Schneller Einstieg mit vorhandenen Daten
Historische Sensor-Logs lassen sich lokal untersuchen, ohne zunächst eine produktive Streaming-Infrastruktur aufzubauen.
Technologie
Deterministische Edge-KI für erklärbare Zustandsintelligenz
SF2 transformiert heterogene Sensor- und Prozessdaten in spärlich besetzte binäre Fingerprints und vergleicht aktuelle Systemzustände direkt mit verifizierten Referenzzuständen. Das Ergebnis ist ein reproduzierbarer Workflow vom Rohsignal bis zum operativen Trigger für Condition Monitoring, Anomaly Detection und Predictive Maintenance – vollständig lokal auf Workstation, Industrieserver oder Edge-Gerät.
Jeder Verarbeitungsschritt transparentJedes Ergebnis reproduzierbarJeder Zustand nachvollziehbar
Technologische Grundlagen
Die Grundlagen von Semantic Folding Sensor Fusion
Die technologischen Wurzeln von SF2 reichen rund zwei Jahrzehnte zurück: in die Forschung und Entwicklung zur semantischen Verarbeitung natürlicher Sprache (Natural Language Processing). Dabei entstand mit Semantic Folding ein Verfahren, das Bedeutungszusammenhänge in Texten als kompakte semantische Fingerprints abbildet.
SF2 Systems überträgt dieses Prinzip nun erstmals systematisch auf numerische Sensor- und Prozessdaten im industriellen Umfeld. An die Stelle sprachlicher Bedeutungszusammenhänge treten die Zustände von Maschinen, Anlagen und Prozessen. So wird aus Textsemantik industrielle Maschinensemantik – nachvollziehbar, vergleichbar und direkt am Edge nutzbar.
Bewährte technologische Grundlagen aus der semantischen Sprachverarbeitung – weiterentwickelt für industrielle Zustandsintelligenz.
Kernprinzip
Zustände direkt vergleichen – statt Wahrscheinlichkeiten ableiten
SF2 verfolgt einen referenzbasierten Ansatz: Ein definiertes Zeitfenster aus mehreren Sensor- und Prozesskanälen wird zu einem kompakten semantischen Fingerprint zusammengeführt. Ähnliche Systemzustände erzeugen ähnliche Fingerprints. Ihre strukturelle Übereinstimmung wird als direkter Overlap reproduzierbar berechnet.
-
01
Semantische Zustandsrepräsentation
Mehrere heterogene Signale werden zu einer gemeinsamen, spärlich besetzten zweidimensionalen binären Repräsentation des aktuellen Systemzustands verdichtet. Die Größe der Fingerprint-Matrix wird modellspezifisch festgelegt, beispielsweise 64 × 64 Positionen.
-
02
Verifizierte Referenzbibliothek
Relevante Betriebs-, Übergangs- und Fehlerzustände werden als benannte Referenz-Fingerprints gespeichert und bleiben direkt inspizierbar.
-
03
Direkter Overlap
Der aktuelle Fingerprint wird fortlaufend mit den Referenzen verglichen. Das Ergebnis sind nachvollziehbare Ähnlichkeitskanäle von 0 bis 100 %, aus denen anwendungsbezogene Warnungen und Trigger abgeleitet werden können. „0 bis 100 %“ bezeichnet einen normalisierten Ähnlichkeitswert, keine statistische Eintrittswahrscheinlichkeit.
Praxisnutzen
Warum das in der Praxis zählt
Applikations-, Instandhaltungs- und OT-Teams erhalten einen transparenten Pfad von vorhandenen Sensor-Logs bis zur produktiven Zustandsüberwachung. Modellierung, Referenzbildung und Triggerlogik bleiben technisch nachvollziehbar und können ohne Cloud-Infrastruktur betrieben werden.
Lokale Datenhoheit
Analyse und Laufzeitbetrieb können vollständig im eigenen Netzwerk erfolgen - auch in abgeschotteten oder KRITIS-nahen Umgebungen.
Skalierbarer Übergang in den Betrieb
Validierte Modelle werden als versionierbare Runtime-Pakete auf lokalen Servern, Edge-Geräten oder einem SF2 Edge Device bereitgestellt.
Verarbeitungspipeline
Vom Rohsignal zum operativen Trigger
Die SF2-Pipeline trennt die einmalige Modellerstellung klar vom kontinuierlichen Laufzeitbetrieb. So bleibt nachvollziehbar, welche Schritte ein Modell definieren und welche Berechnungen später direkt an der Anlage ausgeführt werden.
