Als Beispiel dient ein Fabrikgebäude in der Innenstadt von Hannover, in dem Anfang des vergangenen Jahres ein Heizkessel explodiert ist. Der Personenschaden blieb laut Presse gering, es entstand jedoch erheblicher Sachschaden. Die Ursache ist mir nicht bekannt. Es liegt aber nahe, dass Messwerte vorhanden waren und nicht richtig gedeutet wurden.

Bildquelle: Frank Tunnat/RND

Ein Heizkessel ist mit Sensorik ausgestattet. Dennoch reicht es nicht immer aus, nur einen einzelnen Messwert mit einem festen Grenzwert zu vergleichen. Wasser kocht bei normalem Luftdruck in Hannover bei rund 100 °C. Auf dem Mount Everest mit wesentlich niedrigerem Luftdruck liegt der Siedepunkt dagegen bei gut 70 °C. Die Temperatur kann deshalb nur im Zusammenhang mit weiteren Größen bewertet werden, etwa mit dem Luftdruck.

Ein weiteres Beispiel ist der COP-Wert einer Wärmepumpe. Der Coefficient of Performance beschreibt das Verhältnis von eingesetzter elektrischer Energie zu erzeugter Wärme. Ein einzelner Tages- oder Wochenwert (links im folgenden Bild) ist kaum aussagekräftig. Erst die Betrachtung über eine längere Zeitachse (rechts im folgenden Bild) und mit weiteren Einflussgrößen ermöglicht eine belastbare Bewertung.

Links: COP-Wert einer Wärmepumpe eines einzelnen Tages, rechts: gleitender COP-Wert über mehrere Monate

Das gilt auch für Schwingungsdaten eines Lüfters. Ein Beschleunigungssensor misst dabei Bewegungen in X-, Y- und Z-Richtung. Einzelne Messwerte lassen sich nicht sinnvoll mit einem einfachen Grenzwert bewerten. Erst ein geeignetes mathematisches Verfahren kann aus dem zeitlichen Verlauf erkennen, ob eine Unwucht oder ein anderer ungewöhnlicher Zustand vorliegt.

Ein physischer Sensor misst eine Größe direkt. Ein Temperatursensor oder Drucksensor liefert beispielsweise einen Messwert, der auf einem physikalischen Messprinzip beruht. Die dafür notwendige Hardware muss eingebaut und regelmäßig kalibriert werden.

Ein Softsensor errechnet dagegen zusätzliche Informationen aus vorhandenen Daten. Er kann als Software auf einem System laufen und benötigt nicht zwingend eigene Hardware. Ein mögliches Beispiel ist ein Luftfilter: Anstatt den Differenzdruck vor und hinter dem Filter mit zwei zusätzlichen Drucksensoren zu messen, kann ein Softsensor bereits vorhandene Werte wie Umgebungstemperatur, Drehzahl einer Pumpe und weitere Steuerungsdaten kombinieren. Daraus lässt sich der Zustand oder die Durchlässigkeit des Filters ableiten.

Merkmal	Physischer Sensor	Softsensor
Messprinzip	Direkte physikalische Messung	Mathematisches oder KI-basiertes Verfahren
Grundlage	Physikalische Eigenschaften, etwa Widerstandsänderung eines Halbleiters	Vorhandene Messdaten und Modelle des maschinellen Lernens
Ergebnis	Gemessene physikalische Größe	Errechnete Größe oder abgeleiteter Zustand
Hardware	Eigene Hardware erforderlich	Kann reine Software sein
Entwicklung	Auswahl, Einbau und Kalibrierung	Datenerfassung; Modellierung, Training und Validierung des Modells
Wartung	Nachkalibrierung bei Alterung oder Drift	Überwachung der Modellgüte und ggf. Nachtraining
Grenzen	Messbereich, Genauigkeit und Verschleiß	Datenqualität, Veränderungen an überwachter Anlage, unbekannte Zustände

Vergleich physischer Sensor und Softsensor/virtueller Sensor

Beide Ansätze haben Grenzen. Beim physischen Sensor sind Messbereich, Genauigkeit und Verschleiß zu beachten. Beim Softsensor spielen insbesondere Datenqualität und Veränderungen an der überwachten Anlage eine Rolle.

