TimeSeries-Insight — KI-Analyse-Engine
Überblick
PlantPulse TimeSeries-Insight ist ein MCP-Server für KI-gestützte Anomalieerkennung, Prognose und Gesamtanalyse, der speziell auf Zeitreihendaten aus der Fertigung ausgelegt ist.
Auf Basis der KI-Modelle IBM Granite TSPulse (Anomalieerkennung) und TinyTimeMixer TTM (Prognose) liefert er intelligente Auswertungen für sämtliche Zeitreihendaten des Werks — Sensordaten, OEE, RAM, EMS, Alarme, Fertigungsaufträge und mehr.
Mit 33 Analysewerkzeugen und einem Feature Store deckt er alles von der Echtzeitanalyse bis hin zu vorberechneten Gesamtauswertungen ab.
insight-api (:8970) stellt Werkzeuge und Daten bereit, die Modellinferenz (TSPulse und TTM) wird an
insight-server (:8980) delegiert. Da eine GPU nur für die Inferenz benötigt wird, lassen sich beide Dienste auf
unterschiedlichen Systemen betreiben.
KI-Anomalieerkennung (Anomaly Detection)
Basismodell: IBM Granite TSPulse
| Gegenstand | Werkzeug | Analyseinhalt |
|---|---|---|
| Anlagensensoren | detect_asset_anomaly | Erkennung auffälliger Muster bei Temperatur, Druck, Vibration usw. |
| Systemressourcen | detect_system_anomaly | Erkennung von Auffälligkeiten bei CPU, Arbeitsspeicher, Datenträger |
| OEE | detect_oee_anomaly | Auffällige Muster bei Verfügbarkeit, Leistung, Qualität |
| RAM | detect_ram_anomaly | Auffällige Muster bei MTBF, MTTR |
| EMS | detect_ems_anomaly | Auffälligkeiten bei Energieverbrauch, Leistung, CO₂-Emissionen |
| Fertigungsauftrag | detect_order_anomaly | Auffälligkeiten der Produktionsqualität (OEE/RAM/EMS/kombiniert) |
| Alarm | detect_alarm_anomaly | Auffällige Muster in der Alarmhäufigkeit |
Wichtige Parameter:
threshold— Schwellwert für die Anomaliebewertung (bei 0 automatisch)top_k— Anzahl der Top-Anomaliemetrikenlookback_minutes— Analysezeitraumtarget_columns— Analyseobjekt (ohne Angabe werden automatisch alle Sensoren abgefragt)
KI-Prognose (Forecasting)
Basismodell: TinyTimeMixer (TTM)
| Gegenstand | Werkzeug | Prognoseinhalt |
|---|---|---|
| Anlagensensoren | forecast_asset | Künftiger Verlauf der Sensorwerte |
| Systemressourcen | forecast_system | Auslastung von CPU/Arbeitsspeicher/Datenträger |
| OEE | forecast_oee | Künftiger Verlauf von Verfügbarkeit, Leistung, Qualität |
| RAM | forecast_ram | Künftiger Verlauf der Zuverlässigkeitskennzahlen der Anlage |
| EMS | forecast_ems | Ausblick auf Energieverbrauch und CO₂-Emissionen |
| Fertigungsauftrag | forecast_order | Künftiger Verlauf der Produktionsqualität |
| Alarm | forecast_alarm | Trend der Alarmhäufigkeit, Ausfallprognose |
Wichtige Parameter:
prediction_length— Anzahl der Prognoseschritteenable_bounds— Ausgabe des Konfidenzintervalls (Ober-/Untergrenze)
Alarm-Tiefenanalyse
| Werkzeug | Beschreibung |
|---|---|
get_alarm_stats | Statistische Alarmübersicht — Häufigkeit, Prioritätsverteilung, Top-Alarme, Top-Tags |
analyze_alarm_duration | Analyse von Alarmdauer/MTTA — Erkennung von Verschlechterung, Verlauf der mittleren Quittierzeit |
analyze_alarm_correlation | Korrelation Alarm–Sensor — welche Sensoränderungen Alarme auslösen |
Anlagen-Gesundheitsindex
get_asset_health — ermittelt aus Sensoren, OEE, RAM, EMS und Alarmen einen Gesundheitswert von 0~100 Punkten
Feature Store
Liefert mit vorberechneten Features und LLM-Kontext eine schnelle Gesamtanalyse.
