Prozessqualitätsprognose & virtuelle Sensoren (Soft-Sensoren)

Viele der wichtigsten Werte in der Produktion, etwa Viskosität, Schmelzindex, Restfeuchte, Konzentration, Schichtdicke oder Zugfestigkeit, werden nur wenige Male pro Schicht im Labor oder mit teuren und störanfälligen Analysatoren gemessen. Zwischen den Proben fährt die Anlage blind. Ein Soft-Sensor (virtueller Sensor) ist ein Modell, das einen solchen Wert kontinuierlich aus den Signalen schätzt, die die Anlage ohnehin aufzeichnet. Das Bedienpersonal sieht die Qualität driften, Stunden bevor das Laborergebnis vorliegt. Labore können seltener Proben nehmen. Fortgeschrittene Prozessregelung (APC) kann dann auf die vorhergesagte Qualität regeln. Halbleiterfabriken nutzen dieselbe Idee unter dem Namen Virtual Metrology.

Problem & Nutzen

• Heute: Die Qualität wird durch periodische Laborproben geprüft (oft mit 1–8 h Verzögerung), durch Offline- Messtechnik an stichprobenartig entnommenen Wafern oder Teilen oder durch Online-Analysatoren, die driften und ständige Pflege brauchen. Ausschuss wird spät entdeckt und wird zu Nacharbeit, Abwertung oder Verschrottung. Faustregel-Korrelationen der Ingenieure liegen in Tabellenkalkulationen.
• KI-Nutzen: kontinuierliche Sichtbarkeit der Qualität, frühere Eingriffe, weniger Probenahme- und Analysator- aufwand, eine Rückfalloption bei Ausfall eines physischen Analysators und eine regelbare Größe für APC/MPC.
• Etablierte Praxis: Die Prozessindustrie nutzt datengetriebene Soft-Sensoren seit über zwei Jahrzehnten. Der klassische Überblick von Kadlec, Gabrys und Strandt (mit Evonik) deckt Anwendungen in Chemie, Bioprozessen und Stahl ab. Er benennt die typischen Datenprobleme: Messrauschen, fehlende Werte, Ausreißer, kollineare Merkmale, wechselnde Abtastraten und die Notwendigkeit der Modellanpassung [1].
• Regulatorische Akzeptanz in der Pharmaindustrie: ICH Q13 (kontinuierliche Herstellung) nennt Soft-Sensoren ausdrücklich, „ein Modell, das anstelle einer physischen Messung verwendet wird, um eine Variable oder ein Attribut zu schätzen", als Werkzeug der Prozessüberwachung. Es verlangt außerdem laufende Modellpflege und Leistungsüberwachung während der kommerziellen Herstellung [2]. Das baut auf dem PAT-Rahmenwerk der FDA auf [3].
• Es gibt von Anbietern berichtete Vorteile (z. B. auf den Seiten von Seeq und Imubit [8][11]), doch sie sind ungeprüfte Marketingzahlen. Messen Sie Ihre eigene Ausgangslage: Ausschussquote, Häufigkeit der Laborproben, Zeit bis zur Erkennung.