Ein anschauliches Beispiel für einen Softsensor ist der Schrittzähler einer Fitnessuhr. Die Uhr beobachtet nicht direkt die Beine, sondern wertet Beschleunigungsdaten aus. Ein Modell erkennt darin typische Muster und leitet daraus die Zahl der Schritte ab. Auch im physischen Sensor wird gerechnet, etwa wenn Strom oder Spannung in einen Temperaturwert umgerechnet werden. Beim Softsensor werden jedoch meist mehrere Datenquellen mit aufwendigeren Verfahren zu einer zusätzlichen Aussage verknüpft.

Ein wichtiger Anwendungsfall im Facility Management ist die Anomalieerkennung. Beispiele sind ungewöhnliche Geräusche einer Pumpe, ein ausfallender Lüfter oder das Warnsignal einer unterbrechungsfreien Stromversorgung in einem unbeaufsichtigten Serverraum. Auch ein Sturz könnte bei einer Fitnessuhr als Anomalie erkannt werden.

Für solche Aufgaben eignen sich Autoencoder. Sie sind ein Verfahren des maschinellen Lernens und werden seit Langem beispielsweise auch zur Datenkompression eingesetzt. Ein Autoencoder besteht aus zwei Teilen:

1. Der Encoder verdichtet Eingangsdaten in eine kompakte Repräsentation, den sogenannten latenten Raum.
2. Der Decoder rekonstruiert daraus die ursprünglichen Eingangsdaten möglichst genau.

Prinzip eines Autoencoders

Als Eingangsdaten eignen sich Messwerte mehrerer Sensoren, Zeitreihen, Kameraaufnahmen, Audiodaten oder Radardaten. Encoder und Decoder sind neuronale Netze, die mit Daten trainiert werden.

Der entscheidende Punkt für die Anomalieerkennung ist der Rekonstruktionsfehler. Das Modell wird mit Daten aus dem Normalzustand trainiert. Kann es ein neues Eingangssignal gut rekonstruieren, entspricht dieses vermutlich dem bekannten Normalzustand. Ist der Fehler deutlich größer als üblich, kann eine Anomalie vorliegen. Der erlaubte Fehler wird über einen Schwellwert festgelegt.

Ein Autoencoder kann beispielsweise lernen, wie sich ein Lüfter im normalen Betrieb verhält. Unwuchten, Schleifgeräusche oder andere ungewohnte Schwingungen führen dann zu einem auffälligen Rekonstruktionsfehler. Wie ein physischer Sensor muss auch ein Softsensor über seine Lebensdauer überwacht und bei veränderten Bedingungen nachtrainiert werden.

Ob ein Autoencoder eine virtuelle Messung liefern oder einen Zustand als normal beziehungsweise auffällig bewerten soll, hängt vom konkreten Anwendungsfall ab. Das Grundvorgehen ist jedoch ähnlich.

1. Messdaten erfassen

Zunächst werden die relevanten Signale über einen ausreichend langen Zeitraum aufgezeichnet. Je nach Aufgabe können das Daten von Mikrofonen, Beschleunigungssensoren, Druck- oder Gassensoren sowie weitere Prozess- oder Umgebungsdaten sein. Auch externe Datenquellen, etwa Wetterdaten, können einfließen.

Die Datenaufzeichnung läuft automatisiert, beispielsweise mit einem Datenlogger. Das Abtastintervall hängt vom Signal ab und kann von Sekunden bis zu deutlich längeren Zeiträumen reichen.

