Häufig gestellte Fragen

Unsere Stärken liegen in der schnellen und individuellen Ausstattung von Maschinen und Anlagen mit Sensoren, auch in Ex-Bereichen. Ein zentraler Vorteil unserer Lösung ist der Einsatz hochwertiger IEPE-Schwingungssensoren, die Messungen bis in den Ultraschallbereich ermöglichen. Gerade im Ultraschall-Bereich finden sich oft die frühsten Anzeichen für einen beginnenden Verschleiß. Alle analogen Sensoren, also auch IEPE, können wir generell bis zu 200.000 mal in der Sekunde abtasten, was gerade bei Messungen im Ultraschallbereich Pflicht ist, um kleinste Feinheiten im Messsignal zuverlässig erfassen zu können. Da diese hochauflösenden Messungen große Datenmengen erzeugen, ist es zwingend notwendig diese direkt am Sensor zu verarbeiten. Das entlastet Netzwerke nicht nur enorm sondern spart Ihnen zusätzlich noch unnötige Cloud-Kosten. Das heißt, nur mit einer Edge AI wird man in der Lage sein, aus diesen hochqualitativen Daten das Maximum herauszuholen. In unserem Geschäftsmodell konzentrieren wir uns auf individualisierte Lösungen auf Grundlage von standardisierten Lösungskomponenten, damit sich diese optimal beim Anwender integrieren lassen.

Hier unterscheiden wir zwischen Data Science und Machine Learning. Mit Data Science verstehen wir die Daten und können aus diesem Verständnis heraus dann intelligente Algorithmen programmieren, welche Empfehlungen für die vorausschauende Wartung generieren. Machine Learning ist dann die nachgelagerte Möglichkeit, den von uns programmierten intelligenten Algorithmus nicht zu programmieren und stattdessen anzulernen. Das Anlernen hat einen höheren Aufwand bei der Umsetzung, kann dafür aber besser skalieren. Hier muss man abwägen, wie man warum vorgehen, abhängig vom Use Case. Ich weiß leider nicht genau, wie Sie "Echte KI" meinen. KI ist ein Forschungsfeld in der Informatik, in dem es viele Algorithmen gibt, nicht nur Maschinenlernen, worunter auch LLM's fallen. "Echte KI", im Sinne von, denkt wie ein Mensch vielleicht, gibt es noch nicht. Ein LLM denkt nicht wie ein Mensch.

Was bei dem Sensorknoten KI-mäßig passiert, das kommt auch ein bisschen auf die Systemarchitektur an. Wird die KI direkt auf dem Sensorknoten ausgeführt, was in der Regel empfehlenswert ist, dann kann man auch hier wieder die Handlungs-Logik, die daraus folgen soll, individuell, abhängig vom Use Case, erstellen. Sind es nur einfache Handlungsempfehlungen, die die KI generiert? Oder hat sie sogar Zugriff auf die Maschine und kann diese unter bestimmten Umständen abschalten?

Wir versuchen die menschlichen Erfahrungen mit Hilfe von Sensormesswerten und KI nachzuempfinden und damit zu konservieren, so dass ein KI-Helfer entsteht, der dem Menschen unter die Arme greifen kann. Der Mensch nimmt aus seiner Umgebung Reize wahr und mit Erfahrung kann er diese Reize in Systemzustände und Wartungswissen umwandeln. Wir simulieren die menschliche Wahrnehmung mit Sensoren und das menschliche Denken mit KI.

Wir kombinieren verschiedene Verfahren, abhängig davon, was für den Anwendungsfall sinnvoll ist, aber auch abhängig davon, was zur Verfügung steht. Zum Beispiel integrieren wir auch Prozesswissen, das aus Steuersystemen kommen kann, aber auch Meta-Information wie das Alter der Maschine, deren Typ und wann das letzte Mal welche Bauteile ausgetauscht wurden. Auch das gerade ausgeführte CNC-Programm einer Fräsmaschine kann sinnvoll sein.Wir versuchen die menschlichen Erfahrungen mit Hilfe von Sensormesswerten und KI nachzuempfinden und damit zu konservieren, so dass ein KI-Helfer entsteht, der dem Menschen unter die Arme greifen kann. Der Mensch nimmt aus seiner Umgebung Reize wahr und mit Erfahrung kann er diese Reize in Systemzustände und Wartungswissen umwandeln. Wir simulieren die menschliche Wahrnehmung mit Sensoren und das menschliche Denken mit KI.

Wir haben ein kleines Domänenmodell, was uns aber eher dazu hilft zu wissen, an welcher Maschine welche Überwachungshardware angebracht ist. Aber auch um zu Wissen, von welchem Typ eine Maschine ist und wie alt sie ist. Unser Domänenmodell ist damit sehr darauf fokussiert, den reibungslosen Betrieb der Überwachungslösung garantieren zu können und der KI wichtige Meta-Informationen geben zu können. Je nachdem, wie komplex der digitale Zwilling benötigt wird, kann das schon ausreichen, ansonsten haben wir hier unsere Grenze und gehen in das Thema nicht tiefer hinein.

