KI im Kran: Datenqualität als Basis für KI-Einführung
📋 Kernzusammenfassung
Die Grenze der Kran-KI liegt oft nicht im Algorithmus, sondern in den Daten, mit denen sie gefüttert wird. Sensoren erzeugen durch Vibration Rauschen, Sampling-Verluste führen zu Lücken, Spitzenwerte bilden Ausreißer, und fehlerhafte manuelle Annotationen verunreinigen das Supervisionssignal – vier Arten von unsauberen Daten, die das Modell direkt in die Irre führen. Dieser Artikel folgt dem Ansatz der Fehlersuche und erklärt, wie man die vier Arten von unsauberen Daten erkennt, wie sie das Modell Schritt für Schritt zerstören, warum Daten von Natur aus unsauber sind und wie ein vierstufiger Reinigungszyklus in der Praxis umgesetzt wird. Ohne saubere Daten kann kein noch so starkes Modell in der Praxis funktionieren.
Viele Teams optimieren monatelang die Modellparameter, doch die Genauigkeit will nicht steigen – bis sich herausstellt, dass das Problem nicht im Modell, sondern in den Daten liegt. Füttert man der KI ein verrauschtes Vibrationssignal, lernt sie nicht den tatsächlichen Zustand der Anlage, sondern die Schwankungsmuster des Sensors.
Ein Vibrationsüberwachungsmodell in einem Stahlwerk meldete nach der Inbetriebnahme ständig Fehlalarme. Die Ingenieure optimierten die Parameter vergeblich. Erst die Analyse der Trainingsdaten brachte die Ursache ans Licht: In der Hälfte der Stichproben mischte sich eine Netzfrequenz-Störung durch eine mangelhafte Sensorerdung – das Modell war längst von diesen unsauberen Daten in die Irre geführt worden. Diese Art von Stolperfalle kennt fast jedes Team, das KI im Kranbereich einsetzt.
Datenbereinigung ist keine optionale Vorverarbeitung, sondern die erste Hürde, die bei der KI-Einführung zwingend überwunden werden muss. Im Folgenden wird das Thema systematisch nach dem Ansatz der Fehlersuche aufgeschlüsselt.
Die vier häufigsten Verunreinigungen in KI-Trainingsdaten für Krane: Rauschen, Lücken, Ausreißer und Annotationsfehler
Behandelt man unsaubere Daten wie einen Fehlerfall, muss man zuerst das Erscheinungsbild der Störquelle kennen. Die Trainingsdaten für Kran-KI stammen hauptsächlich von Vibrations-, Strom-, Temperatur- und Lastsensoren sowie aus manuell erfassten Wartungsaufzeichnungen und annotierten Stichproben.
Rauschen ist die häufigste Art und äußert sich als unregelmäßige Schwankung, die dem Signal überlagert ist. Ursachen sind mangelhafte Sensorerdung, elektromagnetische Störungen durch den Frequenzumrichter und schlechter Kontakt in der Erfassungskette. Rauschen bringt das Modell nicht zum Absturz, führt es aber in die Irre, weil es Störungen als Muster interpretiert.
Lücken sind die zweite Art. Sampling-Verluste, Kommunikationsabbrüche und nicht erfasste Stillstandszeiten erzeugen Brüche in den Zeitreihensignalen. Fehlen in einer durchgehenden Vibrationskurve einige Sekunden, sieht das Modell einen unvollständigen Betriebszustand.
Ausreißer sind die dritte Art. Einzelne Spitzenwerte, Messbereichsüberschreitungen und Umrechnungsfehler bei Einheiten erzeugen Werte, die weit außerhalb des Normalbereichs liegen. Ein einziger Ausreißer kann den Normalisierungsbereich verzerren und die Normaldaten zu einer kompakten Masse zusammendrücken.
