Die Aufgabe
Produktionsanlagen erzeugen kontinuierlich Rohdaten: Vibrationssignale von Lagern und Antrieben, akustische Emissionen beim Zerspanen, Thermografiebilder von Wärmeverteilungen, RGB-Aufnahmen von Oberflächen. Jede Maschine, jedes Werkzeug, jeder Prozessschritt hinterlässt dabei einen charakteristischen Abdruck im Signal. Im Normalbetrieb ist dieser Abdruck stabil und reproduzierbar. Weicht er ab, kündigt sich ein Problem an — oft Stunden oder Tage bevor es sichtbar wird.
Das Ziel: diesen individuellen Fingerabdruck automatisch zu erlernen, dauerhaft zu überwachen und kleinste Abweichungen frühzeitig zu erkennen.
Die Herausforderung
Rohdaten aus Zeitserien, Bildern und Audiosignalen haben fundamental unterschiedliche Strukturen. Ein Vibrationssignal liefert tausende Abtastwerte pro Sekunde, ein Thermografiebild Millionen Pixelwerte, ein Akustiksensor ein breitbandiges Frequenzspektrum. Diese Datenmengen können nicht direkt miteinander verglichen werden. Klassische Schwellwertüberwachung versagt, sobald Betriebszustände variieren: Drehzahländerungen, Lastwechsel und Temperatureinflüsse verändern das Rohsignal, ohne dass ein Fehler vorliegt. Konventionelle Ansätze produzieren dadurch entweder Fehlalarme oder übersehen echte Drifts.
Die Lösung
EdgeBrain übersetzt jeden Datentyp in einen kompakten, vergleichbaren Fingerprint. Aus dem Vibrationssignal werden charakteristische Merkmale im Frequenzbereich extrahiert (FFT-Profile, Hüllkurven, Kurtosis). Aus Bildern entstehen Textur- und Verteilungsmerkmale. Akustiksignale werden in Spektrogramme umgewandelt und komprimiert. Das Ergebnis ist jeweils ein hochdimensionaler, aber kompakter Merkmalsvektor — der Fingerprint.
Im Lernmodus nimmt EdgeBrain eine Baseline auf: der typische Fingerprint einer gesunden, korrekt laufenden Maschine wird unter realen Betriebsbedingungen aufgezeichnet. Ab diesem Zeitpunkt vergleicht EdgeBrain jeden neuen Fingerprint mit der Baseline. Abweichungen werden als Anomalie-Score ausgegeben. Steigt der Score über einen adaptiven Schwellwert, schlägt das System Alarm — noch bevor ein klassischer Sensor einen Ausfall melden würde.
Drifts werden erkannt, indem EdgeBrain die Fingerprints über die Zeit verkettert und langsame Verschiebungen im Merkmalsraum sichtbar macht. So unterscheidet das System zwischen plötzlichen Anomalien (Schlagschäden, Fremdkontakt) und schleichendem Verschleiß (Lagerdegradation, Werkzeugabnutzung).
Technische Eckdaten
| Parameter |
Wert |
| Eingangsdaten |
Zeitserien (Vibration, Akustik), Bilder (RGB, Thermal), Druckverläufe, Ströme |
| Fingerprint-Methoden |
FFT-Profile, Spektrogramme, Texturmerkmale, statistische Momente |
| Erkennung |
Anomalie-Score (Echtzeit), Drift-Trendüberwachung (zeitlich) |
| Lernmodus |
Unsupervised Baseline-Aufnahme im laufenden Betrieb |
| Latenz |
< 100 ms vom Sensor zum Alarm |
| Infrastruktur |
Vollständig lokal auf EdgeBrain, keine Cloud-Verbindung nötig |
Der Mehrwert
Fingerprinting mit EdgeBrain verwandelt Rohdaten in Maschinenintelligenz. Anlagen, für die es kein Fehlermodell und keine historischen Ausfalldaten gibt, können trotzdem überwacht werden — denn das System lernt den Normalzustand selbst. Wartungsintervalle werden vom starren Kalenderplan entkoppelt und richten sich nach dem tatsächlichen Zustand der Maschine. Ungeplante Ausfälle werden reduziert, Ersatzteilkosten sinken, und die Anlagenverfügbarkeit steigt messbar.
