KI-Fehlerdiagnose für Krane: Selbstlernend aus Sensordaten

Ein im Betrieb befindlicher Kran erzeugt täglich über Sensoren für Vibration, Strom, Temperatur und Bilddaten eine Datenmenge, die um Größenordnungen über der Menge an gelabelten Stichproben liegt, die in einem Jahr zusammenkommen. Doch die annotierten Daten, die sich tatsächlich für das Training von KI-Modellen eignen, sind rar – eine Annotation wie „diese Sekunde der Vibration ist früher Lagerverschleiß" erfordert erfahrene Ingenieure, die Wellenformen Abschnitt für Abschnitt prüfen, und echte Fehlerfälle sind äußerst selten.

Die Frage liegt also nahe: Müssen diese ungelabelten Daten einfach ungenutzt auf der Festplatte liegen bleiben?

Nein – dieser Ansatz heißt selbstüberwachtes Lernen. Die Idee ist etwas kontraintuitiv: Statt dem Modell eine Musterlösung zu geben, lässt man es sich selbst Aufgaben stellen und selbst korrigieren, um zunächst die grundlegenden Gesetzmäßigkeiten in den Daten zu erfassen. Kelude hat diesen Ansatz im Rahmen seiner Untersuchungen zur KI-Implementierung im Kranbereich als wichtige Option zur „Reduzierung der Abhängigkeit von Annotationen" identifiziert, ist sich aber auch seiner Grenzen bewusst – es ergänzt die Repräsentationslernung auf der Eingabeseite, ersetzt jedoch keine Entscheidungen auf der Ausgabeseite.

Was lernt selbstüberwachtes Lernen? Abgrenzung zu überwachtem und unüberwachtem Lernen

Ein Vergleich der drei Lernparadigmen macht es deutlicher. Überwachtes Lernen stützt sich auf manuelle Labels; das Modell lernt eine Abbildung von „Eingabe zu Antwort". Unüberwachtes Lernen kommt ganz ohne Labels aus und kann nur Strukturentdeckung wie Clusteranalyse oder Dimensionsreduktion betreiben. Selbstüberwachtes Lernen liegt dazwischen – es benötigt keine manuellen Labels, erzeugt aber automatisch ein „Pseudo-Label" als Trainingsziel aus den Daten selbst; dieses Ziel nennt man Vortrainingsaufgabe.

Der entscheidende Punkt der Vortrainingsaufgabe ist, dass sie automatisch generiert wird. Wird beispielsweise ein Bildausschnitt zufällig verdeckt und das Modell soll ihn rekonstruieren, muss niemand dem Modell sagen, was sich dort befindet – die richtige Antwort steckt im Originalbild. Auf einen Kran übertragen: Ein Abschnitt von einigen zehn Millisekunden wird aus einem Vibrationssignal entfernt, und das Modell soll den fehlenden Teil vorhersagen – die Antwort steckt im Kontext des Signals selbst.

Die direkte Ausgabe des Modells ist keine Fehlerdiagnose, sondern eine „Repräsentation" – eine Abbildung des Rohsignals auf einen kompakteren Merkmalsvektor, der die zugrunde liegenden Gesetzmäßigkeiten besser erfasst. Genau diese Repräsentation ist der eigentliche Wert des selbstüberwachten Lernens: Sie ist nicht auf eine spezifische Aufgabe zugeschnitten, kann aber von mehreren nachgelagerten Aufgaben gemeinsam genutzt werden. Das ist der wesentlichste Unterschied zum überwachten Lernen – überwachtes Lernen lernt, „eine bestimmte Frage zu beantworten", selbstüberwachtes Lernen lernt, „die Daten selbst zu verstehen".

Ein häufiger Irrtum: Selbstüberwachtes Lernen wird oft der unüberwachten Kategorie zugeordnet, da beide ohne manuelle Labels auskommen. Der Unterschied liegt jedoch im Ziel: Unüberwachte Verfahren wie Clusteranalyse oder Dimensionsreduktion sind oft „aufgabenorientiert" – sie liefern ein Ergebnis wie eine Clusterbildung und sind damit abgeschlossen. Die Vortrainingsaufgabe beim selbstüberwachten Lernen ist dagegen „repräsentationsorientiert" – sie erzeugt eine allgemeine Repräsentation, an die sich nachgelagerte Aufgaben anschließen. Ob diese Repräsentation gut ist, zeigt sich letztlich in der Feinabstimmung mit wenigen annotierten Daten.

Welche selbstgenerierten Vortrainingsaufgaben lassen sich aus Krankonstruktionsdaten ableiten?

Selbstüberwachtes Lernen ist keine einzelne Methode, sondern ein Ansatz. Auf Vibrations-, Strom- und Bilddaten von Kränen angewendet, lassen sich die Vortrainingsaufgaben grob in drei Familien einteilen, die sich in der geeigneten Datenform und den erlernten Fähigkeiten unterscheiden.

