15 Oktober 2026

Anomalieerkennung bezeichnet Verfahren, die ungewöhnliche Beobachtungen oder Verläufe gegenüber einem festgelegten beziehungsweise gelernten Normalverhalten identifizieren. In der Produktion können damit beispielsweise auffällige Maschinenzustände, Prozessverläufe oder Datenmuster erkannt werden. Eine Anomalie ist zunächst eine Abweichung und nicht automatisch ein Fehler. Ihre technische Bedeutung und eine mögliche Reaktion müssen gesondert beurteilt werden.

Was gilt als Anomalie?

Die Antwort hängt vom betrachteten Zusammenhang ab. Eine hohe Temperatur kann bei hoher Last üblich sein, bei geringer Last jedoch ungewöhnlich. Ein einzelner Messwert kann unauffällig wirken, während eine Folge derselben Werte einen unerwarteten Trend zeigt. Normalverhalten muss deshalb zur Aufgabe und zum Betriebszustand passen.

Auch eine neue, korrekt gefertigte Produktvariante kann für ein Modell ungewöhnlich sein, das nur ältere Varianten kennt. Die Meldung beschreibt dann eine Abweichung von den bekannten Daten. Sie beweist keinen Qualitätsmangel. Diese Unterscheidung ist für die Verwendung im Betrieb wesentlich.

Art der Auffälligkeit	Beispiel	Erforderlicher Kontext
Einzelwert	Ein unerwartet hoher Messwert	Messbereich und gültiger Betriebszustand
Kontextabhängige Abweichung	Hoher Strom bei geringer Last	Last, Drehzahl und Betriebsart
Verlauf oder Muster	Schrittweise zunehmende Schwingung	Vergleichbare Zeitabschnitte und Bedingungen
Datenbezogene Auffälligkeit	Eingefrorener Sensorwert	Aktualität und erwartete Veränderlichkeit

Welche Verfahren werden eingesetzt?

Einfache Verfahren verwenden fachlich festgelegte Grenzen oder statistische Vergleiche. Andere Methoden nutzen Machine Learning, um übliche Datenbereiche oder Muster abzubilden. Die Auswahl sollte von der Fragestellung und den verfügbaren Daten ausgehen, nicht von der Komplexität des Verfahrens.

Die scikit-learn-Dokumentation unterscheidet unter anderem zwischen der Suche nach Ausreißern in einem vorhandenen Datensatz und der Erkennung neuer ungewöhnlicher Beobachtungen anhand einer als normal betrachteten Referenz. Diese Aufgaben benötigen unterschiedliche Annahmen. Ein Verfahren, das für die eine Aufgabe geeignet ist, darf nicht ungeprüft für die andere verwendet werden.

In der Praxis können beispielsweise statistische Modelle, Isolation Forest oder geeignete neuronale Ansätze eingesetzt werden. Ein Autoencoder versucht, Eingaben über eine gelernte Darstellung zu rekonstruieren; ungewöhnliche Rekonstruktionsfehler können als Hinweis dienen. Auch hier bedeutet ein hoher Fehler nicht automatisch einen konkreten Maschinenschaden.

Normalverhalten definieren

Eine Referenz sollte die vorgesehenen normalen Betriebszustände ausreichend abdecken. Dazu können unterschiedliche Lasten, Produkte, Anfahrphasen und Umgebungsbedingungen gehören. Werden diese ungeprüft vermischt, kann das Modell echte Auffälligkeiten übersehen. Werden sie zu eng ausgewählt, meldet es möglicherweise viele zulässige Situationen als ungewöhnlich.

Die Daten müssen außerdem fachlich geprüft werden. Enthält der vermeintlich gesunde Referenzzeitraum bereits einen fortschreitenden Fehler, kann das Modell diesen teilweise als normal übernehmen. Eine reine Auswahl nach Kalenderdatum ist deshalb nicht immer ausreichend.