Varianten

• Kontinuierliche Prozessindustrie: inferenzielle Qualität für Destillationskolonnen (Verunreinigungen, Schnitt- punkte), Schmelzindex und Dichte von Polymeren, Produkteigenschaften in Raffinerien, Zementfeinheit und freier Kalk.
• Batch / Bioprozess & Pharma: Golden-Batch-Modelle und Vorhersage von Titer, Ausbeute und CQAs am Chargenende. Raman-/NIR-Spektren werden über chemometrische Modelle (PLS) als PAT-Soft-Sensor in Konzentrationen umgerechnet [5].
• Virtual Metrology in der Halbleiterfertigung: Schichtdicke, kritische Dimension oder Ätztiefe je Wafer aus Sensor-Traces der Anlage (FDC) vorhersagen, statt jeden Wafer zu messen. Veröffentlichte Beispiele sind CVD-Nitrid- Schichtdicke und Lithografie-CD [6]. Die Klassifikation von Wafer-Map-Defekten ist VIS-056.
• Diskrete Fertigung (Predictive Quality): Teilequalität aus Maschinendaten vorhersagen: Spritz- guss (Maße aus Werkzeuginnendruck-/Temperaturverläufen), Schweißen (Nahtqualität aus Strom und Spannung), Zerspanung (Oberflächenrauheit), Extrusion, Batteriezellfertigung (Elektrodenqualität).
• Lebensmittel & Getränke: Feuchte, Brix, Fettgehalt oder geschmacksbezogene Merkmale aus Liniendaten. Virtuelle Sensoren für Frische/Haltbarkeit bei verderblichen Waren [1].
• Wasser & Umwelt (öffentlicher Sektor): CSB/NH₄ im Ablauf oder Emissionsschätzungen (prädiktive Emissions- überwachung) als Rückfallebene für Analysatoren. Die Optimierung der Aufbereitung selbst ist OPT-024.
• Produktseitige virtuelle Sensoren (Automobil/Maschinenbau): Größen ohne physischen Sensor schätzen, z. B. Temperaturen oder Lasten in einem Bauteil, um Hardwarekosten zu sparen. Einsatz auf Steuergeräten (ECUs) oder Edge-Runtimes.
• Privatnutzung: nicht relevant.

So funktioniert es

1. Historian / SPS / FDC-Traces + LIMS-Laborwerte (spärlich, verzögert)
2. Tags kontextualisieren (Anlage, Einheit, Rezeptur, Charge) [DATA-016]
3. Labor-Zeitstempel mit Prozessdaten abgleichen (Totzeit, Verweilzeit, Probenverzug)
4. Bereinigung (Ausreißer, eingefrorene Sensoren, fehlende Werte, Erkennung stationärer Zustände/Phasen)
5. Feature Engineering (Lags, gleitende Fenster, Statistiken je Chargenphase, Spektren-Vorverarbeitung)
6. Modell: PLS/PCR · Gradient Boosting · tabellarisches FM · Sequenzmodell · Hybrid aus First-Principles + ML
7. Validierung auf späteren Zeiträumen (nie zufällige Splits)
8. Einsatz: Streaming-Scoring alle paar Sekunden/Minuten
9. Historian-Tag / DCS / Dashboard
10. Überwachung: Anwendbarkeitsbereich, Residuum je neuem Laborwert, Drift
11. Rekalibrierung

• Modellfamilien: Lineare Latent-Variable-Modelle (PLS, PCA-basiert) sind weiterhin das Arbeitspferd, weil sie bei kollinearen Sensoren robust und leicht zu erklären und zu validieren sind [1][5]. Gradient-Boosted Trees und neuronale Netze bewältigen nichtlineare Bereiche. Hybride (Grey-Box-)Modelle kombinieren Massen-/Energiebilanzen oder einen Prozesssimulator mit einem ML-Korrekturterm und extrapolieren besser.
• Bias-Update: Jeder neue Laborwert korrigiert den Offset des Modells (rekursive Updates / Updates mit gleitendem Fenster). Bibliotheken für Online-Lernen wie River unterstützen dieses Muster [10].
• Mensch-in-der-Schleife (Human-in-the-Loop): Verfahrensingenieure wählen die Eingänge und geben Modelle frei. Das Bedienpersonal sieht die Schätzung mit ihrer Unsicherheit und dem Gültigkeitskennzeichen. Qualitätsfreigaben bleiben bei der QS, es sei denn, eine validierte Strategie zur Echtzeit-Freigabe wurde genehmigt.

Datenaufbereitung

Soft-Sensoren stehen und fallen mit abgeglichenen Prozessdaten. Sensor-Zeitreihen liegen im Historian (PI, Wonderware), in SCADA oder SPS-Logs; Labor- und Qualitätsergebnisse liegen in LIMS, QM-Software, Excel oder sogar auf Prüfblättern aus Papier; Rezepturen, Lose und Aufträge liegen in MES oder ERP. In vielen Werken des Mittelstands fehlt der Historian, und die Daten liegen nur auf lokalen SPS- oder Maschinen-PCs.

