KI-Anomalieerkennung: Fertigungsdaten richtig auswerten

Ihre Anlage meldet grün. Der Endwert liegt in der Toleranz, der Cpk ist stabil, die Schicht läuft. Sechs Wochen später kommt die Reklamation, und in der Nachauswertung zeigen genau diese Verschraubungen einen Kurvenverlauf, der von allen anderen abweicht. Nicht im Endwert. Im Weg dorthin.

Ein Grenzwert konnte das nicht sehen, weil er nur einen einzigen Punkt prüft. Genau an dieser Lücke setzt KI-Anomalieerkennung an, und die entscheidende Frage ist nicht, ob sie funktioniert, sondern wie sie Ihre Fertigungsdaten konkret auswertet.

Was ist KI-Anomalieerkennung und wie wertet sie Fertigungsdaten aus?

KI-Anomalieerkennung ist ein Verfahren, das aus historischen Fertigungsdaten ein Modell des normalen Prozessverhaltens lernt und jeden neuen Datensatz danach bewertet, wie weit er von diesem Normalmodell entfernt liegt. Das Ergebnis ist kein Gut oder Schlecht, sondern ein Abweichungswert, der Anomaliescore genannt wird. Erst eine gesetzte Schwelle macht daraus eine Meldung.

Der entscheidende Unterschied zur klassischen Prüfung liegt im Prüfgegenstand. Eine Grenzwertprüfung bewertet einen einzelnen Messwert gegen eine feste Vorgabe. Ein Anomaliemodell bewertet ein Muster: den Verlauf einer Kurve, das Verhältnis mehrerer Kennwerte zueinander, die Entwicklung über die letzten hundert Zyklen. Deshalb findet es Abweichungen, die innerhalb der Toleranz liegen.

Drei Begriffe trennen die Praxis von der Theorie und sollten von Anfang an sauber verwendet werden. Eine Anomalie ist eine statistische Abweichung vom gelernten Normalzustand. Ein Fehler ist eine Abweichung vom Kundenanforderungsprofil. Ein Ausfall ist der Funktionsverlust am Bauteil. Ein Anomaliemodell findet Anomalien. Ob daraus ein Fehler wird, entscheidet die Fachbewertung, nicht der Algorithmus. Diese Grenze offen zu benennen ist die Voraussetzung dafür, dass ein Qualitätsteam dem System vertraut.

Zur Größenordnung, in der solche Auswertungen stattfinden:

Diese Zahlen erklären, warum die Auswertung nicht manuell laufen kann. Bei 30.000 Verschraubungen pro Tag prüft eine Stichprobe von hundert Einheiten 0,3 Prozent des Volumens. Ein Anomaliemodell prüft 100 Prozent. Genau darin liegt der Hebel, und er ist ein Mengenhebel, kein Intelligenzhebel. Wie sich der Übergang von der Stichprobe zur vollständigen Auswertung konkret gestaltet, zeigt der Beitrag zur Prozessdatenanalyse in der Qualitätssicherung.

Welche Fertigungsdaten eignen sich für die Auswertung?

Nicht jeder Datenbestand ist für eine Anomalieerkennung geeignet. Entscheidend ist, ob die Daten den Prozess abbilden oder nur sein Ergebnis. Vier Datentypen kommen in der diskreten Fertigung regelmäßig vor, und jeder verlangt ein anderes Verfahren.

Der interessanteste Typ ist der zweite. Kurvendaten enthalten deutlich mehr Information als der Endwert, werden aber in vielen Betrieben nach kurzer Zeit verworfen, weil sie Speicher kosten. Damit wird genau der Datenbestand gelöscht, der eine Anomalieerkennung erst ermöglicht. Welche Muster in solchen Kurven stecken und welche Ursachen dahinterliegen, ist im Detail im Beitrag zu Verschraubungskurven, ihren Mustern und Ursachen beschrieben.

