TSFM: In-Context Learning revolutioniert die Zustandsdiagnose von Lagern

Ein neuer Ansatz zur Klassifizierung von Zeitreihen, vorgestellt auf arXiv (2511.15447v1), nutzt In‑Context Learning in Time‑Series Foundation Models (TSFM). Durch die Einbettung von Beispiel‑Zielen und Kovariaten direkt in die Prompt‑Struktur kann das Modell unbekannte Datenmuster klassifizieren, ohne dass ein Feintuning erforderlich ist.

Der Schlüssel liegt darin, dass die Beispiele als Ziel‑IDs und Datenmatrizen im Prompt präsentiert werden. Das Modell lernt daraus, wie ein bestimmtes Muster im Frequenzbereich zu einer bestimmten Klasse gehört, und wendet dieses Wissen sofort auf neue, nicht im Trainingsdatensatz enthaltene Signale an.

Im konkreten Anwendungsfall wurden Vibrationdaten eines Servomotors verwendet, um den Gesundheitszustand eines Lagerkomponenten zu bestimmen. Frequenz‑Domain‑Signale wurden in pseudo‑Zeitreihen umgewandelt, die anschließend als Kovariaten und Ziel‑Signale in das TSFM eingespeist wurden. Das Modell liefert Wahrscheinlichkeiten, mit denen die neuen Daten zu vordefinierten Zustandsklassen gehören.

Dank der Skalierbarkeit vortrainierter Modelle zeigt dieser Ansatz eine hohe Wirksamkeit unter unterschiedlichen Betriebsbedingungen. Er markiert einen bedeutenden Fortschritt von engen, maßgeschneiderten KI‑Lösungen hin zu breit einsetzbaren, KI‑gestützten Wartungssystemen.