Maschinendaten sollten mit geeigneten Produktionsdaten verbunden werden. Beispielsweise kann die Produktvariante erklären, warum zwei Temperaturverläufe unterschiedlich sind. Die Zuordnung ist häufig genauso wichtig wie der Erkennungsalgorithmus.

Praxisbeispiel: Stromaufnahme einer Pumpe

Das folgende Beispiel ist fiktiv. Eine Pumpe wird in zwei zulässigen Betriebszuständen genutzt. Bei niedriger Last liegt die Stromaufnahme typischerweise um vier Ampere, bei hoher Last um acht Ampere. Eine pauschale Regel, die jeden Wert oberhalb von sechs Ampere meldet, würde den normalen Hochlastbetrieb regelmäßig beanstanden.

Die Auswertung wird deshalb um den Lastzustand ergänzt. Im Niedriglastbetrieb werden wiederholt 5,5 Ampere beobachtet. Dieser Wert liegt zwar unter der pauschalen Sechs-Ampere-Grenze, kann aber gegenüber dem passenden Referenzzustand auffällig sein. Zunächst werden Messung und Betriebsbedingungen geprüft.

Die Meldung kann verschiedene Ursachen haben: veränderter Betriebspunkt, mechanische Veränderung, fehlerhafte Zuordnung oder Sensorproblem. Erst eine weiterführende Untersuchung klärt die Bedeutung. Die Zahlen sind keine technischen Alarmgrenzen und dürfen nicht auf eine reale Anlage übertragen werden.

Das Beispiel zeigt, dass mehr Kontext sowohl unnötige Meldungen vermeiden als auch relevante Veränderungen sichtbar machen kann. Es belegt keine garantierte Erkennungsrate. Diese muss mit geeigneten Daten und tatsächlichen Befunden geprüft werden.

Schwellenwert und Fehlalarme

Viele Verfahren erzeugen zunächst einen Auffälligkeitswert. Eine zusätzliche Regel entscheidet, ab welchem Wert eine Meldung entsteht. Ein empfindlicher Schwellenwert erkennt möglicherweise mehr Abweichungen, verursacht aber auch mehr Meldungen ohne Handlungsbedarf. Ein weniger empfindlicher Wert kann relevante Fälle übersehen.

Ein hoher Auffälligkeitswert ist nicht zwingend eine kalibrierte Fehlerwahrscheinlichkeit. Die Skala hängt vom Verfahren ab. Werte unterschiedlicher Modelle lassen sich deshalb nicht ohne Weiteres vergleichen. Für die betriebliche Nutzung braucht es eine verständliche Interpretation.

Ein fiktiver Test verdeutlicht die Bewertung: Von 20 bestätigten relevanten Ereignissen werden 16 erkannt. Zusätzlich entstehen 24 Meldungen ohne bestätigten relevanten Befund. Damit wurden 80 Prozent der bekannten Ereignisse erkannt; von insgesamt 40 Meldungen beziehen sich 40 Prozent auf bestätigte Ereignisse. Ob das geeignet ist, hängt von den Folgen übersehener Fälle und dem Prüfaufwand ab.

Eine Meldung in eine Handlung übersetzen

Daten prüfen: Messwert, Aktualität und Zuordnung kontrollieren.
Betriebskontext bewerten: Produkt, Last, Anfahren oder andere bekannte Änderungen berücksichtigen.
Befund vertiefen: Geeignete zusätzliche Beobachtungen oder Messungen heranziehen.
Maßnahme bestimmen: Verantwortlichkeit und angemessene Reaktion festlegen.
Ergebnis dokumentieren: Bestätigte Ursache oder unbegründete Meldung zurückführen.

Bei Condition Monitoring kann die Anomalieerkennung ein früher Hinweis sein. Für Predictive Maintenance werden gegebenenfalls weitere Informationen zur Entwicklung und zum Handlungsbedarf benötigt. Eine Auffälligkeit allein liefert noch keinen sicheren Ausfallzeitpunkt.

