Anomalie-Detektion Sensordaten

Kurzdefinition

Anomalie-Detektion identifiziert automatisch ungewöhnliche Muster in Cannabis-Grow-Sensordaten — von einfachen Schwellwertalarmen bis zu KI-Modellen, die kontextsensitiv Equipment-Versagen oder pathogenbedingte Klimaveränderungen erkennen, bevor sie zu Ernteschäden führen.

Wissenschaftliche Beschreibung

Warum Anomalie-Detektion kritisch ist

Ein unentdeckter Sensor-Ausfall oder Equipment-Defekt in einem Cannabis-Growroom kann innerhalb von Stunden katastrophale Schäden verursachen: - Temperatursensor-Fehler (Stuck High): Lüftung überhitzt oder läuft durchgehend → Unterkühlung bei Nacht - EC-Sensor-Spike: Automatische Düngersysteme über-dosieren → Nährstoffverbrennung - Pumpenausfall: Wassermangel über Nacht → Welke und Stress - CO₂-Regler hängt auf "ein": CO₂-Vergiftung bei > 5.000 ppm - VPD-Anomalie: Ungewöhnlich hohe Blatttemperatur → Frühwarnung für Pathogenbefall (Botrytis, Echter Mehltau)

Potenzieller Schaden: EUR 50.000–200.000 pro Raumverlust bei kommerziellen Anlagen.

Methodenhierarchie

Ebene 1: Statistisch (regelbasiert)

Ebene 2: Machine Learning

Isolation Forest: Ensemble aus Zufalls-Entscheidungsbäumen. Ausreißer werden in wenigen Splits isoliert (kurze Pfade im Baum). Unsupervised — kein Labeling erforderlich. Gut für tabellarische Sensor-Snapshots.

Autoencoder: Neuronales Netz lernt komprimierte Repräsentation normaler Sensordaten. Bei Anomalien ist der Rekonstruktionsfehler hoch — das Netz "erkennt" das Muster nicht als normal.

LSTM-Autoencoder: Long Short-Term Memory-Schichten für temporale Muster. Lernt normale Zeitreihenverläufe (z.B. Tagestemperaturkurve) und erkennt Abweichungen im zeitlichen Kontext.

Ebene 3: State-of-the-Art — CNN-LSTM-POT

Catalano et al. (2022) (93 Zitierungen) und MDPI Future Internet (2025) beschreiben den aktuellen Stand:

1. CNN (Convolutional Neural Network): Extrahiert lokale Features aus Multi-Sensor-Snapshots (räumliche Muster über mehrere Sensoren gleichzeitig)
2. LSTM: Erfasst zeitliche Abhängigkeiten in den CNN-Features (langfristige Gedächtniseffekte)
3. POT (Peaks-Over-Threshold, Extremwerttheorie): Statistische Grundlage für Anomalie-Scoring — liefert formale Wahrscheinlichkeiten, nicht nur Heuristiken

Vorteil: Kontextsensitiv (erkennt Anomalien die nur in bestimmten Zeitfenstern oder Kombinationen abnormal sind), reduziert False Positive Rate.

Edge-Deployment: Das Modell läuft lokal auf Edge-Hardware (Raspberry Pi 4, NVIDIA Jetson) — keine Cloud-Abhängigkeit, Echtzeit-Verarbeitung mit minimaler Latenz. Kritisch für zeitkritische Eingriffe (Equipment-Abschaltung).

Alarm-Management

False Positive Rate ist kritisch — zu viele Fehlalarme führen zu Alarm Fatigue: Grower ignorieren Alarme, echte Notfälle werden übersehen. Optimierung: - Alarm-Stummschaltung während erwarteter Transienten (Licht an/aus → Temperatursprung normal) - Hysterese: Alarm erst nach N konsekutiven Anomalie-Sekunden - Alarm-Priorisierung nach Schweregrad

Schwellwert-Alarm vs. ML-Anomalie: - Schwellwert-Alarm: Sofort, explizit, aber kontextblind - ML-Anomalie: Kontextsensitiv, erkennt komplexe Muster, aber Latenz und Erklärbarkeit geringer

CUSUM ist besonders wertvoll für Trend-Detektion: Erkennt schleichende Sensor-Kalibrierungsfehler (EC-Sensor driftet über Wochen um 0,1 mS/cm), bevor der absolute Schwellwert verletzt wird.

Root Cause Analysis nach Anomalie-Alarm

Nach Alarm-Triggering: Systematische Diagnose über Korrelationsanalyse mehrerer Sensoren: - Temperatur hoch + Luftfeuchtigkeit hoch → Lüftungsausfall oder Kühlungsausfall - EC-Spike isoliert → Sensor-Kalibrierungsfehler vs. Düngerpumpen-Fehler (Kombination mit Flow-Sensor prüfen) - VPD-Anomalie nachts → Blatt-Transpirationsveränderung → Pathogen-Frühwarnung

Integration und Infrastruktur

Echtzeit-Processing: Apache Kafka Streams oder AWS IoT Analytics für High-Throughput-Verarbeitung (> 1.000 Sensornachrichten/Sekunde bei Großanlagen).

Batch-Verarbeitung: Tägliche Anomalie-Retrospektive in InfluxDB/Grafana — identifiziert bisher unentdeckte schwache Signale.

Grafana Alerts / Prometheus: Anomalie-Scores als Metriken → Alerting-Integration in bestehenden TIG-Stack; kein separates Monitoring-System erforderlich.

Anbau-Relevanz

Anomalie-Detektion liefert von allen KI-Anwendungen das schnellste ROI mit niedrigstem Risiko: Ein vermiedener Totalverlust amortisiert das gesamte System in wenigen Tagen.

ROI-Kalkulation (Branchenangaben): - Investition: Edge-Hardware + Setup: EUR 5.000–15.000 - Vermiedene Verluste: EUR 50.000–200.000 pro verhindertem Raumverlust - Payback: 1–3 Monate

Implementierungspriorität (empfohlene Reihenfolge): 1. Sensor-Health-Monitoring (Ausfall, Freeze, Stuck-Value) 2. Equipment-Fehler (Pumpen, HVAC, Lichtausfall) 3. Umgebungsanomalien (Klimaentgleisung, VPD-Anomalien)

Verwandte Begriffe

• iot-datenstack — Anomalie-Detektion verarbeitet die IoT-Zeitreihendaten
• reinforcement-learning-klima — Anomalie-Detektion als Sicherheitsnetz für RL-Aktionen
• llm-cultivar-assistent — LLM kann Anomalie-Alarme diagnostizieren und Handlungsempfehlungen geben

Quellen

1. Catalano, C. et al. (2022): Anomaly detection in smart agriculture systems. Computers in Industry 141:103693. https://www.sciencedirect.com/article/abs/pii/S0166361522001476
2. MDPI Future Internet (2025): CNN-LSTM-POT-Based Anomaly Detection for Smart Greenhouse Sensor Data on Edge Devices. Future Internet 18(4):205. https://www.mdpi.com/1999-5903/18/4/205
3. PMC (2025): Deep learning-based anomaly detection for precision field agriculture. https://pmc.ncbi.nlm.nih.gov/articles/PMC12116526/
4. Petasense: Practical Applications of AI for Predictive Maintenance and Asset Performance Monitoring. http://petasense.com/practical-applications-ai-predictive-maintenance-asset-performance-monitoring

Quellen

• https://doi.org/10.1021/acs
• Wang CT et al. (2022): Air quality in cannabis cultivation facilities. Environ. Sci. Technol. doi:10.1021/acs.est.1c06372