Datentyp: Zeitreihen

Zeitreihendaten erfassen Messwerte über die Zeit und sind entscheidend, um Veränderungen, Muster und Trends zu erkennen. Sie kommen in vielen Bereichen vor – von Sensordaten und Finanzkursen bis hin zu Patientendaten oder Produktionsprozessen – und helfen Unternehmen, historische Entwicklungen zu analysieren und zukünftige Ereignisse besser vorherzusagen.

Klassische Methoden stoßen bei komplexen Zusammenhängen oft an ihre Grenzen. Mit Generative KI können Sie auf der Grundlage Ihrer Zeitreihendaten:

• Zeitliche Zusammenhänge effizient erfassen
• Präzisere Prognosen erstellen
• Anomalien frühzeitig erkennen
• Fehlende Daten intelligent ergänzen

Mit Fine-Tuning oder dem Einsatz von RAG-Architekturen lassen sich KI-Modelle gezielt an branchenspezifische Anforderungen anpassen. So nutzen Sie Zeitreihendaten flexibel und strategisch – von schneller Exploration bis hin zu hochpräzisen Vorhersagen.

Diese Bereiche bieten sich besonders an:

• Produktion: Maschinenleistung, Produktionsausfallzeiten, Wartungszyklen
• Finanzwesen: Aktienkurse, Marktindikatoren
• Medizin: Überwachung von Patientenparametern
• Energiewirtschaft: Verbrauchsoptimierung und Ressourcenmanagement

Assistenzsystem zur Parameterwahl für Produktionsprozesse
 

Die Herausforderung
Ein in der Industrie weit verbreiteter Fertigungsprozess ist die Extrusion, die insbesondere in der Kunststoffverarbeitung eingesetzt wird und eine Kombination aus komplexen chemischen und mechanischen Vorgängen darstellt. Die Auswahl geeigneter Prozessparameter in der Extrusion beruht hauptsächlich auf Fachwissen und einem aufwendigen Trial-and-Error-Verfahren, das viel Fachpersonal bindet und die Automatisierung erschwert.  

Die Fraunhofer-Lösung
Das Fraunhofer ITWM entwickelte ein Transformer-basiertes Foundation-Modell, das die Auswahl geeigneter Prozessparameter in der Extrusion optimieren soll. Durch die kontinuierliche Anpassung an die spezifischen Bedingungen der Maschinen wird eine präzisere und effizientere Prozesssteuerung ermöglicht, was einen wichtigen Schritt in Richtung Automatisierung der Extruder darstellt.

Der Vorteil für Unternehmen
Unternehmen profitieren von dieser Technologie, da sie die Effizienz des Extrusionsprozesses steigert und die Notwendigkeit umfangreicher manueller Eingriffe reduziert. Die verbesserte Kontrolle über die Prozessparameter führt zu einer höheren Produktqualität und geringeren Produktionskosten. Zudem ermöglicht die Automatisierung eine schnellere Reaktion auf Veränderungen im Produktionsumfeld, was die Wettbewerbsfähigkeit der Unternehmen stärkt.

Eventdaten als Treiber für moderne Process Intelligence
 

Die Herausforderung
Die Analyse von Eventdaten gibt präzise und zeitgestempelte Informationen die Einblick in die tatsächlichen Abläufe innerhalb von Geschäftsprozessen geben. Die Herausforderung besteht darin, dass Eventdaten in großen Mengen aus unterschiedlichen Systemen stammen und oft uneinheitliche Formate aufweisen, was eine aufwendige Harmonisierung für die Analyse erfordert.

Die Fraunhofer-Lösung
Das Fraunhofer FIT untersucht wie Large Language Models (LLMs) eingesetzt werden können, um diese Herausforderungen zu bewältigen, indem sie unstrukturierte Daten automatisch harmonisieren und Muster sowie Anomalien in großen Datenmengen erkennen. Das Ergebnis sind prototypische LLM-basierte Implementierungen zur Extraktion und automatisierten Abstraktion von Eventdaten aus unstrukturierten Video- und Textdaten.

Der Vorteil für Unternehmen
Unternehmen profitieren von diesen Entwicklungen, da die automatisierte Verarbeitung und Analyse von Eventdaten zu einer signifikanten Verbesserung der Datenqualität und Analysegeschwindigkeit führt. Die Fähigkeit, unstrukturierte Daten effizient zu harmonisieren und in strukturierte Prozessmodelle umzuwandeln, ermöglicht eine präzisere Überwachung und Optimierung von Geschäftsprozessen.  

