Aktualisiert Juli 2026 · 8 Min. Lesezeit · Serkan İnkaya · Mechanical Engineer, ODTÜ
Was ist Modelldrift an einer Prüflinie?
Modelldrift ist die schleichend wachsende Lücke zwischen den Teilen, mit denen ein Modell trainiert wurde, und den Teilen, die es heute sieht. Das Modell hat sich nicht geändert; die Linie schon. Während die ankommenden Teile vom Trainingssatz wegwandern, passt das Bild des Modells von Normal nicht mehr zum realen Normal der Linie, und die Genauigkeit erodiert, ohne dass jemand die Software angefasst hat.
Für ein Prüfmodell ist die praktische Sorge die Datendrift: Die Verteilung der Gutteilbilder verschiebt sich, sodass derselbe Anomalie-Schwellenwert, der im letzten Quartal passte, jetzt an der falschen Stelle sitzt. Das Modell läuft weiter mit derselben Geschwindigkeit und liefert für jedes Teil einen Konfidenz-Score, aber dieser Score wird gegen ein Normal-Bild gemessen, das still veraltet ist.
Drift ist eine Linienrealität, kein Defekt des Modells. Jeder Prüfer, der auf einem festen Satz von Beispielen trainiert wurde, driftet, wenn sich der Prozess darunter ändert, und an einer realen Produktionslinie tut er das über die Zeit immer. Die Frage ist nicht, ob Drift passiert, sondern wie schnell Sie sie bemerken und wie schnell Sie nachtrainieren können.
Was lässt ein Prüfmodell tatsächlich driften?
An einer realen Linie kommt Drift aus physischer Veränderung im Prozess, nicht aus dem Algorithmus. Eine Handvoll Quellen erklärt das meiste davon, und jede verschiebt das Aussehen eines Gutteils, statt einen neuen Fehler einzuführen.
Die üblichen Auslöser sind Material- und Lieferantenwechsel (eine neue Harzcharge, eine andere Beschichtung, ein frisches Coil mit leicht anderer Oberfläche), Werkzeug- und Formverschleiß (Oberflächentextur, Schwimmhaut und Grat an einem Gutteil entwickeln sich mit alterndem Werkzeug) und alternde Beleuchtung (die LED-Leistung fällt über Tausende Stunden, und saisonales Umgebungslicht ändert, was der Sensor aufzeichnet). Kamera- oder Vorrichtungsverschiebungen durch Reinigung und Wartung legen Bildausschnitt-Verschiebungen obendrauf.
Nichts davon sind Ausfälle, gegen die sich vorab eine Regel schreiben lässt, und genau deshalb zehren sie an einem gelernten Modell. Als Branchenmuster baut sich Drift aus Verschleiß und Beleuchtung langsam über Wochen oder Monate auf, während ein Chargen- oder Lieferantenwechsel das Normal-Bild über Nacht verschieben kann. Behandeln Sie die Zeitskala als prozessspezifisch: Der einzig verlässliche Weg, die Driftrate Ihrer Linie zu kennen, ist, die Zahlen zu beobachten, die sie produziert.
Woran erkennen Sie, dass ein Prüfmodell driftet?
Das erste sichtbare Symptom von Drift ist meist eine steigende Pseudoausschussrate: Die Linie beginnt, Gutteile zu melden, die sie früher passieren ließ. Weil sich die Normal-Vorstellung des Modells verengt oder verschoben hat, fallen jetzt mehr wirklich gute Teile heraus, und die Bediener spüren den Schmerz als wachsende Ausschusskiste und mehr manuelle Nachkontrollen. Drift ist nur eine Ursache dieses Musters, es lohnt sich also, die anderen Verdächtigen, Beleuchtung, Vorrichtung und einen falsch gesetzten Schwellenwert, mit der Anleitung zur Fehlersuche bei Pseudoausschuss auszuschließen, bevor Sie ein Nachtraining ansetzen.
Ein zweites Signal sitzt in den Konfidenz-Scores. Wenn ein Gutteil, das den Schwellenwert früher bequem passierte, jetzt nahe der Grenze landet, rutscht die Score-Verteilung, und dieses Rutschen ist eine Frühwarnung, bevor die Ausschussrate selbst auffällig wird. Den Trend von Scores und Ausschussrate über die Zeit zu beobachten, nicht eine einzelne Schicht, trennt echte Drift von normalem Rauschen.