UDTAT – Daten reproduzierbar aufbereiten
UDTAT (Universal Data Transformation and Analytic Tool) wählt relevante Kanäle aus, führt definierte Transformationen aus, ergänzt berechnete Signaturen und erzeugt eine konsistente Datensicht für die semantische Modellierung.
UDM – Zustände topologisch organisieren
UDM (Universal Data Mapper) ordnet die aufbereiteten Eingabemuster in einer zweidimensionalen Topologie an. Daraus entsteht die modellbezogene „Retina“, in der ähnliche Eingangszustände räumlich benachbart repräsentiert werden.
UFP – Mapping in Fingerprints überführen
UFP (Universal Finger Printer) übersetzt die definierten Bins und Sensorkanäle in semantische Stütz-Fingerprints. Diese bilden die Grundlage für die Fingerprint-Erstellung im Laufzeitbetrieb.
Overlap und Trigger – Zustandsentwicklung operationalisieren
SF2 vergleicht aktuelle Fingerprints mit gespeicherten Referenzen und stellt die Übereinstimmung als normalisierte Overlap-Kanäle dar. Daraus lassen sich anwendungsabhängige Warnstufen und Trigger für nachgelagerte Systeme ableiten.
Modellerstellung in SF2 Suite SE
Modell definieren
Sensor-LogsUDTAT · Universal Data Transformation and Analytic ToolUDM · Universal Data MapperUFP · Universal Finger PrinterReferenzbibliothek und versioniertes Modellpaket
Diese Schritte definieren das Modell und bleiben versionierbar. Die Bereitstellung der Sensordaten gehört zur Kundeninfrastruktur.
Produktiver Betrieb mit SF2 Engine RT
Modell ausführen
Laufendes Datenfensteraktueller FingerprintOverlap mit ReferenzenZustandskanal oder TriggerSPS / SCADA / MES / Backend
SF2 übernimmt Transformation, Fingerprint-Erstellung, Vergleich und Erkennung. Die operative Reaktion erfolgt in der Kundeninfrastruktur.
Datenaufbereitung
UDTAT in der Praxis: drei Verarbeitungsschritte
Rohdaten mit geladener Pipeline
Die Ausgangsansicht zeigt die unveränderten Sensordaten und ihre Verteilung. Die gespeicherte Preprocessing-Pipeline ist bereits geladen und kann reproduzierbar auf denselben Datensatz oder weitere Daten mit identischer Struktur angewendet werden.
- Originalwerte und Verteilung bleiben als technische Referenz sichtbar.
- Jeder Pipeline-Schritt ist explizit konfiguriert und wiederholbar.
- Die transformierte Ansicht entsteht erst nach dem bewussten Ausführen der Pipeline.
Normalisieren und skalieren
Im zweiten Schritt werden die ausgewählten Sensorkanäle auf einen gemeinsamen Wertebereich skaliert. In der gezeigten Transformation bleiben die relativen Signalverläufe und die Form der dargestellten Verteilung erhalten, während die Kanäle numerisch vergleichbar werden.
- Einheitlicher Wertebereich für mehrere Kanäle.
- Relative Verläufe bleiben in der gezeigten Skalierung nachvollziehbar.
- Reproduzierbare Grundlage für Quantisierung und Mapping.
Binning und Quantisierung
Anschließend werden kontinuierliche Werte definierten Bins zugeordnet. Die Quantisierung erzeugt stabile diskrete Eingangszustände und reduziert die Empfindlichkeit gegenüber kleinen numerischen Schwankungen. Die sichtbare Verteilung verändert sich dabei bewusst.
- Kontinuierliche Werte werden in definierte diskrete Zustände überführt.
- Bin-Grenzen bleiben konfigurierbar und reproduzierbar.
- Die gebinnten Daten bilden die Eingabe für UDM und UFP.
Zustandsrepräsentation
Mapping und Umwandlung in semantische Fingerprints
UDM Mapping: Aufbau der zweidimensionalen Zustandskarte
Nach der Datenaufbereitung ordnet UDM die beobachteten Eingangsmuster in einer zweidimensionalen Topologie an. Die Animation zeigt den Mapping-Lauf über 100 Epochen und macht sichtbar, wie sich die Kartenbelegung schrittweise entwickelt.
- Der untere Graph zeigt den Verlauf leerer und belegter Kartenpositionen.
- Benachbarte Positionen repräsentieren ähnliche Eingabekontexte innerhalb des erzeugten Mappings.
