Sensoragnostisch & universell
Verarbeitet Sensorsignale unabhängig von Typ, Anzahl oder Quelle. Führt mehrere Kanäle zu einem gemeinsamen Systemzustand zusammen und übergibt erkannte Zustandsänderungen in Echtzeit an SPS-, SCADA- oder MES-Systeme.
Condition Monitoring erkennt Signale. SF2 versteht Systemzustände.
Die erste Edge-
native Plattform
für industrielle Zustandsintelligenz.
100% lokale Verarbeitung. Zero Cloud.Keine Data-Science-Kenntnisse erforderlich.
Wofür SF2 Systems steht
SF2 Systems macht industrielle Zustände verständlich.
SF2 Systems bietet ein durchgängiges Ökosystem aus Hard- und Software für Predictive Maintenance, Anomaly Detection und Root Cause Analysis – basierend auf der deterministischen SF2 (Semantic Folding Sensor Fusion) KI. SF2 verwandelt Sensor- und Zeitreihendaten aus Maschinen, Anlagen und Prozessen in verständliche digitale Zustandsrepräsentationen – semantische Fingerprints. Dadurch werden Anomalien, schleichende Veränderungen und kritische Entwicklungen frühzeitig sichtbar.
Analysieren Sie industrielle Sensordaten lokal und erstellen Sie reproduzierbare Modelle für Condition Monitoring, Anomalieerkennung und Predictive Maintenance – ohne Cloud und ohne Data-Science-Team.
Kernvorteile
Deterministische KI. Gebaut für industrielle Zustandsdaten.
Binäre Fingerprints statt Matrix-Inferenz
Analysiert Daten mit effizienten binären Operationen auf semantischen Fingerprints anstelle rechenintensiver Matrix-Inferenz. Das ermöglicht kurze Reaktionszeiten bei geringem Ressourcenbedarf.
Keine Cloud. Volle Datenkontrolle.
Führt Analyse und Inferenz vollständig vor Ort aus. Sensible Produktionsdaten bleiben im eigenen Netzwerk; auch abgeschottete und cloudfreie Betriebsumgebungen werden unterstützt.
Einführung & Skalierung
Vom lokalen Test zur flottenweiten Edge-Analyse
Das modulare SF2-Ökosystem begleitet Sie von der ersten Datenexploration bis zum automatisierten 24/7-Betrieb an der Maschine.
Phase 1
Datenexploration
Sensor-LogsSF2 Suite SEvalidiertes SF2-Modell
Lokale CSV-Auswertung und Modellvalidierung auf der Workstation.
Phase 2
Produktiver Betrieb
SF2 Suite RTSF2 Engine RTEdge Device oder ServerSPS / SCADA / MES / Alarm
Suite RT verwaltet und verteilt Modelle; Engine RT führt sie produktiv aus.
SF2 Ökosystem
Industrietaugliche Software & Hardware für den Einsatz in der OT
Software
Software für die lokale Datenanalyse, die Erstellung und Verwaltung von Zustandsmodellen sowie deren produktive Ausführung.
SF2 Suite SE
Die kostenlose SF2 Suite SE ermöglicht Ingenieurinnen und Ingenieuren, vorhandene Sensor-Logs direkt auf der eigenen Workstation zu analysieren. CSV-Dateien werden lokal verarbeitet; sensible Daten verlassen das Unternehmen nicht.
SF2 Suite RT
SF2 Suite RT unterstützt Verwaltung, Bereitstellung und Überwachung von Modellen für Maschinen, Anlagen und verteilte industrielle Systeme.
SF2 Engine RT
Das kompakte Laufzeitmodul führt zuvor erstellte Modelle autonom aus und erkennt Zustandsänderungen in Echtzeit - als Container, native Anwendung oder integriert in ein SF2 Edge Device.
Hardware
Optionale Hardware als Enabler für Integration und Edge-Betrieb. SF2 kann ebenso auf vorhandener, geeigneter Infrastruktur eingesetzt werden.
SF2 Edge Device
Der kompakte DIN-Hutschienen-Controller verbindet industrielle Datenschnittstellen mit der lokalen Ausführung einer SF2 Engine RT.
SF2 Verification Device
Das mobile Diagnosewerkzeug unterstützt Inbetriebnahme, Datenprüfung und Modellvalidierung direkt im Feld.
Semantic Folding Sensor Fusion erklärt
So macht SF2 Maschinenzustände vergleichbar
SF2 wandelt die aktuelle Kombination relevanter Sensorsignale in einen semantischen Fingerprint. Ähnliche Zustände erzeugen ähnliche Fingerprints; über direkten Overlap wird messbar, wie stark ein aktueller Zustand mit einem bekannten Normal-, Übergangs- oder Fehlerzustand übereinstimmt.
Semantische Darstellung komplexer Zeitreihendaten
Semantische Fingerprints
Semantische Fingerprints sind 2-dimensionale binäre Vektoren mit spärlicher Füllung. Sie sind quadratisch in beliebiger Größe (32x32, 64x64, 128x128, 256x256).
Jeder Status des Systems ergibt einen repräsentativen Fingerprint. Ähnliche Status haben ähnliche Fingerprints. Die Ähnlichkeit zweier Fingerprints wird durch direkte Überlappung gemessen.