Typische Lücken: Laborwerte mit manuellen Zeitstempeln, die nicht zur Sensoruhr passen, Aussetzer und Drift, geänderte Tags, fehlende Chargen- oder Los-IDs, zu wenige Laborproben sowie undokumentierte Wartungs- oder Kalibrierereignisse, die Sprünge erklären.

Schritte: Tags und Quellen inventarisieren (PREP-001, PREP-002), Daten aus Historian, MES und ERP herausholen (PREP-005), Laborprotokolle auf Papier digitalisieren (PREP-006, PREP-008), Zeitstempel abgleichen und neu abtasten, Laborwerte dem Prozessfenster zuordnen, Stillstands- und Wartungszeiten kennzeichnen (PREP-020) und ein sauberes Tabellendesign vereinbaren (PREP-011). Werkzeuge: OPC UA, Node-RED, Telegraf mit InfluxDB oder TimescaleDB, pandas, Power Query. Legen Sie den Auswertungsdatensatz gemeinsam mit den Verfahrensingenieuren fest (PREP-018). Siehe DATA-003 und GUIDE-003.

Planen Sie etwa die Hälfte bis zwei Drittel des Aufwands für diese Arbeit ein, einschließlich OT-Zugang und Korrektur der Zeitsynchronisation. Erwarten Sie kein gutes Modell, bevor die Labordaten rückverfolgbar sind.

Umsetzungswege

Welcher Weg für wen

• smb: C. Prozess- und Rezepturdaten sind Betriebsgeheimnisse, einfache tabellarische Modelle laufen auf HW1, und ein Open-Source-Stack (Python, MLflow, eine Zeitreihendatenbank) kann Soft-Sensoren, Anomalieerkennung und Berichte gemeinsam bedienen.
• enterprise: B. Mehrere Werke brauchen eine verwaltete ML-Plattform in einer EU-Region, die mit Historian und MES verbunden ist; Industrie-Suiten (Weg A) passen dort, wo das Werk sie bereits einsetzt.
• developer: C. Offene Bibliotheken geben volle Kontrolle über Feature Engineering, Validierung und Drift-Überwachung.
• public (Labore, Versorger, Forschungsanlagen): C. Souveränes Hosting und offene Werkzeuge passen zu Vergabe- und KRITIS-Regeln.

Weg A — Kaufen (Standardsoftware) (passt für Werke, die bereits einen Historian und Industrie-Suiten betreiben)

• Self-Service-Prozessanalytik auf dem Historian: TrendMiner (belgischer Ursprung, ML- und agentische Analyseschicht, EU-freundlich) [9], Seeq (Agent Q / Seeq Intelligence) [8], AVEVA PI System mit seinem Analytik-Ökosystem.
• Inferenz-/APC-Suiten von Automatisierungsanbietern: AspenTech (inzwischen Teil von Emerson) Aspen-IQ-Inferenz- modelle mit Aspen DMC; Yokogawa Platform for Advanced Control and Estimation; Honeywell Profit Suite; Siemens APC in SIMATIC PCS 7/neo.
• Batch & Pharma: Sartorius SIMCA / SIMCA-online (deutscher Eigentümer, Umetrics MVDA, Golden-Batch- und Echtzeit-Vorhersagen, Raman-Modelle) [5].
• Halbleiter: Virtual-Metrology- und FDC-Module von Fab-Software-Anbietern (Applied Materials SmartFactory, PDF Solutions Exensio, das auch auf die Batteriezellfertigung zielt [12]).
• Wählen Sie A, wenn: bereits ein Historian existiert und Ingenieure (nicht Data Scientists) Modelle mit Prüfpfad erstellen, einsetzen und pflegen sollen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Plattformen: Azure Machine Learning / Fabric Real-Time Intelligence (EU-Regionen), AWS SageMaker (Frankfurt) mit IoT SiteWise, Google Vertex AI (EU-Standorte), Databricks. Souveräne EU-Optionen: STACKIT, IONOS, OVHcloud mit dem offenen Stack aus Weg C.
• Industrielle Datenplattformen für kontextualisierte Daten und Modelleinsatz: Cognite Data Fusion (Norwegen), Siemens Insights Hub, Microsoft Fabric / Azure IoT Operations.
• Integration: OPC UA / MQTT (Sparkplug B) in einen Unified Namespace, ein Scoring-Dienst liefert die Schätzung als Tag zurück. LLMs sind optional, als Copilot, der Modelle erklärt oder Feature-Hypothesen entwirft. Sie sind nicht der Prädiktor.
• Wählen Sie B, wenn: viele Standorte eine gemeinsame Modellfabrik nutzen und die Daten bereits in der Cloud liegen. Latenz und OT/IT-Segmentierung müssen es zulassen. Viele Werke betreiben das Scoring weiter On-Premises, auch wenn das Training in der Cloud stattfindet.

