Wann ist eine Abweichung wirklich eine Abweichung?

Ein Antrieb benötigt heute 14 % mehr Leistung als gestern. Ist das ungewöhnlich? Vielleicht. Vielleicht wird heute anderes Material verarbeitet. Vielleicht befindet sich die Maschine in einer anderen Prozessphase. Vielleicht ist die Geschwindigkeit höher. Vielleicht wurde ein Werkzeug gewechselt. Ein einzelner Zahlenvergleich kann diese Unterschiede nicht erklären.

In industriellen lernenden Systemen reicht die Frage „Hat sich ein Wert verändert?“ deshalb nicht aus. Die entscheidende Frage lautet: Mit welchem Verhalten vergleichen wir ihn? Eine Abweichung erhält erst durch ihren Kontext Bedeutung.

Wann wird aus einer Veränderung tatsächlich eine relevante Abweichung? Das ist keine Randfrage der Anomalieerkennung. Es gehört zum Kern dessen, was Maschinenverhalten in der Produktion verständlich machen soll.

Das Problem globaler Baselines.

Viele Systeme vergleichen Messwerte mit einem globalen Mittelwert, einem statischen Soll oder einem einzigen gelernten „Normal“. Bei komplexen Maschinen ist das oft zu grob. Eine Anlage besitzt mehrere legitime Betriebszustände: Leerlauf, Setup, Produktion, Beschleunigung, Bearbeitung, Werkzeugwechsel, Jobwechsel — und oft mehrere davon innerhalb eines Tages.

Ein Stromwert von 40 A kann im Leerlauf auffällig sein, während einer Beschleunigung normal und in einem anderen Prozess sogar ungewöhnlich niedrig wirken. Der Wert allein besitzt keine ausreichende Bedeutung. Wer nur den Messpunkt sieht, übersieht den Zustand, in dem er entstanden ist.

Global gelernte Normalität verschmiert diese Unterschiede. Ein Mittelwert über alle Zustände ist fachlich oft keine Normalität, sondern ein statistischer Kompromiss — brauchbar für Dashboards, riskant für Bewertungen im laufenden Betrieb.

Kontextidentität statt reiner Wertähnlichkeit.

Ein sinnvoller Vergleich sollte zwischen Situationen stattfinden, die fachlich miteinander vergleichbar sind. Nicht: aktueller Messwert gegen alle historischen Messwerte. Sondern: aktuelles Verhalten gegen historisches Verhalten unter vergleichbaren Bedingungen.

Mögliche Kontextdimensionen sind etwa Betriebszustand, Prozessphase, Auftrag, Material, Werkzeug, Geschwindigkeit, Maschinenkonfiguration, relevante vorhergehende Ereignisse, gleichzeitig auftretende Signale oder wiederkehrende Verhaltensabläufe. Das sind Beispiele für den fachlichen Lösungsraum — keine Behauptung, dass ein konkretes System alle Dimensionen bereits produktiv nutzt.

Zwei Messwerte können numerisch ähnlich sein und dennoch unterschiedliche Bedeutung haben, weil der Betriebskontext nicht vergleichbar ist. Umgekehrt können unterschiedliche Zahlen völlig normal sein, wenn der Kontext passt. Kontextidentität ist deshalb keine Zusatzinformation, sondern Voraussetzung für einen fairen Vergleich.

Verhalten statt einzelner Messpunkte.

Ein einzelner Messpunkt ist oft weniger aussagekräftig als ein Verlauf oder eine Folge von Zuständen. Nicht nur „Temperatur = 68 °C“, sondern: Temperatur steigt, Leistungsaufnahme steigt gleichzeitig, Geschwindigkeit bleibt konstant, anschließend stabilisieren sich beide Größen. Eine solche Sequenz kann charakteristischer sein als ein isolierter Wert.

Zeitliches Verhalten, Sequenzen, wiederkehrende Muster und Relationen zwischen Signalen beschreiben Maschinen oft präziser als punktuelle Schwellen. Für industrielle KI und Maschinenüberwachung bedeutet das: Abweichung ist häufig ein Musterproblem, nicht nur ein Grenzwertproblem.

