Neural Network mit fraktionalem Ordnungssinn zur Erkennung von Prozessabweichungen in der Herstellung von Glasfaserkabeln

Warum winzige Störungen in Kabelwerken wichtig sind

Jeder Videoanruf, jede Cloud‑Sicherung und jedes Online‑Spiel hängt davon ab, dass Licht mit hoher Geschwindigkeit durch haarfeine Glasfasern läuft. Die Herstellung dieser Fasern ist eine heikle Fertigkeit: Eine leichte Schwankung bei Temperatur oder Zugspannung kann Kilometer an Kabel zu teurem Ausschuss machen. Dieser Artikel beschreibt eine neue Art künstlicher Intelligenz, die eine Glasfaser‑Produktion in Echtzeit überwacht und lernt, subtile Probleme lange vor den abschließenden Qualitätsprüfungen zu erkennen — wodurch Material, Energie und Kosten gespart werden können.

Den Herzschlag einer Faserfabrik beobachten

Moderne Glasfaserkabel werden in mehreren Schritten gefertigt: Glas wird zu dünnen Fasern gezogen, mit Schutzpolymeren beschichtet, in Kunststoffrohre eingeführt, zu Bündeln verdreht und in Außenmantel eingehüllt. In jedem Schritt erfassen Dutzende Sensoren Druck, Temperatur, Geschwindigkeiten und Zugspannungen. Auf der hier betrachteten Extrusionslinie liefern 232 Sensoren jede Sekunde eine neue Messung über Jahre hinweg. Meist läuft die Linie stabil, doch Mängel werden oft erst ganz am Ende der Produktion entdeckt, wenn das fertige Kabel auf Signalverlust oder mechanische Fehler geprüft wird. Diese Verzögerung erschwert es, genau zu bestimmen, wann und warum ein Fehler begann, und die riesige Datenmenge macht manuelle Überwachung unmöglich.

Maschinen beibringen, selbständig Auffälliges zu finden

Um das Problem anzugehen, griffen die Forschenden zu einer Familie von Deep‑Learning‑Modellen namens rekurrente neuronale Netze, die gut darin sind, Sequenzen wie Sprache, Text oder Sensorströme zu lesen. Anstatt ihnen genau vorzugeben, wie jeder Fehler aussieht, erhält das Modell nur schwache Hinweise: Einige Produktionsläufe sind als fehlerhaft, andere als sauber gekennzeichnet. Das Team komprimiert zuerst die Roh‑Sensordaten mit einem mathematischen Werkzeug namens Wavelet‑Transformation, das jedes Signal in kurz‑ und langfristige Muster zerlegt. Diese Muster werden anschließend geclustert, um eine Reihe typischer Prozess‑„Zustände“ zu erstellen, von normalem Betrieb bis zu mehreren Arten abnormen Verhaltens. Diese Zustände dienen als angenäherte Trainingslabels und erlauben dem Netzwerk zu lernen, welche zeitlichen Muster typischerweise schlechten Produkten vorausgehen.

Eine neue Art von Gedächtnis für neuronale Netze

Die zentrale Innovation der Arbeit ist eine neu gestaltete Speichereinheit im Netzwerk, genannt FD‑LSTM (Fractional‑Derivative Long Short‑Term Memory). Standard‑LSTM‑Zellen entscheiden in jedem Zeitschritt, wie viel der Vergangenheit sie mit festen mathematischen Funktionen erinnern oder vergessen sollen. Die Autorinnen und Autoren ersetzen diese durch „fraktionale“ Varianten, die dem Modell effektiv ein einstellbares, abgestuftes Gedächtnis für die entfernte Vergangenheit geben. Anstatt nur auf aktuelle Sensormessungen zu reagieren, kann das FD‑LSTM Ereignisse, die viele Minuten zurückliegen, gleichmäßig gewichten — ein entscheidender Vorteil in einem Prozess, in dem langsame Drift bei Druck, Temperatur oder Faserspannung allmählich zu Defekten führt.

Das Modell im Live‑Betrieb testen

Das Team testete seinen Ansatz an 2,5 Jahre echten Daten von einer Glasfaser‑Rohr‑Extrusionslinie in einer Industrieanlage. Sie zerteilten den kontinuierlichen Sensorstrom in kurze Fenster von etwa vier Minuten und trainierten mehrere Modelle unter strikt kontrollierten Bedingungen, wobei nur die Art des Gedächtnisses variiert wurde. Das FD‑LSTM erreichte rund 96,7 % Genauigkeit und eine hohe F1‑Rate (ein Ausgleich von Präzision und Recall) und übertraf damit ein klassisches LSTM sowie traditionellere Methoden wie Random Forests, Support‑Vector‑Machines und einfachere rekurrente Netze. Ein wichtiges Einstellrad im Design ist die fraktionale Ordnung, die steuert, wie weit das Modell effektiv in die Vergangenheit „blickt“. Werte etwas unter der Standardkonfiguration funktionierten am besten, was darauf hindeutet, dass langsam entstehende Drifts — nicht plötzliche Spitzen — die Hauptverursacher auf dieser Produktionslinie sind.

Von Datenströmen zu besseren Kabeln und nachhaltigeren Anlagen

Über die reinen Zahlen hinaus trennt das verbesserte Modell schwache, langsam aufbauende Anomalien klar von gesunden Zuständen — genau das, was Anlageningenieurinnen und ‑ingenieure in verrauschten Daten nur schwer erkennen. Indem das System Betreiber früher warnt, kann die Zeit, die die Linie in nicht spezifikationskonformen Zuständen läuft, verkürzt werden, wodurch Ausschuss und unnötiger Energieverbrauch reduziert werden. Obwohl die Studie sich auf eine einzelne Glasfaser‑Rohr‑Linie konzentrierte, argumentieren die Autoren, dass dieselbe Idee des fraktionalen Gedächtnisses auf jeden industriellen Prozess übertragbar ist, bei dem viele Sensoren ein komplexes, langsam driftendes System überwachen — von Chemieanlagen über Stromnetze bis hin zu Überwachungen auf Intensivstationen. Vereinfacht gesagt scheint ein nuancierteres Zeitempfinden neuronalen Netzen zu ermöglichen, bessere Wächter von Produktqualität und Ressourceneffizienz zu sein.

Zitation: Gomolka, Z., Zeslawska, E. & Olbrot, L. Fractional-order neural network for detecting process deviations in optical fiber cable manufacturing. Sci Rep 16, 6677 (2026). https://doi.org/10.1038/s41598-026-37770-x

Schlüsselwörter: Herstellung von Glasfasern, industrielle Anomalieerkennung, fraktionale neuronale Netze, Zeitreihen‑Sensoren, vorausschauende Wartung