Warum Zeitfenster wichtig sind und Schwellenwerte täuschen können

In industriellen Systemen sind Daten meist vorhanden. Das Problem ist also nicht die Verfügbarkeit von Daten, sondern der Kontext.

Jede Sekunde erzeugen Maschinen Tausende von Datenpunkten. Wenn etwas schiefläuft, besteht die Herausforderung nicht nur darin zu erkennen, dass eine Anomalie aufgetreten ist, sondern zu verstehen, warum. Genau hier werden Zeitfenster entscheidend.

Ursachenanalyse dreht sich nicht um einen einzelnen Zeitpunkt, sondern um die gesamte Abfolge von Ereignissen.

Das Problem mit statischen Momentaufnahmen

Traditionelle Analysen basieren oft auf festen Zeitabschnitten:

• „Schau dir die letzten 5 Minuten an“
• „Prüfe die Daten von 10:00 bis 10:15“
• „Vergleiche Stundendurchschnitte“

In vielen Fällen werden diese Fenster nicht gewählt, weil sie das tatsächliche Verhalten des Systems widerspiegeln, sondern weil zu einem bestimmten Zeitpunkt ein harter Schwellenwert überschritten wurde.

Sobald ein Signal einen definierten Grenzwert überschreitet, beginnt die Analyse. Doch dieser Moment ist häufig nur ein Symptom, nicht der Anfang des Problems.

Ein Maschinenausfall kann:

• lange vor dem Überschreiten einer Schwelle subtil beginnen
• sich innerhalb von Sekunden schnell verschärfen
• sich über längere Zeit langsam wieder stabilisieren

Wenn Ihr Zeitfenster nur am Zeitpunkt des Alarms ausgerichtet ist, analysieren Sie möglicherweise nur einen unvollständigen und verzerrten Ausschnitt.

Sie verpassen, was davor passiert ist, und ignorieren möglicherweise, was danach geschah.

Wenn Ihr Zeitfenster einen Teil dieser Abfolge abschneidet, verlieren Sie die Geschichte und damit die Ursache.

Übrig bleibt ein fester Zeitausschnitt, der von einem Schwellenwert bestimmt wurde.

Was Sie wirklich brauchen, ist ein Zeitfenster, das die gesamte Anomalie abbildet.

Anomalien sind zeitliche Ereignisse, keine Punkte

Eine Anomalie ist kein einzelner Zeitstempel. Sie ist ein zeitlich begrenztes Ereignis mit Struktur:

1. Beginn: wenn das Verhalten erstmals abweicht
2. Eskalation: wenn die Abweichung zunimmt
3. Höhepunkt: wenn die Anomalie am stärksten ist
4. Auflösung: wenn sich das System stabilisiert

Jede Phase enthält andere Informationen:

• Der Beginn enthält oft die Ursache
• Der Höhepunkt zeigt die Auswirkungen
• Die Auflösung zeigt die Widerstandsfähigkeit des Systems

Wenn eine Phase fehlt, bleibt die Analyse unvollständig.

Die versteckten Kosten schlechter Zeitfenster

1. Symptome werden mit Ursachen verwechselt

Wenn Sie nur den Höhepunkt analysieren, betrachten Sie häufig Folgen statt Auslöser.

2. Frühe Warnsignale gehen verloren

Subtile Abweichungen vor der Anomalie sind oft die wertvollsten Signale, lassen sich aber leicht übersehen, wenn das Fenster zu spät beginnt.

3. Es entsteht Rauschen

Wird das Fenster willkürlich erweitert, können irrelevante Ereignisse das Signal verwässern und Muster schwerer erkennbar machen.

4. Kausalketten werden unterbrochen

Industrielle Systeme sind miteinander verbunden. Eine Verzögerung in einem Teilsystem kann Minuten später einen Fehler an anderer Stelle auslösen. Schlechte Zeitfenster zerbrechen diese Zusammenhänge.

Ein besserer Ansatz: Anomalien als vollständige Geschichten behandeln

Wirksame Ursachenanalyse erfordert, den gesamten Lebenszyklus einer Anomalie zu rekonstruieren:

• Wann begann sie wirklich?
• Was hat sich davor verändert?
• Wie hat sie sich durch das System ausgebreitet?
• Wann hat sich das System tatsächlich erholt?

