KI-Fehlerdiagnose für Krane: Ursachen erkennen
📋 Kernzusammenfassung
Moderne Kran-KI kann zwar sagen, „welcher Fehler“ vorliegt, aber nicht, „warum“ er entstanden ist. Der Grund: KI lernt Korrelationen, keine Kausalität – sie erkennt, dass zwei Phänomene häufig gemeinsam auftreten, weiß aber nicht, was was verursacht. Genau diese Lücke will die kausale Inferenz schließen. Dieser Beitrag erläutert den Unterschied zwischen Korrelation und Kausalität, den Aufbau von Kausalgrafiken und die Grenzen der praktischen Anwendung in der Industrie.
Meldet das KI-System eines Brückenkrans „Übertemperatur am Hubmotor“, fragt der Instandhalter: Warum ist das so? Die KI schweigt. Sie kann zwar den Zustand „Anomalie“ erkennen, aber keine Ursachenkette dahinter erklären.
Das ist die Grenze heutiger KI: Sie weiß, „was“ ist, aber nicht „warum“. Sie lernt Korrelationen, keine Kausalität.
Genau diese „Warum“-Ebene will die kausale Inferenz ergänzen. Im Folgenden wird das aufgeschlüsselt.
Korrelation vs. Kausalität: Gemeinsames Auftreten vs. Verursachung
Korrelation und Kausalität sind zwei grundlegend verschiedene Dinge.
Korrelation bedeutet, dass zwei Phänomene häufig gemeinsam auftreten. „Hohe Motortemperatur“ und „hohe Last“ treten beispielsweise oft gleichzeitig auf – die KI lernt diese Korrelation, kann aber nicht unterscheiden, ob die Last die Temperatur verursacht oder beide von einem dritten Faktor abhängen.
Kausalität bedeutet, „wer verursacht wen“. Die Last führt zur Temperaturerhöhung des Motors – das ist eine kausale Richtung. Nur wer diese Richtung kennt, kann gezielt handeln: Last reduzieren, Kühlung verbessern – statt den Temperatursensor zu verstellen.
Was die KI aus Daten lernt, ist Korrelation, denn Daten erfassen nur das „gemeinsame Auftreten“, nicht „wer zuerst kam und wer auf wen wirkt“. Die kausale Richtung muss durch Intervention und Domänenwissen bestimmt werden. Kelude Schwerindustrie sieht darin den entscheidenden Schritt der KI-Diagnose von der „Alarmierung“ zur „Erklärung“ – ISO 24621 „KI-Fehlerdiagnose für Krane“ fordert zudem eine lückenlose Dokumentation der Diagnosegrundlagen.
Methoden der kausalen Inferenz: Kausalgrafiken, Intervention, kontrafaktische Analyse
Die kausale Inferenz verfügt über etablierte Methoden, deren Kern die explizite Darstellung kausaler Beziehungen ist.
Eine Kausalgrafik bildet Variablen und ihre kausalen Beziehungen als Knoten und Pfeile ab – etwa „Last → Temperatur → Störung“. Die Quelle solcher Grafiken ist Domänenwissen: die Erfahrung erfahrener Monteure und ingenieurtechnische Prinzipien, die der KI erklären, „wer auf wen wirkt“.
Die Interventionsanalyse verändert gezielt eine Variable und beobachtet die Reaktion einer anderen, um die kausale Richtung zu verifizieren. Beispiel: Last reduzieren und prüfen, ob die Temperatur sinkt – sinkt sie, bestätigt sich die Last als eine Ursache der Temperatur.
Die kontrafaktische Analyse fragt: „Was wäre gewesen, wenn …?“ – sie bewertet die tatsächliche Wirkung einer Maßnahme. Zusammen ermöglichen diese drei Methoden der KI den Schritt von der Korrelation zur Kausalität. Der Aufbau von Kausalgrafiken hängt jedoch stark von Domänenwissen ab – die größte Hürde für den industriellen Einsatz.