Die erste Familie ist die Maskenmodellierung – das Prinzip „Abschnitt entfernen und rekonstruieren". Bei Zeitreihendaten wird ein Abschnitt aus einem Vibrationssignal entfernt, den das Modell vorhersagen soll; bei Bilddaten werden Aufnahmen von Lasten oder Drahtseilen in Kacheln zerlegt, wobei ein Teil zufällig maskiert und vom Modell rekonstruiert wird. Diese Familie eignet sich zum Erlernen lokaler Strukturen und Kontextabhängigkeiten im Signal und ist derzeit die am häufigsten diskutierte Klasse für industrielle Zeitreihendaten.

Die zweite Familie ist das kontrastive Lernen – das Prinzip „Ähnliches zusammenführen, Unähnliches trennen". Für dasselbe Gerät unter demselben Betriebszustand werden Fenster zu zwei verschiedenen Zeitpunkten oder Zugangssysteme von zwei verschiedenen Sensoren verwendet, um ähnliche Repräsentationen zu lernen; Daten aus unterschiedlichen Betriebszuständen werden dagegen voneinander abgegrenzt. Diese Familie eignet sich zum Erlernen von „was hat sich verändert, was nicht" und ist von Natur aus für die Anomalieerkennung geeignet.

Die dritte Familie ist die prädiktive Kodierung – das Prinzip „aus der Vergangenheit die Zukunft vorhersagen". Das Modell betrachtet Vibration und Strom der letzten Sekunden und sagt den Verlauf der folgenden Periode voraus. Dies folgt derselben grundlegenden Logik wie die „Vorhersage des nächsten Tokens" bei großen Sprachmodellen; die gelernte Repräsentation trägt inhärent Informationen über die dynamische Entwicklung und eignet sich für trendbasierte Aufgaben wie die Restlebensdauer.

Die drei Familien schließen sich nicht gegenseitig aus und können in der Praxis kombiniert werden. Die folgende Tabelle stellt die wesentlichen Unterschiede gegenüber, um die Auswahl anhand der Datenform zu erleichtern.

Wann lohnt sich Selbstüberwachung? Rechnen Sie zuerst Annotationskosten und Datenvolumen durch

Der Nutzen von Selbstüberwachung basiert auf zwei Voraussetzungen: ausreichend unannotierte Daten und hohe Kosten für manuelle Annotation. In Krananwendungen treffen diese Bedingungen häufig zu: Einerseits verlangt GB/T 28264 – Sicherheitsüberwachungs- und Managementsystem für Hebezeuge die kontinuierliche Erfassung und Aufzeichnung verschiedener Betriebsparameter, was bereits einen beträchtlichen Bestand an unannotierten Daten darstellt. Andererseits hat die KI-Vision-Plattform im Werk zur Verbesserung der Fehlererkennung bereits Hunderttausende annotierte Proben angesammelt – die Annotationskosten sind eine reale Investition.

Doch „die Voraussetzungen sind gegeben" bedeutet nicht, dass jedes Projekt Selbstüberwachung einführen sollte. Ob ein Projekt davon profitiert, lässt sich anhand von drei Rechnungen klären.

Die erste Rechnung betrifft die Daten. Verfügen Sie über eine kontinuierliche, qualitativ hochwertige Quelle unannotierter Daten – oder sind die Sensoren spärlich verteilt und die Zeitstempel nicht synchron? Bei ungeeigneter Datenquelle lernt auch die Selbstüberwachung nichts. Die Erfassungsqualität lässt sich anhand der Anforderungen von ISO 24445:2020 – Technische Bedingungen für intelligente Sensoren an Kränen zu Sensorinstallation und Datenqualität überprüfen.

Die zweite Rechnung betrifft die Annotation. Ist der bestehende Annotationsaufwand tatsächlich bereits ein Engpass? Wenn das Projekt ohnehin über einen ausgereiften Annotationsprozess verfügt, ist der direkte Weg über überwachtes Lernen oft effizienter.

Die dritte Rechnung betrifft den Nutzen. Deckt die durch Selbstüberwachung eingesparte Annotationskosten die zusätzlich erforderliche Rechenleistung für das Vortraining und die technische Komplexität ab?

Nach diesen drei Rechnungen führt die Schlussfolgerung in der Regel zu zwei Betriebszuständen. Der erste ist der Zustand „extremer Labelknappheit" – etwa bei seltenen Fehlern oder ungewöhnlichen Betriebszuständen, bei denen in einem Jahr kaum Proben zusammenkommen. Hier ist der Nutzen am größten, wenn das Modell zunächst auf einer großen Menge an Normaldaten Repräsentationen lernt und anschließend mit wenigen Anomalieproben feinabgestimmt wird. Der zweite ist der Zustand „Datenüberfluss" – wenn so viele Daten anfallen, dass eine manuelle Annotation nicht mehr bewältigbar ist. Die Selbstüberwachung verarbeitet dann zunächst den unannotierten Bestand und reserviert die Annotationsressourcen für die kritischsten Proben. Außerhalb dieser beiden Szenarien – bei begrenzter Datenmenge und ausreichenden Labels – ist die Einführung von Selbstüberwachung meist nicht lohnenswert.

