Wie unser GPS aus tausenden Sensordaten die wichtigen Signale herausfiltert

Die eigentliche Herausforderung im Datenhandling beginnt nach der Datenerfassung:
Aus dem kontinuierlichen Strom an Messwerten müssen die Hinweise herausgefiltert werden, die wirklich relevant sind. Ein einzelner „Ausreißer“ hat nicht unbedingt eine Bedeutung. Aber was, wenn der Wert wieder auftaucht oder länger anhält?

Beispielansicht des GPS-Moduls Smart Water:

Beispielansicht des GPS-Moduls Smart Energy:

Unser Ziel ist es, nur relevante Warnungen zu erzeugen. Hinweise, die im Dialysealltag weiterhelfen, aber nicht überfordern. Damit das gelingt, müssen wir verstehen, welche Werte in welchem Kontext normal sind, welche Ausreißer harmlos sind – und welche auf eine tatsächliche Auffälligkeit hindeuten.

Genau hier entwickeln wir unser GPS weiter: weg von reiner Datenerfassung, hin zu einem selbst-lernenden System, das aus tausenden Sensordaten die wichtigen Signale erkennt und benennt.

Warum Kontext für die Bewertung entscheidend ist

Sensordaten sind nur dann aussagekräftig, wenn man ihren zeitlichen und betrieblichen Kontext kennt:

Ein Netzbezug von 20 bis 40 kW ist tagsüber völlig normal, wenn die RO und das gesamte Zentrum unter Volllast laufen; aber ungewöhnlich im Standby nachts, etwa zwischen 00:00 und 06:00 Uhr. Zu einer solchen Uhrzeit wäre je nach Grundlast schon ein Bezug von 5 kW auffällig und könnte auf nicht abgeschaltete Geräte hinweisen.

Auch Wochentage spielen eine Rolle:

An einem dialysefreien Sonntag sehen die Daten anders aus als an einem voll belegten Dialysetag. Werte, die sonntags unauffällig sind, würden unter der Woche eine Warnung auslösen.

Warum Ausreißer nicht automatisch Probleme sind

Ein einzelner Wert, der kurz „stottert“, ist häufig harmlos. Kleine Schwankungen gehören in jedem Datensatz dazu. Entscheidend ist, ob

• der Wert wiederkehrt,
• er länger anhält,
• oder in einem Kontext (zum Beispiel ein bestimmter Zeitraum) auftritt, in dem er nicht zu erwarten ist.

Der Unterschied zwischen „Signal“ und „Rauschen“ ist zentral; und genau hier setzt die Weiterentwicklung unseres Systems an. Unsere GPS-Software muss die eingehenden Daten bewerten können und kontextabhängige Normalbereiche kennen, damit Hinweise wirklich relevant bleiben.

Was unsere GPS-Software heute schon leistet

Aktuell laufen bei uns rund 1.690 kontinuierliche Sensorwerte aus unterschiedlichen Zentren ein. Für jedes Zentrum erfassen wir 35 bis 65 Datenpunkte. Von Energieverbräuchen über Leitfähigkeiten bis hin zu Betriebszuständen: alles wird in Echtzeit abgebildet.

Diese Daten werden strukturiert ausgewertet.

Für jeden Sensor haben wir individuelle Grenzwerte und Normalbereiche definiert, immer im passenden Kontext: abhängig von Tageszeit, Wochentag und Betriebszustand. So können wir täglich prüfen, welche Auffälligkeiten wirklich relevant sind.

Nächstes Ziel: Machine Learning

Durch die Definition von Grenzwerten und kontextabhängigen Normalbereichen entsteht bereits heute eine entscheidende Voraussetzung: Daten lassen sich bewerten und einordnen. Damit wird sichtbar, welche Verläufe unauffällig sind und welche von der Norm abweichen.

Im nächsten Schritt können diese Einordnungen genutzt werden, um Trainingsdaten zu erzeugen. So wird es möglich, lernende Verfahren einzusetzen, die Muster in größeren Datenmengen erkennen und Zusammenhänge über einzelne Messpunkte hinaus verstehen. Das führt zu noch genaueren Bewertungen.

Langfristige Perspektive: Predictive Maintenance

Längerfristig eröffnet dieser Ansatz die Möglichkeit einer vorausschauenden Wartung. Ziel ist es dann, Auffälligkeiten nicht erst zu erkennen, wenn Grenzwerte überschritten werden, sondern sobald sich problematische Entwicklungen abzeichnen.

Die Basis für Predictive Maintenance schaffen wir bereits heute: mit sauber strukturierten Sensordaten und klaren Bewertungsregeln.