2. Daten aufbereiten

Für das Training werden möglichst nur Daten aus dem Normalbetrieb verwendet. Offensichtliche Ausreißer und Störungen werden entfernt. Bei Schwingungsdaten lassen sich ungewöhnliche Verläufe mit Fachwissen und Visualisierungen erkennen. Bei Audiodaten kann etwa eine geöffnete oder zugeschlagene Tür als für das Zielmodell irrelevantes Ereignis herausgeschnitten werden.

Das Ergebnis ist eine Datei oder eine Sammlung von Dateien mit repräsentativen Normalzustandsdaten. Je mehr geeignete Daten vorliegen, desto belastbarer kann das Modell werden.

3. Modell konstruieren

Der Aufbau des neuronalen Netzes muss zu den Eingangsdaten passen. Einfache Messreihen aus Temperatur, Stromaufnahme und Luftfeuchte benötigen ein anderes Modell als Bilder, Audiodaten oder IMU-Daten.

Beschleunigungsdaten werden beispielsweise häufig zunächst mittels Fourier-Transformation in ein Frequenzspektrum überführt. Audiodaten lassen sich als Mel-Spektrogramme aufbereiten. Die gewählte Datenaufbereitung, die Schichten des Encoders und Decoders sowie die Ausgabe des Modells müssen zusammenpassen. Ein formal lauffähiger Code führt nicht automatisch zu einem guten Modell.

4. Modell trainieren

Beim Training werden die Gewichte des neuronalen Netzes an die Normalzustandsdaten angepasst. Dafür werden üblicherweise Softwarebibliotheken für maschinelles Lernen und ein ausreichend leistungsfähiger Rechner oder ein Cloud-Dienst eingesetzt. Das Ergebnis ist ein trainiertes Modell, das als ausführbare Software in den Softsensor integriert werden kann.

5. Anomalieerkennung einrichten

Im laufenden Betrieb erzeugt der Softsensor Status- oder Anomaliewerte. Diese können an eine Leitstellen-Software übertragen werden. Denkbar ist ein Softsensor auf einem Gabelstapler, der den Zustand von Batterie oder Hydraulik überwacht. Ebenso kann eine Kamera in einer Produktionsumgebung Rauch, austretenden Dampf, Funken, unerlaubte Personen oder Gegenstände im Arbeitsbereich erkennen.

Ein Softsensor hat in der Regel zwei Kommunikationsrichtungen:

1. Die Südseite verbindet ihn mit Datenquellen, etwa einer Steuerung oder angeschlossenen physischen Sensoren.
2. Die Nordseite übermittelt Analyseergebnisse und Anomalien an die Facility-Management-Leitstelle oder weitere IT-Systeme.

Der Softsensor benötigt daher die passenden Protokolle für beide Seiten. In Gebäudetechnik und Facility Management kann das beispielsweise BACnet sein. Für den Zugriff auf Steuerungsdaten kann Modbus TCP vorkommen. Anbindungen an IT- und Fertigungsumgebungen können OPC UA, MQTT, HTTPS beziehungsweise REST-APIs oder in Einzelfällen SNMP verwenden. Auch ein Zugriff auf Datenbanken ist denkbar, aber nicht immer empfehlenswert.

Beschleunigungsdaten werden beispielsweise häufig zunächst mittels Fourier-Transformation in ein Frequenzspektrum überführt. Audiodaten lassen sich als Mel-Spektrogramme aufbereiten. Die gewählte Datenaufbereitung, die Schichten des Encoders und Decoders sowie die Ausgabe des Modells müssen zusammenpassen. Ein formal lauffähiger Code führt nicht automatisch zu einem guten Modell.

Bei der Auswahl der Protokolle ist Sicherheit wesentlich. Modbus TCP bietet selbst keine angemessenen Sicherheitsmechanismen und sollte nicht ungeschützt über größere Entfernungen eingesetzt werden. Innerhalb einer einzelnen Maschine lässt sich ein solcher Einsatz unter Umständen begrenzen, bleibt aber in Bezug auf die Sicherheit kritisch. Für die Verbindung zur Leitstelle sollten Verschlüsselung, Integritätsschutz und Authentifizierung vorhanden sein. Bei BACnet ist dafür die sichere Variante BACnet/SC relevant.