Statt feste Intervalle zu analysieren, sollte das Ziel sein, dynamische Zeitfenster zu definieren, die sich an die Anomalie selbst anpassen.

Warum das heute noch wichtiger ist

Moderne Systeme erzeugen nicht nur mehr Daten, sie verarbeiten sie auch anders.

Bei hochfrequenten Signalen, verteilten Systemen und Echtzeit-Pipelines:

• steigen die Kosten für große, unscharfe Analysebereiche schnell
• sinkt das Signal-Rausch-Verhältnis, wenn irrelevante Daten einbezogen werden
• werden Rechenressourcen für Daten verbraucht, die keine kausale Bedeutung haben

Gut definierte Zeitfenster lösen dieses Problem, indem sie:

• Rechenaufwand reduzieren, weil nur Relevantes verarbeitet wird
• die Modellgenauigkeit verbessern, weil weniger Rauschen und klarere Muster vorhanden sind
• schnellere Analysen ermöglichen, weil Datensätze kleiner und aussagekräftiger sind

Mit anderen Worten: Bessere Zeitfenster verbessern nicht nur Erkenntnisse, sondern auch Effizienz.

Wenn Systeme skalieren, wird das entscheidend. Es geht nicht nur darum, die Ursache zu finden, sondern sie schnell und zuverlässig zu finden.

Ein praktisches Beispiel

Stellen Sie sich einen Temperaturanstieg in einer Produktionslinie vor:

• 10:02: Die Temperatur beginnt zu steigen
• 10:07: Die Effizienz des Kühlsystems sinkt
• 10:10: Der Alarmschwellenwert wird überschritten
• 10:12: Die Temperatur erreicht ihren Höchstwert
• 10:18: Das System stabilisiert sich

Wenn Sie nur 10:10 bis 10:12 analysieren, verpassen Sie:

• die Verschlechterung der Kühlung um 10:07, wahrscheinlich die Ursache
• die frühe Drift um 10:02, ein frühes Signal

Die tatsächliche Geschichte reicht von 10:02 bis 10:18.

Die zentrale Erkenntnis

Die Qualität Ihrer Ursachenanalyse hängt direkt davon ab, wie gut Sie das Zeitfenster definieren.

Zu eng, und Sie verpassen die Ursache.
Zu weit, und Sie fügen Rauschen hinzu.
Gut definiert, und Sie decken die Wahrheit auf.

Alles zusammenführen

Die wirksamsten Systeme verlassen sich nicht auf beliebige Zeitausschnitte. Sie passen ihr Analysefenster an die Anomalie selbst an und erfassen sie von ihrem tatsächlichen Beginn bis zu ihrem tatsächlichen Ende.

Dieser Wechsel von statischen Momentaufnahmen zu dynamischen, ereignisbasierten Fenstern verwandelt Rohdaten in echtes Verständnis.

Wo das besonders stark wird

Genau diesen Ansatz verfolgen wir bei MontblancAI.

Statt feste Intervalle zu analysieren, werden Anomalien als vollständige Zeitfenster vom ersten Abweichen bis zur vollständigen Erholung isoliert. So werden alle beitragenden Signale, Systeminteraktionen und kausalen Beziehungen in einer einzigen kohärenten Sicht erfasst.

Sobald dieses Fenster klar definiert ist, wird etwas noch Wertvolleres möglich: Sie können die Anomalie mit externen Datenquellen kontextualisieren.

Weil die Anomalie nicht mehr nur ein vager Zeitpunkt ist, sondern ein präzises Ereignis, lässt sie sich mit Folgendem korrelieren:

• anderen Maschinen und Teilsystemen
• Umgebungsbedingungen wie Temperatur oder Luftfeuchtigkeit
• vorgelagerten und nachgelagerten Prozessen
• Betriebsdaten wie Schichten, Bedienereingriffen oder Wartungsereignissen

So wird es möglich, über isolierte Signalanalyse hinauszugehen und echtes systemweites Denken zu ermöglichen.

Denn wenn Sie die ganze Geschichte analysieren und mit allem verbinden, was drumherum passiert, wird die Ursache deutlich leichter sichtbar.

‍