Annotationsfehler sind die vierte und zugleich heimtückischste Art. Wird bei der manuellen Annotation ein Normalzustand als Fehler markiert oder der Fehlertyp falsch zugeordnet, ist das Supervisionssignal falsch – je intensiver das Modell lernt, desto gravierender die Abweichung. Kelude Schwerindustrie behandelt diese vier Arten von unsauberen Daten in der Datenqualitätspraxis als Fehlerquellen auf der Datenseite.
Wie unsaubere Daten das Modell Schritt für Schritt zerstören: die Übertragungskette von Merkmalsverzerrung über Überanpassung bis zum Fehlalarm
Die Schädigung des Modells durch unsaubere Daten erfolgt nicht auf einen Schlag, sondern verstärkt sich entlang einer Übertragungskette.
Der erste Schritt ist die Merkmalsverzerrung. Rauschen und Ausreißer führen dazu, dass die aus dem Signal extrahierten Merkmale vom tatsächlichen Betriebszustand abweichen – etwa wenn eine Netzfrequenz-Störung als Hochfrequenz-Vibrationsmerkmal interpretiert wird. Sind die Merkmale falsch, ist alles Weitere falsch.
Der zweite Schritt ist die Überanpassung. Annotationsfehler und unausgewogene Stichproben führen dazu, dass das Modell fehlerhafte Muster im Trainingssatz auswendig lernt und die Generalisierungsfähigkeit unter realen Betriebsbedingungen drastisch abnimmt. Die Trainingsgenauigkeit sieht hoch aus, doch vor Ort versagt das Modell.
Der dritte Schritt sind Fehlalarme und verpasste Alarme. Die Datenabweichungen summieren sich bis zum Modellausgang: Alarme werden nicht ausgelöst, wenn sie nötig wären, und ausgelöst, wenn sie unnötig sind. Verlieren die Betriebsteams durch Fehlalarme das Vertrauen, werden auch wirklich gefährliche Alarme ignoriert. Genau deshalb betont ISO 24621 „KI-Fehlerdiagnose für Krane" die Bedeutung der Diagnosedatenqualität.
Warum Daten von Natur aus unsauber sind: drei Grundursachen – Sensordrift, manuelle Erfassung und Betriebszustands-Überlagerung
Unsaubere Daten entstehen nicht durch Absicht, sondern sind durch mehrere inhärente Bedingungen vor Ort in der Anlage bedingt.
Die erste Grundursache ist die Sensordrift. Die Empfindlichkeit von Schwingungssensoren driftet im Langzeitbetrieb, Temperatursensoren werden durch Umgebungswärmequellen beeinflusst – Messbereich und Nullpunkt verändern sich. Eine Drift auf Hardware-Ebene lässt sich durch Algorithmen allein nicht kompensieren.
Die zweite Grundursache ist die manuelle Erfassung. Wartungsaufzeichnungen werden von Menschen ausgefüllt – Felder wie Stillstandszeit, Fehlertyp und ausgetauschtes Bauteil sind häufig unvollständig, fehlerhaft oder uneinheitlich. Manuell erfasste Daten tragen von Natur aus Unsicherheit in sich.
Die dritte Grundursache ist die Betriebszustands-Überlagerung. Derselbe Kran arbeitet tagsüber unter Volllast und nachts unter leichter Last, im Sommer bei hohen und im Winter bei niedrigen Temperaturen. Signale aus unterschiedlichen Betriebszuständen vermischen sich in einem Datensatz, sodass das Modell Laständerungen nur schwer von Fehlersymptomen unterscheiden kann. GB/T 28264 – Sicherheitsüberwachungs- und Managementsystem für Hebezeuge stellt Anforderungen an die lückenlose Dokumentation und Rückverfolgbarkeit von Überwachungsdaten – genau um die Datenqualität abzusichern.
Die Sensorquelle und die Datenerfassungskette kontrolliert zu halten, ist der richtige Ansatz für eine nachhaltige Lösung. ISO 24445 „Technische Bedingungen für intelligente Sensoren in Kranen" definiert die technischen Bedingungen für intelligente Sensoren und bildet die Grundlage für die Qualität der Datenquelle.
