Seltene Fehler, verstreute Daten: Warum Predictive Maintenance ein Paradefall für Federated Learning ist

Predictive Maintenance hat ein strukturelles Datenproblem, das selten offen ausgesprochen wird: Die interessanten Ereignisse sind genau die seltenen. Ein Verteilnetzbetreiber sieht über Jahre vielleicht eine Handvoll echter Trafo-Ausfälle. Für ein robustes Vorhersagemodell ist das zu wenig – egal wie gut die Sensorik ist.

Das Kernproblem: zu wenige Ereignisse pro Haus

Maschinelles Lernen braucht Beispiele, besonders für das, was es vorhersagen soll. Bei Ausfällen von Trafos, Wechselrichtern, Turbinen oder Netzkomponenten ist die Faktenlage je einzelner Organisation dünn:

• Ausfälle sind selten (zum Glück) und damit als Trainingssignal rar.
• Fehlerbilder sind heterogen – Hersteller, Baujahr, Betriebsweise variieren.
• Wer überhaupt genug Historie hätte, ist meist ein großer Betreiber; der Mittelbau hat zu wenig.

Das Ergebnis: Jeder trainiert auf zu schmaler Basis, oder es wird gar nicht erst ernsthaft versucht.

Warum gerade hier Federated Learning passt

Würden mehrere Betreiber ihre Anlagendaten zusammenlegen, wäre die Datenbasis für seltene Fehlerbilder plötzlich tragfähig. Nur: Betriebs- und Sensordaten gibt kaum jemand heraus – sie verraten Anlagenzustand, Wartungsstrategie und mitunter Geschäftsgeheimnisse.

Federated Learning löst genau diesen Konflikt: Das Modell lernt die seltenen Fehlermuster über alle Beteiligten hinweg, während die Rohdaten bei jedem Betreiber bleiben. Zwei Eigenschaften machen Predictive Maintenance dabei besonders geeignet:

• Geteilte Physik: Ein Wechselrichtertyp altert nach denselben physikalischen Prinzipien, egal in welchem Park er steht. Das gemeinsam Lernbare ist real.
• Geringere Wettbewerbssensibilität als bei Kundendaten: Anlagenzustände sind seltener direkt wettbewerbsentscheidend – die Hemmschwelle zur Kooperation ist oft niedriger als etwa bei Vertriebsdaten.

Die offene Frage bleibt das Matching

Technisch ist der Fall klar. Praktisch entscheidet, wer mit wem: Gleiche oder ähnliche Anlagentypen, vergleichbare Sensorik, kompatibler Rechtsraum. Ein Windpark-Aggregator und ein städtischer Verteilnetzbetreiber haben wenig gemeinsame Physik – zwei Betreiber desselben Wechselrichtertyps dagegen sehr viel.

Genau dieses Zusammenführen passender Partner ist die Aufgabe, auf die fedolink mittelfristig zielt.

---

Mehr dazu, wie Federated Learning grundsätzlich funktioniert, im Beitrag Was ist Federated Learning?. Neue Beiträge gibt es per RSS-Feed.