Weg C — Selbst betreiben (Open Source)

• Modellierung: scikit-learn (PLS, Ridge, GPR), XGBoost/LightGBM/CatBoost, sktime/Darts für Zeitreihen- Merkmale mit Lags, River für Online-/Bias-aktualisierte Modelle [10]. TabPFN (Prior Labs, Freiburg/Deutschland) ist ein tabellarisches Foundation-Modell für kleine Laborwert-Datensätze. Beachten Sie, dass die Gewichte ab v2.5 nicht-kommerzielle Lizenzen tragen, prüfen Sie also die Lizenzierung vor dem Produktiveinsatz [7]. Chronos-2 (Apache-2.0) unterstützt Prognosen mit Kovariaten, wenn Sie die Qualität zeitlich vorausschauend vorhersagen müssen [4].
• Daten & Betrieb: TimescaleDB/InfluxDB oder der vorhandene Historian, Node-RED/Telegraf für OPC UA, MLflow als Modellregister, Grafana für Ansichten des Bedienpersonals. Modelle für Edge-PCs neben der Linie nach ONNX exportieren.
• Hardware: HW1 genügt. Training und Scoring von PLS-/Boosting-Modellen laufen auf einem CPU-Server oder industriellen Edge-PC. HW2 nur für tiefe Sequenzmodelle auf hochfrequenten Traces oder Spektren.
• Betriebsaufwand: Modellüberwachung und Rekalibrierung sind die wichtigsten laufenden Kosten, nicht die Rechenleistung.

Weg D — Eigenes Training

Jeder Soft-Sensor ist technisch auf Anlagendaten „eigens trainiert". Weg D bedeutet hier, weiterzugehen: tiefe Sequenzmodelle (1D-CNN/Transformer) auf hochfrequenten Maschinen-Traces (Virtual Metrology, Schweißen, Spritzgusskurven), hybride Physik-ML-Modelle auf Basis eines Prozesssimulators oder Transfer Learning über ähnliche Linien/Anlagen. Lohnt sich, wenn lineare/Boosting-Modelle stagnieren und tausende gelabelte Proben vorliegen, oder wenn ein Modell auf viele baugleiche Maschinen übertragen werden muss. Benötigte Daten: mehrere Monate bis Jahre Historian-Daten mit konsistenten Laborergebnissen, die das Betriebsfenster abdecken (Sorten, Lasten, Jahreszeiten).

Stand der Technik (2026)