Wert der kausalen Inferenz: Gezielte Maßnahmen und Prognose von Interventionseffekten
Der Wert der kausalen Inferenz zeigt sich in konkreten Instandhaltungsentscheidungen.
Kausalität ermöglicht gezielte Lösungen. Korrelation zeigt nur „eine Anomalie liegt vor“, Kausalität sagt, „wo die Ursache liegt“ – behandelt wird die Grundursache statt des Symptoms, ohne bloße Symptombekämpfung.
Kausalität ermöglicht die Prognose von Interventionseffekten. Beispielsweise lässt sich abschätzen, wie stark „verbesserte Kühlung“ die „Temperaturabsenkung“ beeinflusst – so wird der wirksamste Ansatz aus mehreren Optionen gewählt, statt alles nacheinander auszuprobieren.
Genau diese beiden Punkte fehlen der aktuellen KI-Diagnose am meisten. Kelude Schwerindustrie integriert Kausalgrafiken in die Diagnose, um die KI-Alarmierung von „was“ zu „warum“ zu führen – bleibt aber bewusst zurückhaltend: Kausale Inferenz dient in der Industrie derzeit als Unterstützung für Ingenieure, nicht als automatische Entscheidung. GB/T 28264-2017 „Sicherheitsüberwachungs- und Managementsystem für Hebezeuge“ fordert die Rückverfolgbarkeit kausaler Daten.
Häufige Fehler bei der Umsetzung kausaler Inferenz
Fehler Nummer eins: Korrelation wird mit Kausalität verwechselt. Aus Daten gelernte Korrelationen werden als kausal für Entscheidungen herangezogen – mit Ergebnissen wie „Der Hahn kräht, also geht die Sonne auf“. Die kausale Richtung muss durch Domänenwissen und Interventionsvalidierung abgesichert werden.
Fehler Nummer zwei: Kausalgrafiken werden vollständig automatisch aus Daten gelernt. Daten liefern nur Korrelationen; die kausale Richtung erfordert Domänenwissen. Rein datengetriebene Kausalgrafiken bieten keine garantierte Zuverlässigkeit.
Fehler Nummer drei: Der Reifegrad kausaler Inferenz wird überschätzt. Industrielle kausale Inferenz steckt noch in den Anfängen und kann nur begrenzt eingesetzt werden. Wer sie als ausgereifte Technologie anpreist, wird bei der Umsetzung scheitern. Kelude Schwerindustrie positioniert kausale Inferenz als „Unterstützung für Ingenieure“ – nicht als automatische Entscheidung.
Vergleich: Korrelationslernen vs. kausale Inferenz
| Dimension | Verwandtes Lernen | KausalitätInferenz | Unterscheidungsmerkmal | Reifegrad |
|---|---|---|---|---|
| Beantwortete Fragestellung | Was ist | Warum | DiagnoseUnterschiedliche Tiefe | Verwandte Reife |
| Informationsquelle | Datenrelevanz | Fachwissen plus Intervention | Unterschiedliche Wissensabhängigkeit | Verwandte Reife |
| Funktionsumfang | Alarmmeldung | Gezielte Behandlung | Unterschiedlicher Entscheidungswert | Frühe Kausalität |
| Umsetzungsrisiko | Fehlalarme und verpasste Alarme | Fehlurteil der Kausalität | Unterschiedlicher Risikotyp | Frühe Kausalität |
Schnellreferenz der Normenklauseln zur Kausal- und Inferenzprüfung
| Norm | Klauselkernpunkte | Bezug zur KausalitätInferenzVerhältnis |
|---|---|---|
| ISO 24621 | KranKI-FehlerdiagnoseRahmenwerk | DiagnoseNachweisdokumentation |
| GB/T 28264 — Sicherheitsüberwachungs- und Managementsystem | SicherheitsüberwachungNachweisdokumentationAnforderungen | Kausaldatenrückverfolgbar |
| Vorschrift TSG 51 — Sicherheitstechnische Sondervorschrift für Sonderausrüstung-2023 | SicherheitsverriegelungÜberwachungAnforderungen | Kausalität als ErgänzungSicherheitsentscheidung |
Häufige Fragen zur kausalen Inferenz
F: Worin besteht der grundlegende Unterschied zwischen Korrelation und Kausalität?