Kontextähnlichkeit über den Schwerpunkt
Die zweite Detailaufnahme zeigt ein Center-of-Gravity (CoG)-Rendering des aktuellen Status-Fingerprints. Der CoG markiert, wo der semantische Schwerpunkt des aktuellen Zustands liegt.
Dieser Schwerpunkt kann sich mit dem eines Fehler-Fingerprints überlagern, ohne dass bereits ein Fehler vorliegt. Das bedeutet eine hohe Kontextähnlichkeit zu diesem Fehlermuster: Wenn in diesem Moment ein Fehler auftreten würde, wäre dieses Fehlerbild am wahrscheinlichsten.
Rohdaten als unverfälschte Ausgangsbasis
Die dritte Detailaufnahme zeigt die Zeitverlaufsplots aller rohen Sensorkanäle ohne Vorverarbeitung. Dadurch bleibt der originale Signalcharakter vollständig erhalten und es wird sofort sichtbar, welche Dynamiken, Sprünge oder Driftmuster bereits im Eingangssignal vorhanden sind.
Diese Ansicht ist die technische Referenz vor Normalisierung, Binning und Mapping. Sie hilft dabei, die spätere semantische Modellierung korrekt einzuordnen und klar zu unterscheiden, welche Strukturen aus den Rohdaten stammen und welche erst durch das Preprocessing hervorgehoben werden.
Conditioned Inputs für die Fingerprint-Konvertierung
Diese Detailaufnahme zeigt die vollständig aufbereiteten Sensor-Eingänge nach der UDTAT Input Processing Pipeline. Aus den Rohkanälen entstehen stabile, vergleichbare Signalverläufe als belastbare Basis für die weitere semantische Auswertung.
Die Kanäle sind bereits konsistent transformiert und aufeinander abgestimmt. Dadurch lassen sich Muster und Statusübergänge klarer erkennen und im nächsten Schritt robuster in semantische Fingerprints überführen.
Overlap-Kanäle und Alarmlogik
Diese Detailaufnahme zeigt den eigentlichen Output des SF2-Systems. Der oberste Kanal stammt als einziger aus den Eingangsdaten und dient als Orientierung. Bei Statuswechseln kann ein Referenz-Fingerprint markiert, benannt und in der Fingerprint-Datenbank gespeichert werden.
Die restlichen Kanäle sind Overlap-Kanäle. Der Baseline-Kanal vergleicht den Current Status mit den fünf vorherigen aggregierten Zuständen und liegt im Normalbetrieb typischerweise nahe 100 %. Die Failure-Kanäle zeigen den Overlap mit den jeweiligen Fehler-Fingerprints. Darauf basierend lassen sich Alarmschwellen definieren, etwa ein Trigger bei 50 % Overlap mit einem Fehler-Fingerprint.
Verarbeitungspipeline
Vom Sensordaten-Input zur vergleichbaren Zustandsrepräsentation
-
01
Sensordaten als Input
Vorhandene Sensor- und Prozessdaten werden als unverfälschter Input übernommen.
-
02
Signale aufbereiten
Die Input Processing Pipeline transformiert Rohsignale in stabile, vergleichbare Signalverläufe.
-
03
Zustände als Fingerprints darstellen
Die Daten werden in spärlich besetzte binäre Fingerprints überführt.
-
04
Zustände vergleichen
Der aktuelle Fingerprint wird fortlaufend mit gespeicherten Referenzzuständen verglichen.
-
05
Veränderungen erkennen
Steigende Ähnlichkeit mit kritischen Referenzen macht Annäherungen frühzeitig sichtbar.
Implementierungsfahrplan
Ihr Weg zur Predictive Maintenance in
fünf Schritten
-
01
Kostenlos lokal testen
SF2 Suite SE herunterladen und vorhandene Sensor-Logs analysieren.
-
02
Daten aufbereiten
Mit UDTAT Rohdaten einlesen, relevante Kanäle auswählen und Signalrepräsentationen überführen.
-
03
Fingerprints erstellen
Semantische Fingerprints für Normalbetrieb, Übergänge und bekannte kritische Zustände erstellen.
-
04
Modell validieren
Historische Verläufe prüfen, Referenzzustände bestätigen und Triggerlogiken definieren.
-
05
Live ausrollen
Das validierte Modell als SF2 Engine RT auf Server, Edge-Gerät oder SF2 Edge Device bereitstellen.
Case Studies
Nachweisbare Ergebnisse mit realen Industriedaten
SF2 wurde mit anspruchsvollen Daten aus Produktion, Energie, Infrastruktur, Maschinenbau, Radar und IT-Operations erprobt.
- Zuverlässige Erkennung von Ausfallindikatoren vor dem Defekt in Pumpensystemen
- Klassifikation industrieller Produktionszustände mit sehr wenigen Trainingsdaten
- Erkennung kritischer IT-Systemveränderungen in bestehenden Monitoring-Systemen
- Semantische Radarzielerkennung mit hoher Trennschärfe
- Sichere Früherkennung drohender Pipeline-Blockaden in der Offshore-Förderung
Nächster Schritt
Testen Sie SF2 mit Ihren eigenen Sensordaten.
Mit der kostenlosen SF2 Suite SE können Sie vorhandene Sensor-Logs vollständig lokal analysieren - ohne Cloud, ohne Datenübertragung und ohne umfangreiches Data-Science-Projekt.