Selbstüberwachtes Lernen nicht überhöhen: Vier Grenzen und typische Fehler in der Praxis

Selbstüberwachtes Lernen hat in der Computer Vision und der Verarbeitung natürlicher Sprache bereits Reife erlangt. In industriellen Anwendungen wie dem Kranbetrieb steckt die Technologie jedoch noch in den Kinderschuhen. Dies klar zu benennen, ist wichtiger als jede technische Spielerei.

Die erste Grenze ist die fehlende Erklärbarkeit. Selbstüberwachtes Lernen erzeugt Darstellungen als hochdimensionale Merkmalsvektoren. Ingenieure können kaum nachvollziehen, ob die 37. Dimension beispielsweise dem Lagerspiel oder dem Schmierungszustand entspricht. Diese mangelnde Erklärbarkeit bedeutet, dass die Technologie vorerst nur als unterstützende Entscheidungsgrundlage dienen kann – nicht jedoch sicherheitsrelevante Aktionen wie Bremsung oder Not-Halt direkt auslösen darf.

Die zweite Grenze: Annotation bleibt weiterhin erforderlich. Selbstüberwachtes Lernen reduziert zwar die Abhängigkeit von annotierten Daten, doch für die Feinabstimmung in der Praxis und die finale Abnahme sind weiterhin qualitativ hochwertige Labels in gewissem Umfang unerlässlich. Der Aufwand sinkt von „Zehntausende Bilder annotieren" auf „einige Tausend", wird aber nicht auf null reduziert. Kelude Schwerindustrie vertritt die Auffassung, dass selbstüberwachtes Lernen besser als vorgelagertes Vortraining innerhalb einer überwachten Pipeline eingesetzt wird – nicht als deren Ersatz.

Die dritte Grenze ist die schwierige Verifizierung. Ob eine Darstellung gut ist, lässt sich nicht direkt an einem Kennwert ablesen, sondern nur indirekt daran, ob nachgelagerte Aufgaben besser werden. Dies bedeutet längere Abnahmezyklen für Projekte mit selbstüberwachtem Lernen. Entwicklungsteams benötigen die Geduld, zunächst kleinmaßstäbliche Verifizierungen durchzuführen, bevor sie skalieren. Als Abnahmekriterium kann die Vorgehensweise aus ISO 4310 (Kranprüfvorschrift und -verfahren) zur Datenerfassung und Bewertung von Prüfdaten herangezogen werden, um die Modellausgaben in den bestehenden Prüfrahmen einzuordnen und zu vergleichen.

Die vierte Grenze betrifft die Anbindung an Normen. Was das Modell lernt, muss letztlich im Rahmen der Sicherheitsüberwachung und KI-Fehlerdiagnose von Kranen verifiziert werden – Datenquelle, Abtastqualität und Grenzen der Anomalieerkennung müssen mit bestehenden Spezifikationen abgeglichen werden, statt eigene Wege zu gehen. Die vom selbstüberwachten Lernen erzeugten Darstellungen und Anomaliewerte müssen sich letztlich den durch Normen wie ISO 24621:2022 (KI-Fehlerdiagnose für Krane) definierten Diagnose- und Frühwarnungsszenarien unterordnen.

Der Wert des selbstüberwachten Lernens liegt darin, dass riesige Mengen unannotierter Daten erstmals sinnvoll genutzt werden können, statt ungenutzt auf der Festplatte zu verharren. Die Grenzen sind ebenso klar: Eine Darstellung ist keine Entscheidung, ein Vortraining ist keine Abnahme, und eine frühe Verifizierung ist keine ausgereifte Lösung. Kelude Schwerindustrie integriert diesen Ansatz als vorgelagerte Stufe in die Daten- und Algorithmus-Pipeline, zusammen mit Schritten wie Datenbereinigung und halbüberwachtem Lernen. Ziel ist es, jede Annotation gezielt auf die kritischsten Stichproben zu verwenden. Wie weit dies die manuelle Annotation ersetzen kann, lässt sich nur mit einer klaren Antwort beantworten: Maßgeblich ist die praktische Erprobung unter realen Betriebsbedingungen.

📖 Weiterführende Literatur:KI-Vision-Trainingsplattform für Krane mit 500.000 annotierten Defektdaten | Überblick über KI-Vision und Erkennungssysteme für Brückenkrane | Anlagenzustandsmanagement (PHM) und vorausschauende Wartung für Brückenkrane

Häufige Fragen