A: Korrelation bedeutet „gemeinsames Auftreten", Kausalität bedeutet „wer verursacht was". Wenn zwei Phänomene häufig gleichzeitig auftreten, spricht man von Korrelation – die Ursache kann ein Zufall, eine gemeinsame Drittvariable oder eine gegenseitige Beeinflussung sein. Kausalität hingegen legt die Wirkrichtung eines Phänomens auf ein anderes fest. KI kann aus Daten ausschließlich Korrelationen ableiten; die kausale Richtung muss über Fachwissen und Interventionsstudien bestimmt werden. Genau darin liegt der wesentlichste Unterschied.
F: Lohnt sich die Investition in kausale Inferenz bereits heute?
A: Das hängt von der Herangehensweise ab. Die industrielle kausale Inferenz steckt noch in den Anfängen und ist nicht reif für eine großflächige Einführung als ausgereifte Technologie. Sinnvoll ist jedoch der Einstieg über die Erstellung von Kausalmodellen (Causal Graphs). Mit Fachwissen lassen sich die Beziehungen zwischen Störungen, Ursachen und Gegenmaßnahmen in einem Kausalmodell abbilden. Dieser Aufwand ist überschaubar, der Nutzen klar: Die Diagnose entwickelt sich von der reinen Alarmmeldung zur Erklärung. Der pragmatische Weg ist, zunächst das Modell aufzubauen und den Ingenieur bei der Beurteilung zu unterstützen – die automatisierte Entscheidungsfindung kann folgen, sobald die Technologie ausgereift ist.
F: Woran erkenne ich, ob mein Anwendungsfall kausale Inferenz erfordert?
A: Entscheidend ist, ob Ihre Diagnose das „Warum" beantworten muss. Wenn nur relevant ist, dass eine Störung vorliegt und wo sie auftritt, genügt die Korrelationsanalyse. Wenn Sie jedoch die Grundursache der Störung, die gezielte Behandlung und die Wirksamkeit verschiedener Maßnahmen verstehen müssen, ist kausale Inferenz erforderlich. Das Beurteilungskriterium lautet: Fehlt es in Ihrem Szenario an „Erkennungsfähigkeit" oder an „Erklärungsfähigkeit"? Nur wenn eine Ursachenlokalisierung und gezielte Behandlung benötigt wird, ist der Einsatz kausaler Inferenz gerechtfertigt.
F: Warum lernt KI Korrelationen und keine Kausalitäten?
A: Weil Trainingsdaten lediglich das gleichzeitige Auftreten von Phänomenen erfassen, nicht aber die Reihenfolge oder die Wirkrichtung. Aus einer Vielzahl gleichzeitig auftretender Phänomene lernt die KI nur die statistischen Regelmäßigkeiten des gemeinsamen Auftretens – also Korrelationen. Die kausale Richtung ergibt sich nicht automatisch aus den Daten; sie erfordert Fachwissen, um zu bestimmen, was was beeinflusst, und Interventionsstudien zur Verifikation. Dies ist der grundlegende Grund, warum KI-Diagnosen oft das „Warum" nicht erklären können.
Kausale Inferenz ist der nächste Schritt, um Diagnosen von der reinen Alarmmeldung zur Erklärung zu führen. Eine ergänzende Perspektive bietet der Beitrag Anlagengesundheitsmanagement (PHM): Vorausschauende Wartung für Brückenkrane mit Big Data und ML in der Ingenieurpraxis.
KI kann zuverlässig beantworten, „was" ist – das „warum" bleibt eine offene Frage. Kelude nutzt Fachwissen, um Kausalmodelle aufzubauen und die Diagnose von der Alarmmeldung zur Erklärung weiterzuentwickeln, hält jedoch konsequent an der Grenze fest: Unterstützung der Ingenieursbeurteilung, keine automatisierten Entscheidungen.