Datenbereinigung in der Praxis: der vierstufige Regelkreis aus Entrauschen, Lückenfüllen, Ausreißer-Eliminierung und Annotations-Kalibrierung
Datenbereinigung ist keine einmalige Aktion, sondern ein Regelkreis, der in die Datenpipeline integriert werden muss – in vier Schritten.
Schritt eins: Entrauschen. Durch Filterung und Schwellwerte werden Sensorvibrationen und Netzfrequenz-Störungen entfernt, während die Signale des tatsächlichen Betriebszustands erhalten bleiben.
Schritt zwei: Lückenfüllen. Kurze Sampling-Verluste werden durch Interpolation ergänzt, längere Lücken führen zum Verwerfen der Stichprobe – keine künstliche Auffüllung.
Schritt drei: Ausreißer-Eliminierung. Anhand physikalischer Grenzen und statistischer Verteilungen werden Spitzenwerte identifiziert und in Verbindung mit dem Betriebszustand beurteilt, ob es sich um einen Fehler oder eine fehlerhafte Erfassung handelt.
Schritt vier: Annotations-Kalibrierung. Durch Kreuzvalidierung und Regelprüfungen werden Fehlannotationen korrigiert, damit das Supervisionssignal wieder auf den richtigen Pfad kommt.
Dieser Regelkreis muss kontinuierlich laufen, denn Daten entstehen kontinuierlich und werden kontinuierlich unsauber. Kelude Schwerindustrie integriert die Bereinigung in die Datenpipeline, statt sie als einmalige Aufgabe vor der Inbetriebnahme zu behandeln. Die konkreten Maßnahmen und Prioritäten der Bereinigung sind in der folgenden Tabelle gegenübergestellt.
Diagnoseübersicht der vier Arten unsauberer Daten
| Arten verunreinigter Daten | Typische Quellen | Schädigung des Modells | ErkennungMethoden | Reinigungsmaßnahmen |
|---|---|---|---|---|
| Geräusch | SensorErdungUngünstig、FrequenzumrichterStörung | Merkmalsverzerrung、Verzerrte Regelmäßigkeiten | SpektrumanalyseBetrachtung abnormaler Frequenzbänder | Filterung、SchwellwertAbschneiden |
| Fehlend | Abtastungs-Paketverlust、Kommunikationsunterbrechung | Zeitreihenbruch、BetriebszustandUnvollständig | Kontinuität der ZeitstempelInspektion | Kurze Interpolation、Lange Eliminierung |
| Ausreißer | Spitzenwert、MessbereichÜberlauf、EinheitFehler | Normalisierungsverzerrung、Verzerrung normaler Werte | Physikalischer Bereich und statistische Verteilung | Quantil-Abschneidung、BetriebszustandÜberprüfung |
| AnnotationFehler | Manuelle Fehlkennzeichnung、Inkonsistente Messgrößen | Kontamination des Supervisionssignals、Überanpassung | KreuzungVerifizierung、Regelüberprüfung | ErneutAnnotation、Konfidenzgewichtung |
| BetriebszustandAliasing | Last、Temperatur und Feuchtigkeit、GeschwindigkeitÄnderung | Störung undBetriebszustandSchwer unterscheidbar | Segmentweise BetrachtungBetriebszustandPhysikalischer Bereich und statistische Verteilung | TeilBetriebszustandModellierung、Normalisierung |
Schnellreferenz der Normenklauseln zur Datenqualität
| Norm | Kernpunkte der Klausel | Beziehung zur Datenbereinigung |
|---|---|---|
| GB/T 28264 — Sicherheitsüberwachungs- und Managementsystem《HebezeugeSicherheitsüberwachungs- und Managementsystem》 | SicherheitsüberwachungDatenprotokollierungrückverfolgbar | Absicherung der Datenqualität |
| ISO 24621《KranKI-Fehlerdiagnose》 | KI-FehlerdiagnoseDatenqualitätsrahmen | DiagnoseDatenqualitäts-Benchmark |
| ISO 24445《Kranintelligenter Sensortechnische Bedingungen》 | intelligenter Sensortechnische Bedingungen | SensordatenTypische QuellenSpezifikation |
| Norm DIN 15018《Krandimensionierungsnorm》 | LastkombinationStörung undTriebwerksgruppe | BetriebszustandEinteilungsgrundlage |
📖 Weiterführende Literatur: Aufbau einer Trainings- und Testplattform für KI-Visionalgorithmen für Krane: Über 500.000 annotierte Industriefehler-Datensätze gesammelt | Anlagenzustandsmanagement (PHM): Ingenieurpraxis für vorausschauende Wartung von Brückenkranen mit Big Data und ML
Häufige Fragen zur Datenaufbereitung für Kran-KI
F: Datenaufbereitung für Krane – ist manuelle oder regelbasierte automatische Bereinigung zuverlässiger?