• Robuste Basislinien gewinnen oft weiterhin: PLS und Gradient Boosting mit sorgfältigem Zeitabgleich und Fachmerkmalen bleiben der Standard in der Produktion. Die Datenqualität, nicht die Modellklasse, bestimmt die Genauigkeit [1].
• Tabellarische Foundation-Modelle (TabPFN-3.x, laut Dokumentation bis zu 1 Mio. Zeilen) liefern starke Regression ohne Anpassung auf kleinen Datensätzen. Die Lizenzierung ist die wichtigste Grenze [7].
• Zeitreihen-Foundation-Modelle mit Kovariaten (Chronos-2) machen „die nächsten Stunden einer Qualitätsgröße aus Prozesseingängen vorhersagen" als Basislinie ohne Training (Zero-Shot) machbar [4].
• Hybride Modellierung und agentische Analytik: Anbieter ergänzen physikinformierte Modelle und LLM-Agenten, die den Historian durchsuchen, Merkmale vorschlagen und Abweichungen erklären (TrendMiner, Seeq Agent Q) [8][9].
• Vom offenen zum geschlossenen Regelkreis: Soft-Sensoren speisen zunehmend APC und KI-Regler. Das autonome Schreiben von Sollwerten ist OPT-038.
• Fehlerbilder: Extrapolation außerhalb des trainierten Betriebsbereichs (neue Sorte, Rohstoff, Katalysatoralter), Sensordrift und Rekalibrierung, geänderte Labormethoden, Datenlecks durch falsch abgeglichene Zeitstempel, Scheinkorrelationen mit Eingriffen des Bedienpersonals und schleichender Qualitätsverlust, wenn niemand Vorhersagen mit neuen Laborwerten vergleicht. Gegenmaßnahmen: Prüfung des Anwendbarkeitsbereichs, Residuenüberwachung und planmäßige Revalidierung (wie ICH Q13 sie für die Pharmaindustrie verlangt [2]).

Gemeinsame Bausteine & Kombinationen

• Gleiche Datenpipeline (Historian + OT-Kontextualisierung, Streaming): ANOM-005 industrielle Anomalie- erkennung, PRED-006 vorausschauende Wartung, PRED-013 Ertragsprognose in der Produktion, DATA-016 Tag-Zuordnung und Unified Namespace. Eine OPC-UA/MQTT-Ingestion-Schicht, ein Historian und ein Modellregister bedienen alle.
• Nachgelagerte Optimierung: OPT-009 Parameteroptimierung und OPT-038 Regelung im geschlossenen Kreis nutzen die Soft-Sensor-Schätzung als Zielgröße. OPT-024 tut dasselbe in der Wasseraufbereitung.
• Qualitäts-Stack: VIS-001 Kamera-Inspektion (End-of-Line-Verifikation der vorhergesagten Qualität), VIS-056 Wafer-Ausbeute-Analytik (ergänzt Virtual Metrology), SCI-018 Spektreninterpretation (PAT- Spektren als Eingänge), PRED-025 Frühwarnung bei Gewährleistungsfällen (Rückmeldungen aus dem Feld zur Qualität).
• Simulation: SCI-005 Surrogatmodelle und Prozesssimulatoren liefern die Physikhälfte hybrider Modelle.
• Hardware: HW1-CPU/Edge-PCs, geteilt mit vorausschauender Wartung und Anomalieerkennung. Eine HW2-GPU nur, wenn tiefe Modelle auf Traces oder Spektren oder ein LLM-Copilot On-Premises (KNOW-004) hinzukommen.

Aufwand, Kosten & Kennzahlen

• Weg A: erster Soft-Sensor in 4–12 Wochen auf einem vorhandenen Historian. Kostentreiber sind die Plattform- lizenz (je Standort/Nutzer/Tag) plus Ingenieurzeit.
• Weg B/C: 2–4 Monate für das erste Produktionsmodell einschließlich Datenabgleich, OT-Integration und Überwachung. Jeder weitere Sensor auf derselben Pipeline ist deutlich günstiger.
• Versteckte Kosten: Qualität der Labordaten (falsche Probenzeitstempel sind das häufigste Problem), Freigaben für das OT- Netzwerk und die Zuständigkeit für laufende Rekalibrierung.
• Kennzahlen: Vorhersagefehler gegenüber dem Labor (RMSE/MAE relativ zur Wiederholpräzision der Labormethode), Anteil der Zeit im Gültigkeitsbereich, Zeit bis zur Erkennung von Ausschuss, Ausschuss-/Verschrottungsquote, Laborproben pro Tag, abgedeckte Analysator-Stillstandszeit, APC-Verfügbarkeit, wenn der Soft-Sensor die Regelgröße ist.