Erwartungsbereiche statt eines perfekten Sollwertes.

Reale Maschinen reproduzieren selten exakt dasselbe Verhalten. Die Annahme „Normal = exakt 63,4“ ist deshalb problematisch. Fachlich sinnvoller ist ein Erwartungsbereich oder eine erwartbare Verteilung.

Vereinfacht könnte ein System aus historischen Erfahrungen für einen vergleichbaren Prozess ableiten: x liegt in [μ − Δ, μ + Δ]. Dabei steht μ für ein erwartetes Verhalten und Δ für eine tolerierbare natürliche Variation. Das ist ein Denkmodell — keine Darstellung einer internen Copass-Implementierung.

In der Praxis sind Systeme multidimensional: mehrere Signale und Kontextinformationen wirken gleichzeitig. Ein einzelner Kanal kann innerhalb des Bereichs liegen, während das Zusammenspiel der Signale dennoch ungewöhnlich ist — oder umgekehrt.

Eine Abweichung braucht eine Referenz.

Eine Abweichung existiert nicht absolut. Sie existiert immer relativ zu einer Erwartung oder Referenz. Formal vereinfacht: D = d(O, E) — mit O als aktuell beobachtetem Verhalten, E als erwartetem Verhalten im passenden Kontext, d als Maß für den Unterschied und D als resultierender Abweichung.

Der schwierige Teil ist nicht unbedingt die Berechnung von D. Der schwierige Teil ist: Welche Erwartung E ist überhaupt die richtige? Genau dort entscheidet sich, ob ein System lediglich Zahlen vergleicht oder versucht, Maschinenverhalten zu verstehen.

Warum derselbe Unterschied unterschiedliche Bedeutung haben kann.

Stellen Sie sich zwei Prozesse vor. In Prozess A liegt die erwartete Leistungsaufnahme historisch bei etwa 18–22 kW. In Prozess B bei etwa 28–34 kW. Aktuell messen Sie 29 kW. Gegen ein globales Mittelwertmodell kann das auffällig wirken. Im Kontext von Prozess B ist es vollkommen normal.

Umgekehrt: 25 kW während Prozess A. Global betrachtet möglicherweise unauffällig — im Kontext von Prozess A deutlich ungewöhnlicher. Ein globaler Vergleich kann falsche Warnungen erzeugen und echte Veränderungen verdecken. Das ist einer der häufigsten Gründe, warum Anomalieerkennung im Shopfloor an Vertrauen verliert, obwohl technisch „etwas erkannt“ wurde.

Zu wenig Daten: Die Maschine muss auch „Ich weiß es nicht“ sagen können.

Ein lernendes System darf nicht zwanghaft eine Bewertung erzeugen. Läuft ein neuer Auftrag, kommt unbekanntes Material zum Einsatz, tritt ein seltener Maschinenzustand auf oder wurden bisher nur wenige vergleichbare Situationen beobachtet, fehlt möglicherweise eine belastbare Referenz.

Dann sollte das System Unsicherheit ausdrücken können — nicht pauschal „normal“ oder „abnormal“, sondern fachlich: Für diesen Kontext liegt noch nicht genügend vergleichbare Erfahrung vor. Unsicherheit ist hier kein Defekt, sondern ein Zeichen eines robusten Systems.

Das hängt eng mit dem zusammen, was wir in einem anderen Research-Artikel als Maschinengedächtnis und Vertrauen in vergangene Erfahrung beschreiben: Nicht jede gespeicherte Beobachtung ist automatisch eine gültige Referenz für heute.

Abweichung ist noch kein Fehler.

Abweichung ist nicht gleich Fehler. Abweichung ist nicht gleich Ausfall. Abweichung ist nicht gleich Ursache. Eine erkannte Abweichung sagt zunächst nur: Dieses Verhalten unterscheidet sich relevant von dem, was unter vergleichbaren Bedingungen erwartet wurde.