Ein praktischer Merksatz für die Vorauswahl: Wenn Sie den Prozess auf einem Diagramm zeichnen könnten und ein erfahrener Prozessingenieur daran erkennen würde, dass etwas ungewöhnlich ist, dann kann ein Modell es auch lernen. Wenn dieselbe Information gar nicht erfasst wird, hilft kein Algorithmus.

Wo hört Grenzwertüberwachung auf und wo beginnt KI-Anomalieerkennung?

Diese Frage entscheidet über die Investition. Wenn Grenzwerte und statistische Prozesslenkung ausreichen, braucht niemand ein Modell. Der Unterschied lässt sich als Leiter mit vier Stufen beschreiben, wobei jede Stufe etwas findet, was die darunter liegende nicht sieht.

Die ehrliche Einordnung lautet: Die Ebenen eins und zwei erledigen den Großteil der Arbeit und sind Pflicht, nicht Option. IATF 16949 Abschnitt 9.1.1.1 verlangt die Überwachung und Messung von Fertigungsprozessen, und die statistischen Kennzahlen dafür sind etabliert. Wer diese Basis nicht sauber hat, gewinnt durch ein Modell nichts, sondern bekommt nur eine zusätzliche Alarmquelle auf unsicherem Fundament. Die Grundlagen dazu sind im Beitrag zur Berechnung und Interpretation von Cpk und Ppk aufbereitet.

KI-Anomalieerkennung lohnt sich ab Ebene drei, und zwar genau dann, wenn zwei Bedingungen zusammenkommen: Der Prozess erzeugt Verlaufsdaten, und es gibt dokumentierte Fälle, in denen ein Bauteil trotz Gutbewertung Probleme gemacht hat. Der zweite Punkt ist wichtiger als der erste. Ohne solche Fälle fehlt der Nachweis, dass überhaupt eine Lücke besteht.

Welche Verfahren werten Fertigungsdaten konkret aus?

Hinter dem Begriff KI verbergen sich sehr unterschiedliche Verfahren mit sehr unterschiedlichen Voraussetzungen. Für die Auswahl zählt nicht, welches Verfahren moderner ist, sondern welches zum Datentyp und zur verfügbaren Historie passt.

Der letzte Punkt ist die häufigste Fehlannahme in Vorgesprächen. In einem gut laufenden Serienprozess gibt es kaum Schlechtteile, oft weniger als eines auf zehntausend. Für ein überwachtes Modell ist das zu wenig. Deshalb arbeitet Anomalieerkennung in der Fertigung überwiegend unüberwacht: Sie lernt ausschließlich, wie gut aussieht, und meldet alles, was anders aussieht. Diese Unterscheidung zwischen Anomalieerkennung und Fehlerklassifikation ist auch der Kern der Abgrenzung zwischen Predictive Maintenance und Predictive Quality.

Wie läuft die Auswertung Schritt für Schritt ab?

Die Auswertung ist eine Kette. Reißt ein Glied, ist das Ergebnis wertlos, unabhängig von der Qualität des Modells. Sieben Schritte beschreiben den Weg vom Sensor bis zur Rückmeldung an die Linie.

