ML vs. regelbasierte Anomalieerkennung: Zwei Ansätze für dasselbe Problem, unterschiedliche Abwägungen

Kernaussagen

• Regelbasierte Anomalieerkennung = Schwellenwerte und Musterregeln, die von Ingenieuren festgelegt werden.
• ML-Anomalieerkennung = Modelle, die normale Muster aus Daten lernen und Abweichungen markieren.
• Regeln erfassen bekannte Fehlermodi; ML erkennt das, was nicht spezifiziert wurde.
• Regeln sind auditierbar und leicht erklärbar; ML kann bei komplexen multivariaten Signalen besser leisten.
• Die meisten Anlagen profitieren von beidem: Regeln für bekannte Muster, ML für den Rest.

Kurzfassung: Regelbasierte Anomalieerkennung verwendet Schwellenwerte und entwickelte Muster, um bekannte Fehlermodi zu markieren. ML-Anomalieerkennung lernt normale Muster aus Daten und markiert Abweichungen, die Ingenieure nicht spezifiziert haben. Regeln sind auditierbar und leicht zu erklären; ML übertrifft häufig bei komplexen multivariaten Signalen. Die meisten Anlagen profitieren von beiden, Regeln für das Bekannte, ML für das Unbekannte. Siehe auch Maschinenauslastung vs. Belastung.

Womit die regelbasierte Erkennung gut ist

• Auditierbar. Jeder Alarm ist auf eine bestimmte Regel zurückführbar.
• Erklärbar. Bediener verstehen, was ausgelöst hat.
• Geringer Datenbedarf. Funktioniert ab dem ersten Tag.
• Anpassbar. Ingenieure können Schwellenwerte justieren.

Womit die regelbasierte Erkennung nicht zurechtkommt

• Fehlermodi, die niemand vorausgesehen hat.
• Multivariate Muster, die viele Sensoren betreffen.
• Feine Drifts innerhalb einzelner Schwellenwerte.
• Korrelationen und gleichzeitige Änderungen über mehrere Signale.

Womit ML gut ist

• Erfasst unvorhergesehene Muster.
• Multivariate Analyse.
• Passt sich an verschiedene Betriebszustände an.
• Verbessert sich mit mehr Daten.

Womit ML Schwierigkeiten hat

• Erklärbarkeit. "Warum hat es Alarm gegeben?" ist schwerer zu beantworten.
• Datenanforderungen. Benötigt Monate bis Jahre an Historie.
• Drift. Modellnachtraining ist erforderlich.
• Fehlalarmrate. Abstimmung ist kritisch.

Wann Regeln gewinnen

• Gut verstandene Fehlermodi.
• Regulierte Umgebungen, die Auditierbarkeit erfordern.
• Neue Einsätze ohne Datenhistorie.
• Schwellenbasierte Standards (z. B. ISO 10816 Vibration).

Wann ML gewinnt

• Komplexe multivariate Prozesse.
• Anlagen mit umfangreicher Historie.
• Fehlermodi, die Ingenieure nicht vollständig spezifizieren können.
• Betriebe, in denen verpasste Erkennungen sehr teuer sind.

Das hybride Muster

Die meisten etablierten Anlagen nutzen beide Ansätze:

• Regeln decken bekannte Fehlermodi mit hoher Sicherheit ab.
• ML fängt das Unbekannte ein.
• Abweichungen zwischen beiden lösen Untersuchungen aus.
• ML-Alarme, die durch regelbasierte Untersuchungen bestätigt werden, werden oft zu neuen Regeln.

Die Kombination übertrifft jeden Ansatz für sich.

