraxis“ abgleichen.
Wenn KI unter anderen Betriebsbedingungen versagt, liegt das nicht am Modell, sondern am fehlenden Transferlernen. Kelude setzt auf die Strategie „Basis zuerst, minimale Feinabstimmung, Validierung und Rückkopplung“, damit Modelle sich schnell über Betriebsbedingungen hinweg anpassen – ohne jedes Projekt von Grund auf zu trainieren.
