Babylon in der Fabrikhalle: Maschinen sprechen tausend Datensprachen – SF2 macht daraus Zustand

Druck und Durchfluss bei einer Pumpe, Strom und Position bei einem Roboter, Vibration und Kurbelwinkel bei einem Kompressor: Maschinen beschreiben ihren Betrieb mit völlig unterschiedlichen Signalen. Selbst baugleiche Maschinen unterscheiden sich durch Sensorik, Alter, Lastprofil, Umgebung oder Betriebsweise.

Eine Maschine meldet heute beispielsweise:
Druck: 6,2 bar. Temperatur: 71 Grad. Strom: 14,8 Ampere.
Entscheidender wäre jedoch eine andere Information:
Mein aktueller Zustand entspricht einem bekannten stabilen Betrieb.
Oder:
Mein Zustand entfernt sich zunehmend von dieser Referenz.

Von unterschiedlichen Daten zu vergleichbaren Zuständen
Semantic Folding Sensor Fusion, kurz SF2, führt die Signale eines definierten Zeitfensters in einem kompakten State Fingerprint zusammen. Dieser repräsentiert nicht einen einzelnen Messwert, sondern den aus ihrem Zusammenspiel abgeleiteten Betriebszustand. Im Vergleich mit definierten Referenzzuständen wird sichtbar, ob sich ein System weiterhin ähnlich verhält, sich von einer Referenz entfernt oder ein Messmuster zeigt, das im bisherigen Referenzbereich nicht enthalten ist.

Innerhalb eines Analysemodells überführt SF2 unterschiedliche Maschinendaten in einen gemeinsamen Zustandsraum. Damit richtet sich die Analyse nicht nur auf einzelne Messwerte, sondern auf die Frage:
Wie verhält sich das System als Ganzes – und wie verändert sich dieser Zustand?

Drei Systeme, ein Softwarekern
Wie breit der SF2-Softwarekern einsetzbar ist, zeigen drei sehr unterschiedliche Anwendungen.
Bei einer Wasserpumpe wurden 52 Sensorkanäle und mehr als 220.000 Messpunkte gemeinsam ausgewertet. In einer analysierten Sequenz zeigte sich rund vier Tage vor einem dokumentierten mechanischen Ausfall eine Abweichung vom Referenzzustand. Dieses Ergebnis gilt ausschließlich für die untersuchte Sequenz und stellt keine allgemeine Vorhersagefrist dar.
Bei einer Polymer-Extrusion konnten unterschiedliche Material- beziehungsweise Harzklassen mit 99,5 Prozent Präzision unterschieden werden.
Bei einem Hubkolbenkompressor wurden 714.960 Messdatensätze über 993 Umdrehungen zu kontextbezogenen State Fingerprints verarbeitet. In der untersuchten Datenbasis ließen sich vier Zustandskontexte unterscheiden. Drei Systeme mit unterschiedlicher Sensorik und Physik – verarbeitet mit demselben SF2-Softwarekern.

Ein Modell. Viele Maschinen.
Der nächste Entwicklungsschritt ist ein gemeinsames Modell für unterschiedliche Maschinen innerhalb einer Anlage. Neue Maschinen sollen den bestehenden Zustandsraum erweitern, statt jeweils ein eigenes Analyseprojekt auszulösen.

Aus der klassischen Logik
eine Maschine → ein Modell → ein Projekt
wird:
eine Software → ein Modell → viele Maschinen → viele Zustände

„Genau darin liegt für uns der Unterschied zwischen einem erfolgreichen Einzelprojekt und skalierbarer Industrial Intelligence“, sagt Christoph Gretzmacher, Business Development bei SF2 Systems. „Unser Ziel ist ein gemeinsames Modell, in dem unterschiedliche Maschinen innerhalb einer Anlage ihre jeweiligen Zustände vergleichbar abbilden können.“
Für Maschinenbauer, OEMs, Betreiber und Plattformanbieter kann daraus eine wiederverwendbare State-Intelligence-Fähigkeit entstehen. Sie könnte den Aufwand bei der Anbindung weiterer Maschinen senken und Rollouts über heterogene Maschinenparks beschleunigen.