Schnittstelle/Protokoll	Typische Anwendung
BACnet/IP	Kommunikation mit Gebäudeautomation und GLT. Eignet sich sehr gut für eine FM-Leitstellenverbindung.
OPC UA	Standardisierte Kommunikation zwischen Automatisierungs- und IT-Systemen. Sehr verbreiteter, ausgereifter Standard.
Modbus TCP	Auslesen von Messwerten aus Sensoren, Steuerungen, Energiezählern und technischen Anlagen. Einfaches Master/Slave-Konzept.
MQTT	Übertragung von Sensordaten und KI-Ergebnissen über einen Message Broker. Sehr verbreitet für IoT und Edge AI.
HTTPS, REST API	Integration in FM-Software, Dashboards und Wartungsmanagement. Sehr verbreitet in der IT-Welt.
SQL (Datenbank)	Zugriff auf historische Messdaten und Zeitreihen. Zusätzliche Schnittstelle für große Datenbestände in der IT-Welt.
SNMP	Überwachung von Netzwerkgeräten und IT-Infrastruktur. Spezielle Managementschnittstelle aus der IT-Welt.

Gänginge Protokolle/Schnittstellen zur Sensor-Kommunikation

Ein Serverraum ist meist abgeschlossen und wird nur selten betreten. Dennoch enthält er kritische Komponenten, deren Ausfall Schäden oder Stillstände verursachen kann. Ein Softsensor kann hier mehrere Überwachungsaufgaben verbinden.

Lüftung überwachen

An einem Lüfter wird ein Beschleunigungssensor angebracht. Er misst Schwingungen in drei Achsen (x, y, z). Der Softsensor überführt diese Daten zyklisch per FFT (Fast-Fourier-Transformation) in ein Frequenzspektrum und bewertet sie mit einem trainierten Autoencoder. So lassen sich Unwuchten, Schleifgeräusche oder andere Veränderungen erkennen. Aus dem Frequenzspektrum kann häufig auch die Drehzahl abgeleitet werden.

Rohdaten eines Beschleunigungssensors werden von Softsensor per FFT in Frequenzspektrum überführt

Ziel ist, Wartungsbedarf oder einen drohenden Ausfall der Lüftung frühzeitig zu erkennen. Ein Totalausfall kann zur Überhitzung von IT-Komponenten oder zu einer Abschaltung führen.

Akustische Anomalien erkennen

Zusätzlich kann ein Mikrofon am Softsensor angeschlossen werden. Viele Komponenten in einem Serverraum signalisieren Probleme akustisch, zum Beispiel eine USV bei erforderlicher Batteriewartung. Solche Warnungen werden in einem unbesetzten Raum sonst möglicherweise nicht wahrgenommen.

Für die Auswertung werden Audiodaten in Mel-Spektrogramme überführt. Ein Autoencoder kann damit unterschiedliche Piepsequenzen erkennen und gegebenenfalls sogar zwischen zwei USVs unterscheiden. Auch andere Geräusche wie Glasbruch wären grundsätzlich als Anomalien erfassbar.

Umwandlung von Audiodaten in Mel-Spektrogramm

Akustische Anomalieerkennung am Beispiel von Glasbruch

Die Leitstelle kann die überwachten Zustände übersichtlich darstellen: Grün steht für den Normalbetrieb, Rot für eine Auffälligkeit. Damit werden Vibrationen des Lüfters und akustische Anomalien gemeinsam sichtbar.

Sicherheit und NIS-2

Gerade wenn der Softsensor auch für die Überwachung sicherheitsrelevanter technischer Anlagen eingesetzt wird, sollte die Kommunikation von Anfang an sicher gestaltet werden (Security by Design). Im NIS-2-Kontext kann ein solcher Ansatz erheblich zur Umsetzung geeigneter technischer Maßnahmen beim Risikomanagement beitragen.

