Häufig gestellte Fragen

Unsere Stärken liegen in der schnellen und individuellen Ausstattung von Maschinen und Anlagen mit Sensoren, auch in Ex-Bereichen. In unserem Geschäftsmodell konzentrieren wir uns auf individualisierte Lösungen auf Grundlage standardisierter Lösungskomponenten, damit sich diese optimal in Ihre bestehende Produktion integrieren lassen. Ein zentraler Vorteil unserer Lösung ist der Einsatz hochwertiger IEPE-Schwingungssensoren, welche Messungen bis in den Ultraschallbereich ermöglichen. Gerade im Ultraschall-Bereich finden sich oft früheste Anzeichen für einen beginnenden Verschleiß. Unsere eingesetzten analogen Sensoren, einschließlich IEPE-Sensoren, können mit bis zu 200.000 Abtastungen pro Sekunde messen, was besonders für Anwendungen im Ultraschallbereich erforderlich ist, um kleinste Feinheiten im Messsignal zuverlässig erfassen zu können. Eine solche Art hochauflösender Messungen generiert Datenströme in einer Größenordnung, die herkömmliche Übertragungswege überfordern würde. Die direkte Vorverarbeitung am Sensor ist daher unser Schlüssel für eine maximale Systemgeschwindigkeit. Das entlastet Netzwerke nicht nur enorm sondern spart Ihnen zusätzlich hohe Cloud-Kosten ein. Das heißt, nur mit dem Einsatz von Edge AI können wir das volle Potenzial Ihrer hochqualitativen Daten ausschöpfen.

Unser Ansatz trennt klar zwischen Data Science und Machine Learning. Mit Hilfe von Data Science analysieren und verstehen wir zunächst die Daten, um darauf basierend intelligente Algorithmen für Predictive Maintenance zu entwickeln. Machine Learning ermöglicht uns im Anschluss unsere intelligenten Algorithmen nicht explizit zu programmieren, sondern auf Basis vorhandener Daten zu trainieren. Das Anlernen hat einen höheren Aufwand bei der Umsetzung, kann dafür aber besser skalieren. Welche Methode eingesetzt wird, richtet sich nach den Anforderungen des jeweiligen Use Cases.

Welche KI-Funktionen der Sensorknoten übernimmt, hängt maßgeblich von der gewählten Systemarchitektur ab. Wird die KI direkt auf dem Sensorknoten ausgeführt, was in vielen Fällen empfehlenswert ist, kann die daraus abgeleitete Handlungslogik individuell an den jeweiligen Use Case angepasst werden. Diese reicht von Handlungsempfehlungen bis hin zu automatisierten Eingriffen, beispielsweise dem Abschalten einer Maschine unter definierten Bedingungen.

Wir übertragen und konservieren menschliche Erfahrung in ein digitales System aus Sensorik und KI, so dass ein digitaler Helfer entsteht, der dem Menschen unter die Arme greifen kann. Sensoren übernehmen dabei die Rolle der Wahrnehmung, indem sie physikalische Signale erfassen, während KI diese Daten interpretiert und daraus Zustandsbewertungen und Wartungsempfehlungen ableitet.

Die Auswahl der eingesetzten Methoden richtet sich nach dem konkreten Anwendungsfall und den verfügbaren Datenquellen. Neben Sensordaten berücksichtigen wir auch Prozessinformationen aus Steuerungssystemen sowie Metadaten (z.B. Maschinentyp, Anlagenalter, vorhandene Betriebsdaten, Postitionsdaten oder Wartungshistorien). Bei CNC-Maschinen kann beispielsweise auch das aktuell ausgeführte Programm in die Bewertung einbezogen werden.

Unser Domänenmodell ist bewusst kompakt gehalten und dient in erster Linie dem Betrieb der Überwachungslösung. Es bildet ab, welche Hardware an welcher Maschine installiert ist und enthält grundlegende Metadaten wie Maschinentyp oder Alter der Anlage. Diese Informationen unterstützen sowohl das Systemmanagement als auch die KI bei der Interpretation der Daten. Eine detaillierte Modellierung komplexer digitaler Zwillinge gehört jedoch nicht zu unserem Schwerpunkt.