| Werkzeug | Beschreibung |
|---|---|
get_feature_status | Status des Feature Store — Scheduler-Jobs, Ausführungszeitpunkte, Backfill-Status |
get_asset_features | Abfrage der Anlagen-Features — Gesundheitswert, Anomaliewert, Alarme, Status, Produktionskennzahlen |
get_asset_context | LLM-Kontext — tägliche Zusammenfassung der Gesamtanalyse als Text (vorab erzeugt) |
analyze_asset | Gesamtanalyse der Anlage — Gesundheitswert, Sensoren, Alarme, OEE/RAM/EMS, Ursachenhinweise |
explain_asset_anomaly | Ursachenanalyse von Auffälligkeiten — Ursachenschätzung auf Basis auffälliger Tags, Alarme und Statusänderungen |
trigger_feature_pipeline | Manuelle Ausführung der Feature-Pipeline |
Architektur des Feature Store:
- Scheduler: automatische Feature-Berechnung stündlich (hourly) und täglich (daily)
- Embedding: Umwandlung der Anlagen-Features in Vektoren für die Ähnlichkeitssuche
- LLM-Kontext: tägliche Gesamtanalysetexte werden vorab erzeugt, um die Antwortzeit zu maximieren
MCP-Ressourcen (6 Stück)
| Ressourcen-URI | Beschreibung |
|---|---|
plantpulse://system/info | Systeminformationen |
plantpulse://domains | Domänenliste und API-Endpunkte |
plantpulse://metrics/oee | Beschreibung der OEE-Metriken |
plantpulse://metrics/ram | Beschreibung der RAM-Metriken |
plantpulse://metrics/ems | Beschreibung der EMS-Metriken |
plantpulse://metrics/alarm | Alarmmetriken und Analysefähigkeiten |
Anlagen und Tags verstehen
Wenn an einer Anlage mehrere Tausend Tags hängen, kann niemand mehr manuell erklären, welches wofür steht. Die folgenden Werkzeuge ordnen die Eigenschaften der Tags automatisch anhand von Statistiken aus Realdaten und Plattform-Metadaten ein.
| Werkzeug | Beschreibung |
|---|---|
list_asset_tags | Tag-Liste der Anlage |
get_asset_profile | Anlagenprofil — Einordnung, welches Tag welche Eigenschaften hat |
get_asset_tag_relations | Korrelation zwischen Tags — Gruppierung gemeinsam verlaufender Tags |
Fallsuche und Vergleich
| Werkzeug | Beschreibung |
|---|---|
find_similar_assets | Suche ähnlicher Anlagen — auf Basis der Kosinus-Ähnlichkeit von Vektor-Embeddings |
find_similar_anomalies | Suche ähnlicher Anomaliefälle — ob es in der Vergangenheit Auffälligkeiten gleicher Ausprägung gab |
find_fleet_outlier | Flotten-Ausreißer — Anlagen desselben Typs, die als einzige abweichend laufen |
search_pattern | Mustersuche — Auffinden von Abschnitten, die einer vorgegebenen Kurvenform ähneln |
check_failure_precursor | Prüfung auf Ausfallvorboten — ob die vor früheren Ausfällen aufgetretenen Signale aktuell erkennbar sind |
Anwendungsszenarien
| Szenario | Eingesetzte Werkzeuge |
|---|---|
| Früherkennung von Anlagenauffälligkeiten | detect_asset_anomaly → explain_asset_anomaly |
| Planung der vorausschauenden Instandhaltung | get_asset_health → forecast_asset → forecast_ram |
| Tägliches Anlagen-Briefing | get_asset_context → get_asset_features |
| Ursachenanalyse bei Alarmfluten | get_alarm_stats → analyze_alarm_correlation → analyze_alarm_duration |
| Vergleichsanalyse ähnlicher Anlagen | analyze_asset → find_similar_assets |
| Gab es diese Auffälligkeit schon einmal? | detect_asset_anomaly → find_similar_anomalies |
| Erkennen, bevor der Ausfall eintritt | check_failure_precursor → forecast_ram |
| Gleiche Anlage, aber nur eine ist auffällig | find_fleet_outlier → analyze_asset |
| Erkennung von Energieauffälligkeiten | detect_ems_anomaly → forecast_ems |
| Prognose der Produktionsqualität | detect_order_anomaly → forecast_order |