Maßnahme	Zweck
TLS	Verschlüsselung und Schutz der Datenübertragung.
Zertifikatsbasierte Authentifizierung	Eindeutige Identifikation der Kommunikationspartner.
Netzwerksegmentierung	Trennung von OT, Edge AI und IT.
Rollen- und Rechtekonzept	Beschränkung auf erforderliche Daten und Funktionen.
Read-only-Zugriff	Vermeidung unbeabsichtigter Eingriffe in die Anlagensteuerung.
Protokollierung	Nachvollziehbarkeit von Zugriffen und Ereignissen.

Maßnahmen für sichere Kommunikation von Softsensoren

Die Verbindung zwischen Softsensor und Leitstelle muss also unbedingt verschlüsselt sein. Vertraulichkeit, Integritätsschutz und Authentifizierung sind erforderlich. Eine falsche oder manipulierte Alarmmeldung verursacht Aufwand und Kosten, wenn Personal oder externe Dienstleister einen Serverraum prüfen müssen.

In diesem Zusammenhang ist auch die Sicherheit von Steuerungen wichtig. Sicherheitsbehörden in den USA haben auf Schwachstellen und exponierte, mit dem Internet verbundene SPSen hingewiesen. Direkt erreichbare Steuerungen sind ein erhebliches Risiko und sollten vermieden werden.

CISA-Meldung zu Gefahren bei Siemens-SPSen

Autoencoder können nicht nur Anlagenzustände, sondern auch Kommunikationsverbindungen überwachen. Ungewöhnliche Zugriffe oder Änderungen an einer SPS-Software können als Anomalie erkannt und an die FM-Leitstelle gemeldet werden. Damit ergänzt die Anomalieerkennung technische Schutzmaßnahmen, ersetzt sie jedoch nicht.

Schutzmaßnahme	Umsetzung
Vollständige Asset-Inventarisierung	Alle installierten SPS-Baugruppen einschließlich ihrer Firmwarestände, Netzwerkschnittstellen und Kommunikationsbeziehungen erfassen.
Sicherheitsupdates einspielen	Kritische Sicherheitslücken durch zeitnahe Installation verfügbarer Patches schließen.
Netzwerkzugriffe absichern	SPS-Baugruppen dürfen nicht direkt aus dem Internet erreichbar sein. Netzwerksegmentierung und restriktive Kommunikationsregeln konsequent umsetzen.
Zugriffskontrollen verstärken	Authentifizierung, Berechtigungen und administrative Zugänge überprüfen und absichern.
Anomalien erkennen	Ungewöhnliche Zugriffe, nicht autorisierte Änderungen an SPS-Konfigurationen und verdächtige Aktivitäten kontinuierlich überwachen.
SPS-Dienste und Steuerungslogik härten	Nicht benötigte Dienste und Protokolle deaktivieren und die Integrität der Steuerungsprogramme sicherstellen.

Schutzmaßnahmen für den sicheren Betrieb von SPSen

Fazit: Softsensoren erweitern klassische Überwachung

KI-basierte Softsensoren erweitern die klassische Überwachung dort, wo mehrere Einflussgrößen, zeitliche Verläufe oder komplexe Signalbilder zu bewerten sind. Sie können vorhandene Daten besser nutzbar machen und Auffälligkeiten frühzeitig an die Leitstelle melden, ohne für jede neue Fragestellung zusätzliche Messtechnik zu benötigen.

Ihr Nutzen hängt jedoch von geeigneten Normalzustandsdaten, einer sorgfältigen Modellpflege und einer sicheren Systemanbindung ab. Der richtige Einstieg ist daher eine klar abgegrenzte Überwachungsaufgabe mit verfügbaren Daten und einem nachvollziehbaren Ablauf für die Prüfung und Bearbeitung von Meldungen.

Gerne unterstützen wir Sie, falls Sie den Einsatz von Softsensoren in Ihrem Unternehmen in Betracht ziehen.

 

Jetzt Beratungstermin vereinbaren