|
21.04.2026 12:00 Uhr |
In einem Holz verarbeitenden Betrieb lief ein Predictive-Maintenance-Modell für eine Holzpresslinie seit Monaten stabil. Es analysierte Druck- und Vibrationsdaten der Hauptwalzen und meldete Anomalien mit verlässlicher Präzision. Dann stieg die Fehlalarmrate an, während ein realer Lagerschaden unentdeckt blieb.
Die klassische IT-Analyse blieb ergebnislos: Die Datenpipeline arbeitete fehlerfrei, es gab keine Schemaänderungen im SQL-Server, keine Ausfälle im MQTT-Broker, keine auffälligen Latenzen. Auch einfache Driftmetriken auf der Ebene der Features, also der Eingangsgrößen des Modells, zeigten keine signifikanten Verschiebungen in Mittelwert oder Range. Das Dashboard war grün.
Tatsächlich hatte sich in der Messkette jedoch die Welt verändert. Im Zuge einer Wartung war ein Drucksensor ersetzt worden. Messbereich und Schnittstelle blieben gleich, die Anlage wurde ordnungsgemäß kalibriert. Außerdem hatte das Betriebsteam den SPS-Zyklus von 10 auf 15 Millisekunden angepasst, um Lastspitzen im Steuerungsnetz zu reduzieren, und im Historian ein Deadband aktiviert, um die Datenmenge zu begrenzen. Jede Maßnahme war plausibel. Zusammengenommen veränderten sie jedoch Sampling, Auflösung und Zeitverhalten. Das Modell erhielt weiterhin gültige Zahlen, aber sie repräsentierten nicht mehr dieselbe physikalische Realität wie im Training.