1. Erfassen. Die Anlage liefert die Prozessdaten über eine Maschinenschnittstelle, in der diskreten Fertigung üblicherweise über OPC UA oder eine herstellerspezifische Schnittstelle. Entscheidend ist, dass der vollständige Verlauf übertragen wird und nicht nur der verdichtete Endwert.
2. Zuordnen. Jeder Datensatz wird eindeutig an Seriennummer, Station, Fügestelle, Programm und Werkzeug gebunden. Ohne diese Zuordnung kann eine Meldung später nicht auf ein Bauteil zurückgeführt werden, und der Nachweis bricht.
3. Synchronisieren. Zeitstempel aus verschiedenen Steuerungen laufen erfahrungsgemäß auseinander. Vor jeder Auswertung über mehrere Stationen hinweg müssen die Uhren auf eine gemeinsame Zeitbasis gebracht werden, sonst erzeugt der Zeitversatz Scheinzusammenhänge.
4. Merkmale bilden. Aus dem Rohverlauf werden auswertbare Größen abgeleitet: Steigungen in definierten Abschnitten, Fläche unter der Kurve, Zeitpunkt des Kraftanstiegs, Anzahl der Richtungswechsel. Dieser Schritt ist reine Ingenieursarbeit und bestimmt die Qualität des Ergebnisses stärker als die Wahl des Algorithmus.
5. Referenz aufbauen. Aus einer definierten Guthistorie wird das Normalmodell gelernt. Der Zeitraum muss lang genug sein, um normale Schwankungen abzudecken: verschiedene Chargen, Schichten, Werkzeugstände, Umgebungstemperaturen. Zu kurz gewählte Referenzen erzeugen Alarme bei jeder legitimen Schwankung.
6. Bewerten und schwellen. Jeder neue Datensatz erhält seinen Anomaliescore. Die Schwelle, ab der gemeldet wird, ist eine betriebliche Entscheidung und keine technische Konstante. Sie legt fest, wie viele Meldungen pro Schicht entstehen.
7. Zurückmelden und dokumentieren. Die Meldung muss dort ankommen, wo gehandelt werden kann, und die Bewertung muss zusammen mit dem Datensatz revisionssicher abgelegt werden. Andernfalls entsteht in der Nachschau kein belastbarer Nachweis, welche Einheit wann wie bewertet wurde.

Die Schritte zwei, drei und vier sind in Projekten der Aufwandsschwerpunkt. Das Modell selbst ist selten das Problem. Wie sich die dafür nötige Historie sinnvoll nutzen lässt, ist im Beitrag zur Auswertung der Prozesshistorie für Verbesserungen beschrieben.

Der Algorithmus ist in diesen Projekten nie der Engpass. Der Engpass ist die Frage, ob jeder Datensatz eindeutig an ein Bauteil gebunden ist. Wer das nicht hat, kauft ein Modell und bekommt eine Vermutung.

Amadeus Lederle, CTE, CSP Intelligence GmbH

Welche Datenqualität braucht ein Anomaliemodell?

Diese Frage kommt in Projekten spät und sollte zuerst kommen. Ein Modell kann nur so gut sein wie der Datenbestand, aus dem es lernt. Fünf Kriterien entscheiden, ob der vorhandene Bestand trägt.

Für die Menge gilt eine praktische Faustregel aus CSP-Kundenprojekten: Für ein stabiles Kurvenmodell je Variante und Fügestelle sollten mehrere tausend Gutzyklen aus mindestens einem vollständigen Zeitraum vorliegen, der die üblichen Schwankungen abdeckt. Bei zwanzig Varianten je Linie bedeutet das, dass die Datenfrage vor der Modellfrage geklärt werden muss.

Der wichtigste Punkt ist das fünfte Kriterium und er wird regelmäßig unterschätzt. Ohne die Verbindung von Reklamation zu Prozessdatensatz lässt sich nie belegen, dass ein Modell die richtigen Dinge findet. Genau diese Verbindung ist eine Frage der Rückverfolgbarkeit und der Aufbewahrung, nicht der Analytik.

Praxisfehler, der immer wieder auftritt: Viele Betriebe starten ein KI-Projekt mit einem Datenexport, den die IT für den Piloten zusammenstellt. Das Modell liefert im Labor gute Ergebnisse und versagt im Betrieb, weil der Export sauberer war als die laufende Datenerfassung. Testen Sie das Modell ausschließlich auf Daten, die auf demselben Weg entstehen, auf dem sie später im Betrieb entstehen. Ein Pilot auf Exportdaten beweist nichts über die Produktion.

Wie halten Sie Fehlalarme unter Kontrolle?

Der häufigste Grund, warum eine eingeführte Anomalieerkennung nach drei Monaten wieder abgeschaltet wird, ist nicht Untererkennung, sondern Alarmmüdigkeit. Wenn die Schwelle zu empfindlich steht, entstehen mehr Meldungen, als das Team bewerten kann. Meldungen, die niemand bewertet, sind schlimmer als keine Meldungen, weil sie eine Sicherheit vorspiegeln, die nicht besteht.