Prüfung und laufende Pflege

Die Bewertung sollte bekannte Fehlerfälle, zulässige Varianten und normale Übergangszustände berücksichtigen. Seltene Ereignisse erschweren den Nachweis. Ein Test ohne relevante Fehler kann zeigen, wie viele Meldungen im Normalbetrieb entstehen, aber nicht zuverlässig belegen, welche Fehler erkannt werden.

Auch der Zeitbezug ist wichtig. Werden viele aufeinanderfolgende Messpunkte desselben Schadens als unabhängige Treffer gezählt, kann die Leistung überbewertet werden. Häufig ist eine Betrachtung pro Ereignis und mit der tatsächlich verfügbaren Vorwarnzeit aussagekräftiger.

Nach Änderungen an Anlage oder Produktmix muss die Referenz überprüft werden. Ein automatisches Nachlernen kann neue normale Zustände übernehmen, aber unter Umständen auch schleichende Fehler normalisieren. Deshalb benötigt eine Anpassung klare Regeln und eine fachliche Bewertung.

Häufige Fragen zur Anomalieerkennung

Ist eine Anomalie immer ein Defekt?

Nein. Sie beschreibt zunächst eine Abweichung von einer Referenz oder Erwartung. Ein neuer zulässiger Betriebszustand, ein Sensorfehler oder eine falsche Datenzuordnung können ebenfalls eine Meldung auslösen. Die Diagnose muss deshalb zusätzliche Informationen berücksichtigen. Erst der bestätigte Befund erlaubt eine Aussage über Ursache und erforderliche Maßnahme.

Braucht das Verfahren Beispiele aller Fehlerarten?

Nicht zwingend. Manche Verfahren lernen vor allem normales Verhalten und melden Abweichungen davon. Das kann hilfreich sein, wenn wenige Fehlerbeispiele vorliegen. Es garantiert jedoch nicht, dass jeder Fehler erkennbar wird. Ein Fehler kann innerhalb des gelernten Datenbereichs liegen oder sich in den verwendeten Messgrößen kaum zeigen.

Wie wird der passende Schwellenwert gewählt?

Er sollte anhand geeigneter Daten und der betrieblichen Folgen von Fehlentscheidungen bewertet werden. Relevant sind sowohl übersehene Ereignisse als auch unnötige Prüfungen. Ein pauschaler Wert ohne Bezug zur Anwendung ist wenig aussagekräftig. Zusätzlich können zeitliche Regeln helfen, etwa die Behandlung kurzer Spitzen und länger anhaltender Veränderungen.

Kann eine Anomalieerkennung eine Schutzfunktion ersetzen?

Eine gewöhnliche analytische Anwendung ist nicht automatisch für sicherheitsbezogene Aufgaben geeignet. Ihre Einsatzgrenzen und erforderlichen Nachweise müssen zur konkreten Funktion passen. Eine statistische Auffälligkeit kann eine Untersuchung unterstützen, ersetzt aber nicht allein durch ihre Existenz eine erforderliche technische Schutzmaßnahme oder einen entsprechenden Funktionsnachweis.

Warum verändert sich die Zahl der Meldungen im Betrieb?

Mögliche Gründe sind geänderte Produkte, andere Lastzustände, Sensorverschleiß oder ein tatsächlich veränderter Prozess. Auch Änderungen der Datenaufbereitung können wirken. Die Meldungszahl sollte deshalb zusammen mit dem Betriebskontext betrachtet werden. Weniger Meldungen bedeuten nicht automatisch einen besseren Prozess; möglicherweise ist die Erfassung ausgefallen oder die Bewertung unpassend geworden.

Quellen und weiterführende Informationen

scikit-learn: Novelty and Outlier Detection, Aufgabenabgrenzung und Verfahrensübersicht.
NIST: Monitoring, Diagnostics and Prognostics for Manufacturing Operations.

Stand: Oktober 2026. Zahlenbeispiele und Schwellenwerte sind fiktiv und keine technischen Vorgaben.