Häufige Fehler

1. ML ohne Historie. Modelle, die mit unzureichenden Daten trainiert werden, versagen.

2. Regeln ohne Abdeckung. Ingenieure spezifizieren nicht alle Fehlermodi.

3. Regeln durch ML ersetzen. Verliert Auditierbarkeit.

4. Keine Abstimmung. Eine hohe Fehlalarmrate macht beide Ansätze unbrauchbar, wenn sie nicht gemanagt wird.

Das Auditierbarkeitsproblem

ML in regulierten Umgebungen erfordert Erklärbarkeit. Ansätze:

• Interpretierbare Modelle verwenden (Entscheidungsbäume, verallgemeinerte lineare Modelle).
• Deep Learning mit Attention oder Visualisierung der Merkmalwichtigkeit einsetzen.
• ML zur Markierung von Kandidaten nutzen, regelbasierte Verifizierung vor Maßnahmen durchführen.
• Trainingsdaten und Modellvalidierung dokumentieren.

Die regulatorische Akzeptanz von ML steigt, ist aber nicht universell.

Das Drift-Problem

Prozessänderungen, Alterung der Ausrüstung, Weiterentwicklung von Rezepturen. Auf altem Normal trainierte Modelle verhalten sich gegenüber dem neuen Normal anders.

Minderungsmaßnahmen:

• Periodisches Nachtrainieren.
• Drift-Erkennung.
• Gleitendes Fenster oder Online-Lernen.

Häufige Fehler

1. ML-Alarme, die niemand untersucht. Wie bei jedem Erkennungssystem müssen Alarme bearbeitet werden.

2. Keine Basislinie dafür, was Modellgenauigkeit bedeutet. Ohne Vergleich bleibt die Modellleistung undurchsichtig.

3. ML als Plug-and-Play behandeln. Modelle benötigen Data Engineering, Validierung und Monitoring.

Integration mit CMMS

Sowohl regelbasierte als auch ML-Alarme sollten automatisch CMMS-Arbeitsaufträge (WOs) erzeugen. Konfidenzstufen können die Priorität steuern (hohe Konfidenz -> sofortiger Arbeitsauftrag; niedrigere Konfidenz -> Untersuchungswarteschlange).

Wie OEE damit zusammenhängt

Beide Ansätze speisen die Zustandsüberwachung, die sich auf die OEE auswirkt. Erfasste Probleme werden zu geplanten Wartungsarbeiten; übersehene Probleme führen zu ungeplanten Ausfällen.

Anlagen, die die OEE-Verfügbarkeit vor und nach einem ausgereiften Anomalieerkennungsprogramm vergleichen, sehen üblicherweise eine Steigerung der Verfügbarkeit.

Wie eine moderne OEE-Plattform beides unterstützt

Eine moderne OEE-Plattform unterstützt regelbasierte Schwellenwerte für bekannte Muster und ML-basierte Anomalieerkennung für unvorhergesehene Muster, wobei beide in CMMS-Workflows einfließen.

Fabricos OEE-Modul unterstützt sowohl regelbasierte als auch ML-basierte Anomalieerkennung, wobei beide in CMMS-Workflows zur Untersuchung und Handlung einfließen.

Erfahren Sie, wie Fabrico dies automatisch erfasst, OEE für die Fertigung erkunden oder eine Demo buchen.

Weiterführende Lektüre

• Maschinenauslastung vs. Belastung
• Maschinenbauer vs. Systemintegratoren

Häufig gestellte Fragen

Sollte ich immer ML einsetzen?

Nein. Regeln funktionieren gut für bekannte Muster; ML schafft Mehrwert für Unvorhergesehenes.

Wie viele Daten braucht ML?

Sehr variabel. Übliche Faustregel: genug, um die normale Betriebsvariation (saisonal, Produktmix etc.) abzudecken.

Ist die regelbasierte Methode zu einfach?

Nein. Regeln bewältigen die meisten bekannten Fehlermodi gut. ML ist für den Rest.

Wie vermeide ich Fehlalarme?

Konfidenzschwellen abstimmen; mehrere Signale verlangen; aus der Rückmeldung der Bediener lernen.

Kann ML spezifische Fehlermodi vorhersagen?

Wenn mit gelabelten Fehlerdaten trainiert, ja. Ohne Labels erkennt es nur Anomalien, ohne den Typ anzugeben.