Zwei Kennzahlen steuern das und sollten von Anfang an gemeinsam betrachtet werden. Die Präzision gibt an, welcher Anteil der Meldungen sich als relevant erweist. Die Trefferquote gibt an, welcher Anteil der tatsächlichen Problemfälle gemeldet wird. Beide lassen sich nicht gleichzeitig maximieren. Eine empfindlichere Schwelle erhöht die Trefferquote und senkt die Präzision, eine strengere Schwelle umgekehrt.

Der praktische Weg ist die kapazitätsorientierte Auslegung: Legen Sie zuerst fest, wie viele Meldungen pro Schicht Ihr Team wirklich bewerten kann, und setzen Sie die Schwelle danach. Nicht umgekehrt. Diese Reihenfolge klingt banal und wird in der Mehrheit der Projekte falsch herum gegangen.

Ergänzend hilft die Trennung von Eingriff und Auswertung. Ein Sofortstopp ist nur bei sehr hoher Präzision vertretbar. Alles darunter läuft besser als tägliche Sammelauswertung, in der ein Prozessingenieur Häufungen nach Station, Werkzeug oder Charge betrachtet. Dieselbe Logik gilt für die Alarmierung im laufenden Betrieb, wie sie im Beitrag zu Nutzen und Kosten von Echtzeit-Monitoring in der Fertigung beschrieben ist.

Welche Pflichten bringt der EU AI Act für KI in der Fertigung?

Diese Frage kommt in jedem Lenkungskreis, und die Antwort ist entlastender, als viele erwarten. Die KI-Verordnung, Verordnung (EU) 2024/1689, ist seit dem 1. August 2024 in Kraft und arbeitet risikobasiert. Eine Anomalieerkennung, die Prozessdaten überwacht und einem Qualitätsteam Hinweise gibt, fällt nicht unter die Hochrisiko-Kategorien des Anhangs III, weil dort Anwendungsfelder wie biometrische Identifizierung, Personalverwaltung, Kreditwürdigkeitsprüfung und kritische Infrastruktur adressiert sind.

Der Zeitplan hat sich zudem geändert. Der Digital Omnibus on AI, Verordnung (EU) 2026/1744, ist am 27. Juli 2026 in Kraft getreten und verschiebt die Pflichten für eigenständige Hochrisiko-Systeme nach Anhang III vom 2. August 2026 auf den 2. Dezember 2027. Für Hochrisiko-KI, die in bereits regulierte Produkte eingebettet ist, also Anhang I mit Maschinen und Medizinprodukten, gilt nun der 2. August 2028. Der Omnibus hat außerdem den Begriff des Sicherheitsbauteils enger gefasst, sodass Systeme, die einen Menschen lediglich unterstützen, aus der Hochrisiko-Kategorie herausfallen.

Zwei Punkte bleiben trotzdem relevant und sind keine Formalie:

Der zweite Punkt ist der praktisch anspruchsvollere. Ein Modell wird über die Zeit neu trainiert, und dann bewertet ein anderer Modellstand dieselbe Art von Daten anders. Wer das nicht versioniert mitschreibt, kann die Bewertung Jahre später nicht mehr erklären. Die Anforderungen an solche Bewertungsspuren decken sich mit denen an Qualitätsdaten für Audit-Reports.

Diese Einordnung ist eine fachliche Orientierung und keine Rechtsberatung. Die Einstufung im Einzelfall hängt von der konkreten Anwendung ab.

Was kostet ein Pilot und wann rechnet sich die Auswertung?

Der Aufwand liegt selten dort, wo er vermutet wird. Die Lizenz- oder Rechenkosten für das Modell sind in der Regel der kleinere Teil. Die vier großen Blöcke sind Datenerschließung, Merkmalsarbeit, Bewertungsprozess und Betrieb.