Aktuell setzen wir auf statische Modelle, die jedoch regelmäßig über unsere KI-Akademie weiterentwickelt und nachtrainiert werden. Dabei nutzen wir Human-in-the-Loop-Prozesse: Anwender geben Feedback zur Performance der KI sowie zu aufgetretenen Fehlern oder Schäden an der Maschine. Auf dieser Basis optimieren oder trainieren wir die Modelle erneut und stellen aktualisierte Versionen über einen Update-Mechanismus auf den Geräten bereit. Selbstlernende Systeme sind technisch möglich, werden von uns derzeit jedoch noch als Forschungsthema betrachtet.

Updates von KI-Modellen und Wissensbasen werden remote über die bereitgestellten MQTT-Schnittstellen auf die Geräte übertragen.

Besonders wenn wir Data-Science-Methoden in Kombination mit handentwickelten Algorithmen einsetzen, lassen sich Entscheidungen in der Regel nachvollziehbar erklären. Die Erklärungen basieren dabei direkt auf den erfassten Sensordaten, sind jedoch naturgemäß sehr technisch. Einfache Zusammenhänge, wie etwa ein Temperaturanstieg, sind leicht verständlich und gut kommunizierbar. Komplexere Signale, beispielsweise aus der Schwingungsanalyse, sind hingegen hauptsächlich für Data Scientists interpretierbar. In klaren Fällen können jedoch auch für Anwender verständliche Begründungen für eine Entscheidung ausgegeben werden. Updates der zugrunde liegenden Modelle und Wissensbasen werden remote über die verfügbaren MQTT-Schnittstellen bereitgestellt.

Wenn keine klar definierten Grenzwerte existieren, arbeitet das System mit Wahrscheinlichkeitsbewertungen. Dabei wird beispielsweise angegeben, mit welcher Wahrscheinlichkeit eine Anomalie vorliegt oder ein bestimmtes Bauteil betroffen ist. Mit zunehmendem Fortschritt eines Problems steigt in der Regel auch die Eindeutigkeit der Analyse. Updates der dafür notwendigen Wissensbasen und Modelle werden remote über die verfügbaren MQTT-Schnittstellen bereitgestellt.

Unsere KI arbeitet hauptsächlich unterstützend und liefert Empfehlungen für die Instandhaltung. Technisch sind jedoch auch autonome Eingriffe in die Anlagensteuerung möglich. Solche Funktionen werden in der Regel erst implementiert, wenn die eingesetzten Algorithmen zuverlässig validiert und trainiert sind.

Mit unserer KI-Akademie bieten wir ein Programm, in dem wir regelmäßig Feedbackgespräche mit Ihren Instandhaltern führen. Dabei analysieren wir gemeinsam die Performance der KI und erfassen relevante Instandhaltungsereignisse. Diese Informationen nutzen wir, um den den vorliegenden Sensordaten entsprechende Ausfallursachen zuzuordnen und die Modelle gezielt weiterzuentwickeln. Wartungsereignisse können alternativ auch automatisiert über ein CMMS übernommen werden. In stärker automatisierten Umgebungen kann Feedback zudem direkt über eine Software erfasst werden. Updates der Modelle und Wissensbasen werden remote über MQTT bereitgestellt.

Alle fünf analogen Sensoren lassen sich parallel und zeitsynchron mit einer Abtastrate von bis zu 200 kHz erfassen. Entsprechende Updates können über die vorhandenen MQTT-Schnittstellen remote über ein Netzwerk installiert werden.

Wir setzen auf ein KI Management System, das vollständige Transparenz über Modellversionen, Trainingsdaten, und in welchen Maschinen der Algorithmus eingesetzt wird, bietet. So können Modelle verwaltet und Updates auf die jeweiligen Zielsysteme ausgerollt werden. Gleichzeitig entwickeln wir unsere Modelle im Rahmen der KI-Akademie kontinuierlich gemeinsam mit den Instandhaltern weiter. Da unsere KI's überwiegend unterstützende Hinweise für die Instandhaltung generieren, greifen sie in der Regel nicht in sicherheitskritische Prozesse ein. Werden KI-Ergebnisse jedoch zur aktiven Steuerung von Maschinen genutzt, empfehlen wir dies erst, wenn die Algorithmen umfassend validiert und ihre Aussagen regelmäßig und zuverlässig getestet sind.