Im Industrial Internet of Things (IIoT) zeigen Zustandsüberwachungssensorensignale komplexer Systeme unter wechselnden Bedingungen häufig nichtlineare und stochastische räumlich-zeitliche Dynamiken. Diese komplexen Dynamiken machen die Fehlerdetektion besonders herausfordernd. Obwohl frühere Methoden diese Dynamiken effektiv modellieren können, berücksichtigen sie häufig die Entwicklung der Beziehungen zwischen den Sensorensignalen nicht ausreichend. Unentdeckte Verschiebungen dieser Beziehungen können zu erheblichen Systemausfällen führen. Zudem identifizieren diese Ansätze häufig neue Betriebszustände fälschlicherweise als Fehler. Um diese Einschränkungen zu überwinden, stellen wir DyEdgeGAT (Dynamic Edge via Graph Attention) vor – einen neuartigen Ansatz zur Frühzeitdetektion von Fehlern in IIoT-Systemen. Der zentrale Innovationsbeitrag von DyEdgeGAT liegt in einem neuen Graphen-Inferenzverfahren für multivariate Zeitreihen, das die Entwicklung der Beziehungen zwischen Zeitreihen verfolgt und durch dynamische Kantenkonstruktion ermöglicht. Ein weiterer wesentlicher Fortschritt von DyEdgeGAT ist die Fähigkeit, Betriebszustandskontexte in die Modellierung der Knotendynamik einzubeziehen, was die Genauigkeit und Robustheit erhöht. Wir haben DyEdgeGAT umfassend evaluiert, sowohl anhand eines synthetischen Datensatzes, der unterschiedliche Schweregrade von Fehlern simuliert, als auch an einem realen industriellen Großanlagen-Testfeld für mehrphasige Strömungen mit vielfältigen Fehlerarten unter variierenden Betriebsbedingungen und unterschiedlichem Detektionsaufwand. Die Ergebnisse zeigen, dass DyEdgeGAT andere Baseline-Methoden signifikant übertrifft, insbesondere in frühen Fehlertypen mit geringer Schwere, und dabei eine robuste Leistung auch unter neuen Betriebsbedingungen aufweist.