Für die Wirtschaftlichkeit zählt eine einfache Gegenrechnung. Nach der Zehnerregel der Fehlerkosten kostet ein Fehler etwa das Zehnfache, sobald er eine Prozessstufe weiterläuft. Ein Fehler, der bis zum Kunden gelangt, verursacht damit ein Vielfaches der Kosten einer Nacharbeit an der Linie. Bei sicherheitsrelevanten Fügestellen kommt das Haftungs- und Rückrufrisiko hinzu, das sich nicht sinnvoll in Nacharbeitskosten ausdrücken lässt.

Der belastbare Einstieg ist deshalb kein flächiges Projekt, sondern ein eng geschnittener Pilot: eine Linie, eine Fügestelle, eine konkrete Hypothese aus einem realen Reklamationsfall. Gemessen wird gegen die bestehende Stichprobenpraxis, nicht gegen ein theoretisches Optimum. Ein Pilot, der in dieser Enge nachweisbar Fälle findet, die die Stichprobe nicht gefunden hat, trägt die Ausweitung. Ein Pilot ohne diese Enge erzeugt Diskussionen statt Ergebnisse. Wie sich der Nutzen in einen breiteren Ansatz einordnet, zeigt der Überblick zu KI in der Qualitätssicherung in der Fertigung.

Wie wertet das Manufacturing OS Fertigungsdaten aus?

Das Manufacturing OS von CSP ist die integrierte Plattform, auf der Prozessdatenerfassung, Qualitätsprüfung, Werkerführung und revisionssichere Archivierung auf einer gemeinsamen Datenbasis arbeiten. Für die Auswertung von Fertigungsdaten sind darin drei Bausteine relevant, die genau die in diesem Artikel beschriebene Kette abdecken.

Das Modul IPM erfasst die Prozessdaten automatisiert an der Anlage, einschließlich der vollständigen Kurvenverläufe, und bindet jeden Datensatz an die Seriennummer und die Fügestelle. Damit sind die Schritte eins und zwei der Auswertungskette abgedeckt, also genau die Stelle, an der die meisten KI-Projekte scheitern. Die Alarmierung bei Abweichungen läuft in Echtzeit.

Das Modul QST deckt die Planung, Durchführung und Auswertung von Qualitätsprüfungen ab, einschließlich der Fähigkeitsnachweise für Schraubwerkzeuge und Prüfmittel. Für die Anomalieerkennung ist das relevant, weil ein auffälliger Kurvenverlauf zwei Ursachen haben kann: das Bauteil oder das Werkzeug. Ohne den Werkzeugnachweis bleibt diese Frage offen.

Das Modul CHRONOS übernimmt die Langzeitarchivierung in offenem Format und hält die Datenbasis auch nach Jahren abrufbar. Das ist die Voraussetzung dafür, dass ein Modell überhaupt auf einer ausreichend langen Historie lernen kann und dass eine Bewertung im Audit später rekonstruierbar bleibt, statt in einem abgeschalteten Altsystem zu verschwinden.

Weil alle Bausteine Teil derselben Plattform sind, bleibt die Seriennummer der durchgehende Primärschlüssel von der Erfassung über die Bewertung bis ins Archiv. Genau das unterscheidet eine integrierte Auswertung von einem angehängten Analysewerkzeug, das seine Daten über Exporte bezieht. Die Lösung für die Anomalieerkennung in der Fertigung ist über die Lösungsseite im Detail beschrieben.

Häufig gestellte Fragen

Was ist KI-Anomalieerkennung in der Fertigung?

KI-Anomalieerkennung ist ein Verfahren, das aus historischen Fertigungsdaten ein Modell des normalen Prozessverhaltens lernt und jeden neuen Datensatz danach bewertet, wie stark er davon abweicht. Bewertet wird nicht nur der Endwert, sondern der gesamte Verlauf und das Zusammenspiel mehrerer Merkmale. Das Ergebnis ist ein Abweichungswert, der erst durch eine gesetzte Schwelle zur Meldung wird.

Welche Fertigungsdaten kann eine KI auswerten?