Menschen & Veränderung

Beziehen Sie die Abteilungsleitung (Produktions- oder Qualitätsleiter) sowie die Verfahrensingenieure und das Bedienpersonal ein, die die Schätzung nutzen werden; sie wissen, welche Signale zählen und wann das Modell plausibel danebenliegt. IT und IT-Sicherheit müssen den OT-Zugang freigeben (zunächst ein lesender Datenabgriff, IEC 62443). Die Dateneigner für Historian, LIMS und MES klären Exporte. Die Geschäftsleitung legt den Umfang fest und akzeptiert, dass das erste Modell Wochen an Datenarbeit braucht.

Betriebsrat: kommt darauf an. Ein Soft-Sensor auf reinen Prozessdaten zielt nicht auf Beschäftigte. Gelangen jedoch Bediener-IDs oder Schichtprotokolle in den Datensatz oder werden Alarme und Korrekturen je Person protokolliert, ist das System objektiv zur Verhaltensüberwachung geeignet, und §87(1) Nr. 6 BetrVG greift (BAG: Eignung genügt). Informieren Sie stets nach §90(1) Nr. 3, wenn sich Arbeitsverfahren ändern, und erwägen Sie einen Sachverständigen nach §80(3). Vereinbaren Sie schriftlich, dass das Modell nicht zur Leistungsbeurteilung verwendet wird.

Datenschutz: Bediener-IDs pseudonymisieren; in der Regel keine DSFA, fragen Sie aber die/den Datenschutzbeauftragte(n) (GUIDE-005). KI-Kompetenz: Schulen Sie das Bedienpersonal, was die Schätzung bedeutet, wie man Konfidenz liest und wann man dem Labor vertraut (GUIDE-006, Art. 4 verlangt Unterstützungsmaßnahmen).

Pilotieren Sie auf einer Linie im Schattenbetrieb: Zeigen Sie die Schätzung neben dem Laborwert an, ohne danach zu handeln. Typische Sorgen sind Arbeitsplatzverlust und „das Modell übersteuert mein Urteil"; begegnen Sie ihnen, indem Sie das Bedienpersonal in der Schleife halten und die Sicherheitssysteme unabhängig vom Modell betreiben. Siehe GUIDE-009 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act) (kommt darauf an): Ein Soft-Sensor, der nur das Bedienpersonal oder Qualitätsingenieure informiert, ist in der Regel minimales Risiko (Art. 4 KI-Kompetenz gilt). Er wird Hochrisiko, wenn er als Sicherheits- komponente bei der Verwaltung und dem Betrieb kritischer Infrastruktur eingesetzt wird (Versorgung mit Wasser, Gas, Wärme oder Strom; Anhang III Nr. 2) [13]. Er kann auch als Sicherheitskomponente von Maschinen oder anderen Produkten nach Anhang I zum Hochrisiko-System werden (die Maschinenverordnung (EU) 2023/1230 gilt ab Jan. 2027). Eine reine Qualitätsnutzung ist keine Sicherheitsfunktion. Halten Sie sicherheitstechnische Systeme (IEC 61511) unabhängig von ML-Schätzungen. Art. 5 und Art. 50 sind nicht relevant.
• Pharma (GMP): Für Regelung oder Freigabe genutzte Soft-Sensoren sind Teil der Kontrollstrategie. Sie brauchen Validierung, Änderungskontrolle und Modellpflege (ICH Q13, EU-GMP-Annex 11 für computergestützte Systeme, Datenintegrität / ALCOA+) [2][3].
• Weitere Branchenregeln: Für Genehmigungsberichte genutzte Emissionsschätzungen brauchen die Anerkennung der Behörde (EN 14181 für Analysatoren). Lebensmittel: HACCP, kritische Lenkungspunkte dürfen sich also nicht allein auf ein nicht validiertes Modell stützen. Cybersicherheit: IEC 62443 und NIS2 für die OT-Integration. Das Zurückschreiben in ein DCS braucht eine geprüfte Schnittstelle.
• DSGVO: Prozessdaten sind normalerweise keine personenbezogenen Daten. Bediener-IDs oder Schichtprotokolle im Datensatz können sie personenbezogen machen, pseudonymisieren Sie diese also und nutzen Sie das System nicht zur Leistungsüberwachung von Mitarbeitenden ohne Zustimmung des Betriebsrats (BetrVG §87(1) Nr. 6 in Deutschland).
• Gegenmaßnahmen: Gültigkeitskennzeichen, Rückfall auf den letzten Laborwert, Alarme bei Residuendrift, versionierte Modelle mit Freigabe-Workflow und regelmäßiger Vergleich mit Referenzmessungen.