Vom Bauteil zum Gesamtsystem
Als Zielbild beschreibt SF2 eine hierarchische Zustandsdarstellung.
Ein Lager, ein Motor oder ein Antrieb kann durch einen eigenen State Fingerprint repräsentiert werden. Die Zustandsinformation einer Komponente kann in den Zustand eines Subsystems einfließen, mehrere Subsysteme wiederum in den Zustand einer Maschine oder Anlage. Dieselbe Logik soll sich bis zu Standort und Flotte fortsetzen.

So entsteht als Zielbild die Hierarchie:
Komponente → Subsystem → Maschine → Anlage → Standort → Flotte

„Der entscheidende Schritt ist, dass Zustandsinformation selbst wieder zum Eingang der nächsten Ebene werden kann“, sagt Francisco Webber, CEO & Chief Scientist bei SF2 Systems. Übergeordnete Systeme müssen dadurch nicht jeden hochfrequenten Rohdatenstrom jeder einzelnen Komponente selbst verarbeiten. Die Detaildaten bleiben dort verfügbar, wo sie für Engineering, Diagnose oder Ursachenanalyse benötigt werden.
Nach oben kann zusätzlich die verdichtete Zustandsinformation weitergegeben werden:
Wie ist der Zustand – und wie verändert er sich?

Die Verarbeitung kann maschinennah am Edge oder On-Premises in der lokalen IT-Umgebung erfolgen. Eine verpflichtende Cloud-Anbindung ist nicht erforderlich.

Aus Messwerten wird Zustandsinformation
Die Industrie kann heute enorme Mengen an Maschinendaten erfassen. Die Frage ist zunehmend nicht mehr, ob Daten vorhanden sind, sondern was sie gemeinsam über den Zustand eines Systems aussagen.

Für Betreiber und Maschinenbauer kann daraus eine andere Sicht auf komplexe Anlagen entstehen: Statt Hunderte Einzelwerte isoliert zu betrachten, wird der Zustand des Gesamtsystems vergleichbar.

Maschinen sprechen tausend Datensprachen. SF2 gibt ihren Zuständen eine gemeinsame Sprache.

SF2 – The Operating System for Machine States.

SF2 Edge Challenge
Unternehmen mit heterogenen Maschinenparks, komplexen Sensor- oder Prozessdaten oder bislang schwer lösbaren Zustandsfällen können gemeinsam mit SF2 anhand vorhandener Daten prüfen, welche Zustände und Veränderungen in ihrem konkreten Use Case sichtbar werden.
edge_challenge@sf2systems.com

SF2 Systems GmbH

SF2 Systems ist ein Wiener Deep-Tech-Unternehmen für die softwarebasierte Zustandsanalyse komplexer Maschinen, Anlagen und Prozesse in Industrie, Energie und kritischer Infrastruktur. Die sensor- und herstellerunabhängige Technologie führt vorhandene Sensor- und Betriebsdaten zu vergleichbaren Zustands-Fingerprints zusammen und macht Drift und schleichende Veränderungen früh sichtbar – reproduzierbar, nachvollziehbar, ohne Black-Box-Modell und ohne große gelabelte Fehlerdatensätze. Als Ergänzung bestehender Condition-Monitoring- und Automatisierungssysteme ist SF2 für Brownfield- und OT-Umgebungen ausgelegt, läuft lokal am Edge bzw. On-Premises ohne Cloud-Abhängigkeit und hält sensible Produktionsdaten im Unternehmen. So können Zustandsveränderungen früher erkannt, ungeplante Stillstände reduziert sowie Wartung und Betrieb planbarer werden. Darüber hinaus untersucht SF2 die Übertragbarkeit der Technologie auf ausgewählte Anwendungen in Biotechnologie und Life Sciences.