Der Grund zur Sorge ist asymmetrisch. Eine steigende Pseudoausschussrate ist lästig und teuer, aber die gefährlichere Form der Drift lässt Fehler als normal punkten, was stattdessen die Schlupfrate erhöht. Dieser zweite Fehlermodus ist der, um den Sie Ihr Monitoring bauen sollten, denn ein übersehener Fehler verlässt das Werk, während ein Pseudoausschuss nur eine Kiste füllt.
| Drift-Auslöser | Was sich an der Linie verschiebt | Nachtrainingsaktion |
|---|---|---|
| Neue Materialcharge oder neuer Lieferant | Farbe, Textur und Glanz der Gutteile | Gutteile aus der neuen Charge neu erfassen, das Normal-Modell nachtrainieren |
| Werkzeug- oder Formverschleiß | Oberflächengüte, Grat und Schwimmhaut an Gutteilen | Frische Gutmuster ergänzen, nachtrainieren, um Normal zu weiten |
| Alternde Beleuchtung oder saisonales Umgebungslicht | Helligkeit und Kontrast jedes Bildes | Referenzen unter aktuellem Licht neu aufnehmen, oder erst die Beleuchtung instand setzen |
| Verschobene Kamera oder Vorrichtung | Bildausschnitt, Maßstab und Teileposition | Mit On-Device-Vorschau neu ausrichten, neu erfassen, bestätigen |
| Neue Variante oder SKU | Ein Teil, das das Modell nie gesehen hat | Als neue Klasse behandeln: rund 20 gute Bilder erfassen und trainieren |
Wie sieht die Nachtrainingsschleife aus?
Die Nachtrainingsschleife ist bewusst kurz, damit die Drift der Linie nie weit vorauskommt. Sie hat vier Schritte: die Drift erkennen, aktuelle Gutteile neu erfassen, das Modell nachtrainieren und es auf die Einheit ausrollen. Als Routine gehalten macht die Schleife aus der Drift ein geplantes Wartungsthema statt eines langsamen Genauigkeitslecks.
Das Neuerfassen hält die Schleife günstig. Weil das Modell nur mit Gutteilen trainiert, sammeln oder stellen Sie keine Fehler zum Nachtrainieren; Sie fotografieren rund 20 Gutteile, die das aktuelle Normal der Linie repräsentieren, samt neuer Charge oder aktuellem Werkzeugzustand, der Nur-Gutteile-Ansatz, den öffentliche Benchmarks wie der MVTec Anomaly Detection Datensatz messen. Adente Vision ist eine Edge-KI-Sichtprüfeinheit von ADENTE Advanced Engineering Technologies, Teil der Aden-Gruppe, vertrieben über Automatisierungs-Systemintegratoren, und die Nachtrainingsschleife läuft auf derselben Einheit, die auch prüft; das Neuerfassen nutzt also Produktionskamera und -beleuchtung statt eines separaten Aufbaus.
Das Training ist dann in unter 48 Stunden fertig, das aktualisierte Modell wird an Musterteilen validiert und auf die Einheit ausgerollt. Ein nützliches Detail: Die Einheit fährt einen Hybrid aus klassischer Bildverarbeitung und KI-Inferenz. Die deterministische Messseite (ein festes Maß in Millimetern, ein Barcode) driftet nicht wie ein gelerntes Anomaliemodell; Nachtraining heißt also meist, das gelernte Normal-Bild zu erneuern, nicht die ganze Kontrolle neu zu bauen.
Kann man ein Prüfmodell an einer Air-Gapped-Linie nachtrainieren?
Ja. Weil die Einheit am Edge läuft und trainiert, verlangt Nachtraining keine Cloud-Verbindung und kein Verschicken von Bildern von der Linie. Modell-Updates wandern per USB-Stick, sodass eine Fabrik, die ihre Prüfzelle air-gapped hält, ein driftendes Modell erneuern kann, ohne einen Netzwerkpfad nach außen zu öffnen.
Das zählt aus zwei Gründen. Erstens sind Rohbilder der Teile oft sensible Prozessdaten, und Erfassen, Training und Ausrollen an der Linie zu halten heißt, dass die Bilder das Werk nie verlassen. Zweitens nimmt ein Air-Gapped-Updatepfad die Ausrede, Drift auflaufen zu lassen: Sie müssen kein Konnektivitätsfenster und keinen Anbieterbesuch planen, um nachzutrainieren, denn die Schleife ist eine lokale Operation, die Ihr Integrator oder ein geschulter Bediener fahren kann. Das vollständige Argument, warum Edge-Betrieb Daten und Verfügbarkeit auf Ihrer Seite hält, zeigt der Schwesterbeitrag zu Edge vs. Cloud in der Sichtprüfung; was die Neuerfassungsbilder selbst gut genug zum Nachtrainieren macht, der Begleitbeitrag zu Datenqualität vs. Datenmenge.
Dieser Beitrag ist eine Speiche des Leitfadens zur KI-Sichtprüfung; die On-Device-Einheit, die die Neuerfassungs- und Nachtrainingsschleife fährt, zeigt der Systemüberblick.