Das kann viele Gründe haben: Prozessänderung, anderes Material, Werkzeugzustand, Bedienereingriff, Wartung, Umgebungsbedingungen, beginnender Verschleiß, Messfehler oder ein unbekannter neuer Betriebszustand. Ein System sollte daraus nicht automatisch eine Diagnose erfinden. Menschen informieren, nicht ersetzen — das bleibt auch hier die Leitlinie.

Wie könnte ein kontextabhängiger Abweichungsvergleich funktionieren?

Der folgende Abschnitt beschreibt allgemeine technische Prinzipien — nicht die konkrete Architektur von Copass.

Kontextselektion: Zuerst muss geklärt werden, welche historischen Situationen mit der aktuellen Situation überhaupt vergleichbar sind.

Referenzbildung: Aus geeigneten historischen Beobachtungen wird ein erwartbares Verhalten abgeleitet — nicht aus dem gesamten Archiv, sondern aus dem passenden Teil.

Vergleich: Die aktuelle Beobachtung wird gegen diese Erwartung gehalten.

Unsicherheit: Es zählt, wie viel und wie belastbare historische Evidenz vorliegt.

Wiederholung: Eine einzelne Abweichung wird anders gewichtet als ein Muster, das über mehrere vergleichbare Situationen erneut auftritt.

Provenance: Nachvollziehbar bleiben soll, auf welchen Beobachtungen und Vergleichen eine Einordnung beruht — für Menschen im Betrieb, nicht für eine Black Box.

Ein vereinfachtes Denkmodell.

Konzeptionell lässt sich Relevanz einer Abweichung abstrahieren als R(O, c) = g(d(O, E_c), Q_c, N_c). O ist die aktuelle Beobachtung, c der aktuelle Kontext, E_c die Erwartung für diesen Kontext, d der Unterschied zwischen Beobachtung und Erwartung, Q_c die Qualität der Vergleichsevidenz, N_c der Umfang relevanter historischer Erfahrung und R die resultierende Relevanz der Abweichung.

Das ist ein Modell zur Beschreibung des Forschungsproblems — keine Offenlegung eines Copass-Algorithmus. Es macht sichtbar, warum industrielle Systeme mehr brauchen als einen einzelnen Schwellenwert.

Was das für Copass bedeutet.

Copass soll Maschinenverhalten nicht gegen einen einzigen globalen Normalzustand stellen. Unser Forschungsinteresse liegt darin, Erwartungen aus tatsächlich vergleichbaren Betriebssituationen abzuleiten und Abweichungen innerhalb dieses Kontexts zu betrachten.

Drei Punkte sind uns dabei besonders wichtig: Erstens braucht eine Abweichung eine belastbare Referenz. Zweitens muss fehlende Erfahrung als Unsicherheit erhalten bleiben dürfen. Drittens darf eine Abweichung nicht automatisch als Fehler interpretiert werden.

Nicht alles, was wir hier beschreiben, ist heute bereits vollständig produktiv umgesetzt. Es beschreibt den fachlichen Lösungsraum und die Richtung, in der wir Copass weiterentwickeln und untersuchen — ohne Copass als fertiges Predictive-Maintenance-System zu verkaufen.

Der schwierigste Teil einer intelligenten Maschinenüberwachung ist nicht festzustellen, dass sich etwas verändert hat. Maschinen verändern sich ständig. Die entscheidende Frage lautet: Hat sich etwas verändert, das unter genau diesen Bedingungen eigentlich nicht anders sein sollte?

Erst wenn ein System diese Frage beantworten kann, wird aus einer Differenz eine relevante Abweichung. Nicht jede Veränderung ist eine Abweichung. Erst der richtige Vergleich macht sie dazu.

Verwandte Forschung: Wann darf eine Maschine ihrer eigenen Erinnerung vertrauen? — wenn Erinnerung kontextabhängig ist, gilt das auch für Erwartungen.