Die Aufgabe
Wartung nach festem Kalender verschenkt Standzeit bei gesunden Maschinen und riskiert Schäden bei bereits belasteten Komponenten. Die Lücke zwischen geplanter und tatsächlich nötiger Wartung ist in den meisten Fertigungsbetrieben der größte versteckte Kostentreiber.
Predictive Maintenance schließt diese Lücke. Nicht mit Bauchgefühl, sondern mit Signalen, die jede Maschine ohnehin aussendet. EdgeBrain lernt, diese Signale zu lesen, direkt an der Maschine, ohne Umweg über ein Rechenzentrum.
Die Herausforderung
Maschinensignale sind vielfältig: Vibration, Temperatur, Strom, Druck, Schallemission. Jeder Sensortyp liefert eine andere Datenstruktur und eine andere Information über den Maschinenzustand. Klassische Monitoring-Systeme sind oft auf einen einzelnen Sensortyp ausgelegt und liefern damit nur Teilbilder. Erst die Kombination zeigt, ob ein Temperaturanstieg durch erhöhte Last, durch Verschleiß oder durch ein verändertes Bearbeitungsprogramm entsteht.
Hinzu kommen die strukturellen Hürden in der Praxis. Eingriffe in SPS-Landschaften, IT/OT-Architekturen oder laufende Prozesse sind in den meisten Werken nur schwer durchsetzbar. Predictive Maintenance Systeme, die genau das voraussetzen, scheitern an der Wirklichkeit der Bestandsanlagen.
Die Lösung
EdgeBrain ist ein offenes, sensorunabhängiges System für Predictive Maintenance. Die Plattform fusioniert Daten unterschiedlichster industrieller Sensoren zu einem gemeinsamen Zustandsbild der Maschine. Vibration, Temperatur, Strom, Druck und Schallemission werden inline auf dem Gerät verarbeitet und gemeinsam interpretiert.
Grundlage ist ML Fingerprinting. EdgeBrain lernt den Normalzustand jeder Maschine in den ersten Betriebszyklen und erkennt ab dem ersten Schnitt jede Abweichung davon. Zwei komplementäre Fingerprints ermöglichen eine lückenlose Zustandsüberwachung. Fingerprint 1 begleitet das Werkzeugleben kontinuierlich. Seine Amplitude korreliert direkt mit der mechanischen Abnutzung und macht aus binärem Alarm ein echtes Zustandssystem. Fingerprint 2 zeigt über den größten Teil der Werkzeugnutzung ein stabiles Muster und steigt erst kurz vor Erreichen des Lebensendes steil an. Diese Frühwarnung steht in Echtzeit zur Verfügung, sodass Werkzeugwechsel beim nächsten geplanten Halt eingeplant werden können.
EdgeBrain arbeitet vollständig autark. Verarbeitung, Modellierung und Entscheidungslogik laufen lokal auf dem Gerät, ohne Netzwerkabhängigkeit, ohne Cloud, ohne Latenz. Sensoren werden per Magnet befestigt, das Gerät als Inline-Adapter angeschlossen. Bestandsanlagen werden in wenigen Minuten zu datengetriebenen Systemen, ohne Stillstand und ohne Eingriff in bestehende Systeme.
Technische Eckdaten
| Parameter |
Wert |
| Sensorik |
Vibration, Temperatur, Strom, Druck, Schallemission, weitere industrielle Sensoren |
| Datenfusion |
Multimodale Fusion mehrerer Sensorkanäle in Echtzeit |
| Erkennung |
Kontinuierliche Zustandsverfolgung, Frühwarnung am Werkzeug-Lebensende |
| Lernmodus |
Unsupervised Baseline-Aufnahme in den ersten Betriebszyklen |
| Betriebsbedingungen |
-40 bis +85 °C, passiv gekühlt, 90 x 75 x 25,5 mm |
| Infrastruktur |
Vollständig autark, keine Eingriffe in SPS, MES, SCADA oder Cloud |
| Integration |
Optional in MES, SCADA, ERP über verschlüsselte Konnektivität |
Der Mehrwert
Predictive Maintenance mit EdgeBrain reduziert ungeplante Stillstände um bis zu 85 Prozent und nutzt die Werkzeugstandzeit um bis zu 20 Prozent besser aus. Wartung wird vom Kalender entkoppelt und richtet sich nach dem tatsächlichen Zustand der Maschine. Dadurch sinken Ersatzteilkosten, steigt die Anlagenverfügbarkeit, und Instandhaltungsteams können geplant statt reaktiv arbeiten.
Die offene Sensorarchitektur erlaubt es, das System mit dem Bedarf wachsen zu lassen. Vom einzelnen kritischen Bauteil bis zur ganzen Maschine. Ohne neue Infrastruktur, ohne Risiko für bestehende Prozesse und mit voller Datensouveränität im Werk.