A: Beide Ansätze ergänzen sich und sind keine Entweder-oder-Entscheidung. Die regelbasierte automatische Bereinigung eignet sich für quantifizierbare Schritte wie Rauschunterdrückung und Ausreißereliminierung – sie ist schnell und konsistent. Die manuelle Bereinigung ist ideal für die Kalibrierung von Annotationen, die betriebswirtschaftliches Urteilsvermögen erfordern und mehrdeutige Fälle erkennt, die Regeln nicht abdecken. Kelude Schwerindustrie setzt auf eine Kombination: Zuerst erfolgt eine grobe regelbasierte Bereinigung, danach eine manuelle Überprüfung der Annotationen. Die Methoden ergänzen sich, statt sich gegenseitig zu ersetzen.
F: Nach der Modellfreigabe treten häufige Fehlalarme auf. Wie lässt sich feststellen, ob das Problem an den Daten oder am Modell liegt?
A: Zuerst sollte die Qualität der Trainings- und Freigabedaten überprüft werden. Eine Analyse in vier Kategorien – Rauschen, fehlende Werte, Ausreißer und Annotierungsfehler – zeigt, ob verunreinigte Daten eingemischt sind. Nach der Bereinigung neu erfasster Daten kann ein Test durchgeführt werden: Sinken die Fehlalarme deutlich, liegt die Ursache in den Daten. Bleiben die Fehlalarme nach der Bereinigung bestehen, sollten Modellstruktur und Features untersucht werden. Die Reihenfolge ist also: erst die Daten, dann das Modell.
F: Welcher Zeit- und Personalaufwand ist für eine Datenaufbereitung einzuplanen?
A: Das hängt vom Datenvolumen und dem Grad der Verunreinigung ab – eine pauschale Zahl gibt es nicht, maßgeblich ist der tatsächliche Betriebszustand. Für kleine Pilotdatensätze kann eine schnelle regelbasierte Prüfung innerhalb weniger Tage erste Ergebnisse liefern. Bei großen Datenmengen mit vielen Annotierungsfehlern sollte die Bereinigung und Überprüfung in Wochen geplant werden. Die Erfahrung von Kelude Schwerindustrie zeigt: Der Aufbau einer Bereinigungspipeline ist der erste Schritt – danach folgt ein kontinuierlicher Prozess, keine einmalige Kostenstelle.
Daten sind das Fundament der Kran-KI. Ist dieses Fundament instabil, nützt auch der ausgefeilteste Algorithmus nichts. Kelude Schwerindustrie betrachtet die Datenaufbereitung als ersten Schritt der Umsetzung. Ein vierstufiger, geschlossener Kreislauf hält verunreinigte Daten vom Modell fern und stellt sicher, dass die KI den realen Zustand der Anlage lernt – nicht die Schwingungsmuster des Sensors.