Large-Timeseries-Modelle zur Prognose von Energiezeitreihen
 

Die Herausforderung
Die Vorhersage von Energieverbrauch und -erzeugung, wie zum Beispiel von Solar- und Windkraft oder dem Verbrauch von Kundinnen und Kunden, ist entscheidend für die Planung und Beschaffung im Energiesektor. Diese Vorhersagen werden auch im Netzbetrieb immer wichtiger, da sie helfen, den Zustand des Stromnetzes zu überwachen. Der Aufwand für die Entwicklung und das Training spezifischer Prognosemodelle steigt erheblich, insbesondere bei Energievorhersagen für verschiedene Bereiche, wie Stadtteile mit erneuerbaren Energien und Elektrofahrzeugen.

Die Fraunhofer-Lösung
Das EMS-EDM Prophet ist eine etablierte Softwarelösung für das Energiemanagement (z.B. Prognosem Kraftwerkeinsatz und Bilanzausgleich) in Stadtwerken, Energievorsorgern oder Netzbetreibern. Dieses Modell kann Prognosen unter verschiedenen Bedingungen, wie unterschiedlichen Auflösungen oder Vorhersagezeiträumen, direkt liefern. Durch zusätzliches Nachtrainieren können sie noch höhere Genauigkeitsanforderungen erfüllen, abhängig von der Verfügbarkeit der Daten. Die Lösung ist seit über 25 Jahren im industriellen Einsatz.

Der Vorteil für Unternehmen
Unternehmen im Energiesektor profitieren von dieser Technologie durch verbesserte Vorhersagen des Energieverbrauchs und der Erzeugung, was zu einer optimierten Planung und Beschaffung führt. Insbesondere die Fähigkeit von LTMs, auch unter schwierigen Datenlagen nützliche Prognosen zu liefern, reduziert den zusätzlichen Aufwand für Datenanalysen und Engineering.  

Agentengestützte interaktive Datenanalyse
 

Die Herausforderung
Die Zeitreihenanalyse ist entscheidend für das Verständnis messbarer Veränderungen im zeitlichen Verlauf und spielt in vielen Anwendungsfeldern eine unverzichtbare Rolle. Trotz der Existenz automatisierter Lösungen, die die Benutzerfreundlichkeit und Einfachheit der Zeitreihenanalyse verbessern, erfordern diese Ansätze weiterhin ein gewisses Maß an Fachkenntnis. Eine wesentliche Herausforderung liegt darin, dass viele Anwenderinnen und Anwender nicht über die erforderlichen Kenntnisse verfügen, um die angebotenen Tools effektiv zu nutzen.

Die Fraunhofer-Lösung
Der vom Fraunhofer FIT entwickelte Ansatz SAGE (Smart LLM Agents with GraphRAG for Time Series Exploration) ermöglicht eine agentengestützte, automatisierte Ausführung von Datenanalysen und die Formulierung von Anfragen in natürlicher Sprache. Die Methodik identifiziert optimierte Analysestrategien und überführt neu gewonnene Einsichten inkrementell in den Wissensgraph, was weiterführende Analysen anreichert.

Der Vorteil für Unternehmen
Unternehmen können durch die Nutzung von SAGE ihre eigenen Zeitreihendaten effizient analysieren und klare, nützliche Erkenntnisse für die Entscheidungsfindung gewinnen. Die Möglichkeit, Datenanalysen über einfache Spracheingaben zu steuern, ermöglicht es, wertvolle Einsichten aus Zeitreihendaten zu gewinnen, ohne dass umfassende Fachkenntnisse erforderlich sind.

Pretrained Transformer-Modelle zur funkbasierten Lokalisierung
 

Die Herausforderung
Die funkbasierte Lokalisierung ermöglicht die Verortung von Objekten insbesondere in industriellen Innenraumumgebungen. Das Messprinzip basiert auf der Ausbreitung elektromagnetischer Wellen, wobei mobile Tags Funksignale senden, die von fest installierten Antennen empfangen werden. In komplexen Umgebungen, wie Werkshallen, kommt es häufig zu Interferenzen und Mehrwegeempfang, was die Genauigkeit der Positionsbestimmung beeinträchtigen kann. Klassische Verfahren zur Funklokalisierung stoßen hier an ihre Grenzen. Zudem erfordern bisher eingesetzte Deep-Learning-Methoden große Mengen an annotierten Daten, was mit erheblichem Aufwand und Kosten für die Datenakquisition verbunden ist. Die Generierung dieser Labels erfordert hochpräzise Messungen und ist daher kostspielig

Projektergebnis
Das Fraunhofer Institut IIS konnte zeigen, dass ein nachtrainiertes Foundation-Modell im Vergleich zu klassischen Deep-Learning-Methoden nur ein Zehntel der sonst benötigten annotierten Datenpunkte erfordert. Grundlage ist ein unüberwachter Pre-Training-Prozess, bei dem das Modell fehlende Signalteile rekonstruiert und dadurch ein Verständnis für die lokale Funkausbreitung entwickelt. Mit anschließendem Nachtraining auf annotierten Daten lässt sich so eine präzise Positionsbestimmung erreichen.