Vier Datentypen sind in der diskreten Fertigung relevant: Skalarwerte wie Endmoment und Presskraft, Zeitreihen und Kurven wie Drehmoment-Winkel-Verläufe oder Kraft-Weg-Kurven, Ereignisdaten wie Werkzeug- und Chargenwechsel sowie Bilddaten aus Prüfstationen. Den größten Informationsgehalt liefern Kurvendaten, weil sie Abweichungen im Verlauf zeigen, während der Endwert in der Toleranz bleibt.

Wie unterscheidet sich Anomalieerkennung von SPC und Grenzwertüberwachung?

Eine Grenzwertprüfung bewertet einen Messwert gegen eine feste Vorgabe. Statistische Prozesslenkung bewertet Verteilung und Trend einer Kennzahl über die Zeit. KI-Anomalieerkennung bewertet die Form eines Verlaufs gegen tausende Referenzverläufe und das Zusammenspiel mehrerer Merkmale. Die drei Ebenen ersetzen sich nicht, sondern bauen aufeinander auf.

Wie viele Daten braucht KI-Anomalieerkennung?

Für ein stabiles Kurvenmodell sollten je Variante und Fügestelle mehrere tausend Gutzyklen aus einem Zeitraum vorliegen, der die normalen Schwankungen abdeckt: verschiedene Chargen, Schichten, Werkzeugstände und Umgebungsbedingungen (Quelle: Erfahrungswerte aus CSP-Kundenprojekten). Zu kurz gewählte Referenzzeiträume erzeugen Meldungen bei jeder legitimen Schwankung.

Funktioniert KI-Anomalieerkennung auch on premise ohne Cloud?

Ja. Die Auswertung von Prozess- und Kurvendaten lässt sich vollständig im eigenen Rechenzentrum betreiben, da die Modelle auf den eigenen Prozessdaten trainiert werden und keine externen Modelldienste voraussetzen. Für Betriebe mit Anforderungen an Datensouveränität oder mit Kundenvorgaben gegen Cloudverarbeitung ist das der Regelfall.

Wie viele Fehlalarme sind normal und wie senkt man sie?

Es gibt keine allgemeingültige Quote, weil die Meldemenge über die Schwelle eingestellt wird. Der belastbare Weg ist die kapazitätsorientierte Auslegung: Legen Sie zuerst fest, wie viele Meldungen pro Schicht Ihr Team sicher bewerten kann, und setzen Sie die Schwelle danach. Zusätzlich hilft die Trennung von Sofortmeldung bei klaren Fällen und täglicher Sammelauswertung für Häufungen.

Ist Anomalieerkennung in der Produktion ein Hochrisiko-KI-System nach EU AI Act?

In der Regel nicht. Anhang III der Verordnung (EU) 2024/1689 adressiert Anwendungsfelder wie biometrische Identifizierung, Personalverwaltung und kritische Infrastruktur, nicht die Prozessüberwachung in der Fertigung. Die Pflicht zur KI-Kompetenz nach Artikel 4 gilt jedoch seit dem 2. Februar 2025 für alle Betreiber. Die Anwendungsfristen für Hochrisiko-Systeme wurden durch Verordnung (EU) 2026/1744 auf Dezember 2027 beziehungsweise August 2028 verschoben. Die Einstufung im Einzelfall ersetzt keine Rechtsberatung.

Lohnt sich KI-Anomalieerkennung auch im Maschinenbau mit kleinen Serien?

Der Nutzen hängt nicht an der Stückzahl allein, sondern am Verhältnis von Prüfaufwand zu Schadensfolge. Bei kleinen Serien fehlt oft die Datenmenge für ein varianteneigenes Modell, dafür ist der Schaden je Einheit meist hoch. Ein sinnvoller Einstieg ist dann die variantenübergreifende Auswertung einer gemeinsamen Fügestelle oder die Kurvenprüfung an sicherheitsrelevanten Verbindungen, statt ein flächiges Modell über alle Varianten.