Im Moment kommen nur statische Modelle zu Einsatz, die aber über unsere KI-Akademie ständig nachtrainiert werden. Hierfür setzen wir auf Human-in-the-Loop Prozesse, bei denen uns Menschen mitteilen, wie gut die KI performt hat und welche Fehler und Schäden an der Maschine aufgetreten sind. Mit diesem Wissen justieren oder trainieren wir die KI dann nach. Die neuen KI's können dann über einen Update-Mechanismus auf die Geräte kopiert werden. Ein sich selbstständig weiterentwickelndes System ist technisch machbar, die Frage ist aber, würden wir es inhaltlich so umgesetzt bekommen, dass es auch wirklich die gewünschten Ergebnisse erzielt. Das betrachten wir im Moment eher noch als einen Forschungsgegenstand.

Notwendige Updates von KI-Modellen und Wissensbasen werden aus der ferne über die angebotenen MQTT-Schnittstellen eingespielt.

Insbesondere wenn wir auf den Data Science in Kombination mit Hand programmierten Algorithmen setzen, können wir nachvollziehbar erklären, warum eine gewisse Entscheidung getroffen wurde. Diese Nachvollziehbarkeit ist naturgemäß aber sehr technisch, weil sie sich direkt auf die aufgenommen Sensormesswerte bezieht. Im Falle von einfachen Zusammenhängen wie einem Temperaturanstieg ist das auch sehr einfach nachvollziehbar und auch einfach kommunizierbar. Im Falle von insbesondere Schwinungen ist es aber nicht mehr so gut bzw. eher für den Data Scientist nachvollziehbar. In einfachen Fällen aber können auch nachvollziehbare Gründe für eine Entscheidung mitgegeben werden. Dafür notwendige Updates werden aus der ferne über die angebotenen MQTT-Schnittstellen eingespielt.

Die meisten Einschätzungen des Systems, wenn sie genau definierbare Grenzwerte sind, basieren auf Wahrscheinlichkeiten. Das System ist sich damit zu einem gewissen Prozentsatz sicher, dass eine Anomalie vorliegt oder dass ganz konkret ein bestimmtes Bauteil einer Maschine ein bestimmtes Problem hat. Im Allgemeinen gilt, je fortgeschrittener das Problem, desto eindeutiger ist die Analyse. Dafür notwendige Updates werden aus der ferne über die angebotenen MQTT-Schnittstellen eingespielt.

Die KI ist meist rein assistierend ausgelegt, kann aber grundsätzlich auch autonome Eingriffe in die Steuerung vornehmen. Empfehlenswert ist dies aber in der Regel erst dann, wenn bereits die Sicherheit besteht, dass verwendete intelligente Algorithmen verlässliche Aussagen liefern. Dafür notwendige Updates werden aus der ferne über die angebotenen MQTT-Schnittstellen eingespielt.

Wir bieten mit unserer KI-Akademie ein Programm an, in dem wir uns regelmäßig mit den Instandhaltern ein Feedback-Gespräch durchführen. In diesem finden wir heraus, wie die KI performt hat und nehmen Instandhaltungs-Ereignisse entgegen, mit denen wir dann die aufgenommenen Sensormesswerte labeln und die KI verbessern. Die Instandhaltungs-Ereignisse können auch automatisiert über ein CMMS erfasst werden, wodurch dieser Teil dann entfallen kann. In einem automatisierterem System kann das Feedback zur KI aber auch direkt in einer Software erfasst werden. Dafür notwendige Updates werden aus der ferne über die angebotenen MQTT-Schnittstellen eingespielt.

Alle 5 analogen Sensoren können mit bis zu 200.000Hz gleichzeitig und zeitsynchron abgetastet werden.Die Updates passieren über die angebotenen MQTT-Schnittstellen. Über diese lassen sich Updates remote und damit weit entfernt über ein Computernetzwerk installieren.

Wir setzen auf ein KI Management System, mit dem wir genau nachvollziehen können, welche Version einer KI auf Grundlage von welchen Daten erstellt wurde und für welche Maschinen diese eingesetzt werden. Über dieses System lassen sich die KI's verwalten und auch in Zielsystemen updaten. Über unser AI-Akademie Programm verbessern wir KI's kontinuierlich in enger Zusammenarbeit mit den Instandhaltern. Da unsere KI's in der Regel eher Instandhaltungs-Hinweise generieren, steuern sie keine sicherheitskritischen Systeme. Erst wenn auf Grundlage von KI erzeugten Daten auf Maschinen eingewirkt wird, ist dies der Fall. Hier empfehlen wir erst eine Umsetzung, wenn das Problem gut genug verstanden ist und der intelligente Algorithmus verlässliche Aussagen liefert, welche sich nachweislich testen lassen und auch regelmäßig und automatisiert getestet werden.