- Die Stabilisierung der Belegung unterstützt die technische Prüfung des Mapping-Laufs.
UFP: Vom Mapping zu semantischen Stütz-Fingerprints
Für jeden diskretisierten Wertebereich eines Sensorkanals erzeugt UFP einen zugeordneten semantischen Fingerprint. Diese Fingerprints bilden die Grundlage für die Darstellung des aktuellen Systemzustands.
- Jeder Bin und Kanal besitzt eine eindeutig zugeordnete binäre Repräsentation (Fingerprint).
- Die Fingerprints können direkt in UFP gesichtet und positionsgenau inspiziert werden.
- Die Erzeugung erfolgt typischerweise einmal pro finalisiertem Modell.
- Änderungen an Kanälen, Transformationen, Binning oder Mapping erfordern eine neue Generierung und Versionierung.
Live-Analyse
Live-Analyse: Semantic Fingerprints im Betrieb
SF2 führt Rohdaten, aufbereitete Signale, den aktuellen Zustandsfingerprint und den Vergleich mit gespeicherten Referenzen in einer gemeinsamen Ansicht zusammen.
Current Status
Der Current-Status-Fingerprint repräsentiert das aktuell ausgewertete Datenfenster als gemeinsamen Systemzustand.
Semantischer Schwerpunkt
Das Center-of-Gravity-Rendering dient als visuelle Orientierung. Es liefert keine Fehlerwahrscheinlichkeit und ersetzt nicht den direkten Overlap.
Rohdaten und conditioned inputs
Rohdaten bleiben technische Referenz; conditioned inputs zeigen die Kanäle nach gespeicherter UDTAT-Pipeline.
Overlap-Kanäle und Triggerlogik
Overlap-Kanäle zeigen, wie stark der aktuelle Zustand mit ausgewählten Referenz-Fingerprints übereinstimmt.
Technologievergleich
Ein anderer Ansatz für industrielle Zustandsanalyse
SF2 ersetzt nicht pauschal jedes Machine-Learning-Verfahren. Die folgende Gegenüberstellung zeigt, wie sich der referenzbasierte Semantic-Folding-Ansatz von typischen überwachten ML-Projekten unterscheidet.
| Aspekt | Klassisches ML-Projekt | SF2 Semantic Folding |
|---|---|---|
| Zustandsrepräsentation | Modellabhängige Merkmale, latente Repräsentationen oder gelernte Entscheidungsgrenzen | Spärlich besetzte binäre Fingerprints, die konkrete Systemzustände repräsentieren |
| Entscheidungslogik | Statistische Vorhersage oder Klassifikation; abhängig vom gewählten Verfahren | Direkter, reproduzierbarer Overlap mit verifizierten Referenzzuständen |
| Nachvollziehbarkeit | Je nach Modell und Erklärverfahren unterschiedlich ausgeprägt | Übereinstimmung mit benannten Referenz-Fingerprints und Overlap-Kanälen direkt sichtbar |
| Datenbasis | Bei überwachten Verfahren häufig umfangreiche gelabelte Trainingsdaten erforderlich | Referenzzustände können aus beobachteten und verifizierten Betriebsphasen aufgebaut werden; bekannte Fehlerzustände benötigen belastbare Referenzen |
| Betriebsmodell | Je nach Architektur lokal, hybrid oder cloudbasiert | Für lokalen Workstation-, Server- und Edge-Betrieb konzipiert; kein Cloud-Zwang |
| Rechenprinzip | Verfahrensabhängig, häufig matrixbasierte Inferenz | Kompakte binäre Repräsentationen und effiziente Bitoperationen für den Zustandsvergleich |
| Änderungsmanagement | Abhängig von Datenpipeline, Modell, Training und MLOps-Prozess | Pipeline, Mapping und Referenzbibliothek sind versionierbar; Änderungen an Kanälen oder Mapping erfordern eine erneute Modellgenerierung |
| Eintrittshürde | Data-Science- und MLOps-Schwerpunkt | Engineering-first, domänengetriebene Modellierung |
| Interpretierbarkeit | Häufig Black-Box-Verhalten | Deterministischer Overlap-basierter Ansatz |
| Time-to-Value | Lange Vorlaufzeit | Schneller Pilot- und Rollout-Pfad |
Nächster Schritt
Technologie verstehen. Mit eigenen Daten validieren. Produktiv skalieren.
Der schnellste Einstieg ist die kostenlose SF2 Suite SE. Validierte Modelle lassen sich anschließend mit SF2 Suite RT verwalten und als SF2 Engine RT produktiv ausführen.