Erste Schritte

1. Eine Variable mit hoher geschäftlicher Wirkung und langsamer Messung wählen (z. B. ein Laborwert, der Ausschussentscheidungen bestimmt). Die heutige Laborverzögerung, Probenhäufigkeit und die Kosten für Ausschuss beziffern.
2. 6–24 Monate Historian-Daten plus LIMS-Ergebnisse exportieren. Probenzeitstempel korrigieren und Totzeiten mit den Verfahrensingenieuren vereinbaren.
3. Eine PLS- und eine Gradient-Boosting-Basislinie mit zeitbasierter Validierung bauen. Prüfen, ob der Fehler nahe an der Wiederholpräzision der Labormethode liegt.
4. Das Modell 4–8 Wochen im Schattenbetrieb laufen lassen und neben den Laborwerten anzeigen, bevor das Bedienpersonal oder die APC danach handelt.
5. Die Zuständigkeit für Überwachung und Rekalibrierung festlegen, dann auf weitere Variablen auf derselben Pipeline skalieren (und auf ANOM-005/PRED-006 mit denselben Daten).

Quellen

Note: the web-search budget ran out during research. Vendor facts were verified by fetching the primary pages listed below where possible. 1. Kadlec, Gabrys, Strandt — Data-driven Soft Sensors in the Process Industry, Computers & Chemical Engineering 33(4), 2009 — http://eprints.bournemouth.ac.uk/8498/1/CACE_KadlecGabrysStrandt_2008.pdf 2. ICH Q13 — Continuous Manufacturing of Drug Substances and Drug Products (Step 4, 2022), incl. soft-sensor and model-maintenance definitions — https://database.ich.org/sites/default/files/ICH_Q13_Step4_Guideline_2022_1116.pdf 3. U.S. FDA — PAT: A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance (Oct 2004), FDA guidance for industry — https://www.fda.gov/regulatory-information/search-fda-guidance-documents/pat-framework-innovative-pharmaceutical-development-manufacturing-and-quality-assurance 4. Amazon Science — Chronos forecasting models incl. Chronos-2 (covariates, Apache-2.0) — https://github.com/amazon-science/chronos-forecasting 5. Sartorius — SIMCA / SIMCA-online MVDA software — https://www.sartorius.com/en/products/process-analytical-technology/data-analytics-software/mvda-software/simca 6. Virtual metrology overview with references (Purwins et al. 2014 CVD thickness; Susto et al. 2015 lithography CD) — https://en.wikipedia.org/wiki/Virtual_metrology 7. Prior Labs — TabPFN repository (versions, size limits, weight licences) — https://github.com/PriorLabs/TabPFN 8. Seeq — industrial analytics platform, Agent Q — https://www.seeq.com/ 9. TrendMiner — industrial analytics, ML and analytics agent — https://www.trendminer.com/ 10. River — online machine learning in Python — https://riverml.xyz/latest/ 11. Imubit — closed-loop AI process models (vendor-reported results) — https://www.imubit.com/ 12. PDF Solutions — Exensio platform incl. battery manufacturing modules — https://www.pdf.com/ 13. EU AI Act Annex III (high-risk areas, point 2 critical infrastructure) — https://artificialintelligenceact.eu/annex/3/ 14. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj