Hybrid-Ansatz mit Zeitreihen-Embeddings erhöht Anomalieerkennung um 95 %

In der vorausschauenden Wartung von Anlagen hat die reine Deep‑Learning‑Anomalieerkennung oft Schwierigkeiten, die Genauigkeit von realen Daten zu erreichen. Ein neues Hybridmodell kombiniert dafür die Stärken von neuronalen Netzen und klassischen statistischen Merkmalen, um die Erkennungsleistung deutlich zu steigern.

Das System nutzt 64‑dimensionale Zeitreihen‑Embeddings, die mit dem Granite TinyTimeMixer‑Encoder erzeugt und anschließend mit Low‑Rank Adaptation (LoRA) feinjustiert werden. Diese Embeddings werden mit 28 domänenrelevanten statistischen Merkmalen – darunter Trend, Volatilität und Drawdown‑Indikatoren – ergänzt. Die kombinierten Features werden anschließend von einem LightGBM‑Gradient‑Boosting‑Classifier verarbeitet.

In Experimenten mit 64 Geräten und 51 564 Messungen erzielte das Modell eine Präzision von 91 % bis 95 % und einen ROC‑AUC‑Wert von 0,995 für Anomalievorhersagen über 30‑, 60‑ und 90‑Tage‑Horizonte. Gleichzeitig blieb die Fehlalarmlage bei 1,1 % oder weniger, während die Erkennungsrate zwischen 88 % und 94 % lag – ein Ergebnis, das die Einsatzbereitschaft in der Industrie unterstreicht.

Diese Arbeit zeigt, dass praktische Anomalieerkennungssysteme realisiert werden können, wenn die Repräsentationsfähigkeit von Deep‑Learning mit gezielter statistischer Feature‑Engineering kombiniert wird. Das Ergebnis ist ein robustes, produktionsreifes Tool für die vorausschauende Wartung von HVAC‑Anlagen und darüber hinaus.