Der Vorteil für Unternehmen
Mit funkbasierter Lokalisierung können Objekte in Innenräumen verortet werden. Dies ermöglicht die Automatisierung und Überwachung von Produktionsprozessen oder die präzise Standortverfolgung im Gesundheitswesen. Die Reduzierung der benötigten annotierten Daten, die die Fraunhofer-Lösung bietet, senkt die Implementierungskosten für Deep-Learning-Methoden erheblich und ermöglicht eine kosteneffiziente Nutzung der Technologie.  

Radarbasierte Objekterkennung und -klassifikation
 

Die Herausforderung
In Mobilitätsanwendungen ist die zuverlässige Erkennung beweglicher Objekte von zentraler Bedeutung, da autonome Systeme wie Fahrzeuge oder Roboter darauf reagieren müssen. Entfernung und Geschwindigkeit werden dabei über Range- und Doppler-Daten bestimmt, die aus der Laufzeit und der Frequenzverschiebung reflektierter Radarsignale berechnet werden.

Radar hat den Vorteil, unabhängig von Licht, Wetter und Sichtverhältnissen zu funktionieren und eignet sich daher besonders gut für industrielle und kommunale Anwendungen. Klassische Radarsysteme stoßen jedoch an ihre Grenzen: Ein Fußgänger und ein Radfahrer mit ähnlicher Geschwindigkeit erscheinen nahezu gleich, UAVs werden aufgrund ihrer geringen Größe und hohen Geschwindigkeit häufig falsch klassifiziert oder im Clutter übersehen. Hinzu kommen Umweltstörungen wie Reflexionen, Nebenkeulen-Artefakte und Rauschen, die die Datenqualität weiter verschlechtern.

Die Fraunhofer-Lösung
Das Fraunhofer IPA erforscht den Einsatz von GPT-ähnlichen Modellen, die Radar-Zeitreihen interpretieren und zur Unterscheidung zwischen verschiedenen Objekten eingesetzt werden. Die neue Methode bewältigt Umweltstörungen, Artefakte und Rauschen, was eine robuste und echtzeitfähige Identifikation ermöglicht..

Der Vorteil für Unternehmen
Unternehmen, insbesondere in der Produktion und Automobilindustrie, profitieren von dieser Technologie durch die verbesserte Erkennung und Klassifizierung von Objekten in Echtzeit, was für autonome Fahrzeuge und Roboter entscheidend ist.  

Sparsame Zustandsüberwachungen in industriellen Maschinenparks
 

Die Herausforderung
In Produktionsumgebungen fallen kontinuierlich Maschinen- und Prozessdaten an, die zur Überwachung großer Maschinenparks genutzt werden. Mit klassischen KI-Methoden lassen sich zwar defekte Komponenten, Verschleiß und Anomalien erkennen, doch erfordern diese Ansätze in der Regel sehr viele gelabelte Sensordaten für jede einzelne Maschinenkonfiguration.

Die Fraunhofer-Lösung
Das Fraunhofer IPA hat gezeigt, dass sich dieser Aufwand durch den Einsatz von Generative-AI-Modellen, insbesondere Large Language Models (LLMs), stark reduzieren lässt. Produktionsdaten werden dafür in Sprache eingebettet und einem LLM in Textform übergeben – sowohl beim Training als auch im Betrieb. Schon mit wenigen gelabelten Daten kann das Modell an spezifische Aufgaben angepasst werden. Bei der Anwendung prognostiziert es den Zustand von Lagern und liefert bei Bedarf eine Fehlerdiagnose.

Der Vorteil für Unternehmen
Durch den Einsatz KI-gestützter Systeme zur Überwachung können Unternehmen defekte Komponenten und Prozessanomalien frühzeitig erkennen, was zu geringeren Ausfallzeiten und höheren Effizienzen führt. Zudem ermöglicht der Einsatz von Transfer Learning und GenAI-Methoden eine schnelle Anpassung an neue Maschinenkonfigurationen bei minimalem Datenaufwand. So werden die Überwachungssysteme flexibler, robuster und tragen zur Optimierung der gesamten Produktionsprozesse bei.