newsonline24

Wenn Sensorik zum Transportproblem wird
Vibration, Temperatur, Druck, Stromaufnahme, Drehzahl, Durchfluss, IMU- und Prozessdaten: Moderne Maschinen und Anlagen liefern heute dutzende oder hunderte Messgrößen gleichzeitig. Diese Datentiefe ist technisch wertvoll, wirft architektonisch jedoch eine entscheidende Frage auf: Welche dieser Daten müssen die Maschine tatsächlich verlassen?

Der klassische Weg lautet meist: erfassen, übertragen, speichern und anschließend zentral analysieren. Bei einzelnen Maschinen funktioniert das problemlos, stößt aber bei hunderten oder tausenden Assets, mobilen Systemen, abgelegenen Standorten oder hochfrequenter Sensorik schnell an seine Grenzen. Hier werden Bandbreite, Cloud-Kosten, Latenz und Datensouveränität zu kritischen Faktoren.

Die Lösung lautet daher nicht, noch mehr Daten noch schneller zu übertragen, sondern: bereits am Edge aus Rohdaten verlässliche Zustandsinformation zu erzeugen.

Von unzähligen Messwerten zu einem State Fingerprint
Mittels Semantic Folding Sensor Fusion verarbeitet SF2 Systems multivariate Sensor- und Betriebsdaten rein lokal. Das gemeinsame Verhalten der Signale wird dabei in kompakte, spärliche binäre State Fingerprints überführt.

Ein solcher Fingerprint ersetzt nicht einfach einen einzelnen Messwert, sondern repräsentiert den Zustand eines Systems in seinem jeweiligen Kontext. Ähnliche Zustände erzeugen ähnliche Fingerprints. Verändert sich das Zusammenspiel der Signale, werden Drift, Zustandsübergänge oder bislang unbekannte Zustände sofort vergleichbar. Ein Edge-Gerät kann dadurch bereits lokal beurteilen, ob sich ein Asset wie in einem bekannten Referenzzustand verhält oder ob sich sein Gesamtverhalten verändert.

Vereinfacht sieht der Architekturwechsel wie folgt dar:
Klassisch:
Sensoren → Rohdatenstrom → Netzwerk/Cloud → zentrale Analyse
Mit lokaler State Intelligence:
Sensoren → lokale Zustandsanalyse → State Fingerprint / Similarity Information → übergeordnetes System

Die Rohdaten gehen dabei nicht verloren. Sie können weiterhin lokal gespeichert oder bei Bedarf übertragen werden. SF2 fungiert nicht als klassischer Kompressionsalgorithmus für Rohdaten, sondern etabliert eine zusätzliche, hochverdichtete Informationsschicht.

Ein Rechenbeispiel: Wie 99,9% Datenreduktion entstehen
Die Größenordnung dieser Effizienz lässt sich transparent nachvollziehen.
Ein rein illustratives Beispiel: Ein Asset liefert 50 Sensorkanäle mit 100 Messungen pro Sekunde.
Das ergibt:
->  5.000 Messwerte pro Sekunde
->  300.000 Messwerte pro Minute
->  432 Millionen Messwerte pro Tag

Allein bei 32-Bit-Werten entstehen daraus rund 1,7 Gigabyte Rohdaten pro Tag – noch ohne Zeitstempel, Protokoll- und Übertragungs-Overhead.
Nimmt man nun als einfaches Architekturbeispiel an, dass statt dieses kontinuierlichen Rohdatenstroms nur einmal pro Minute eine Zustandsmeldung von 1 Kilobyte übertragen wird, fallen lediglich rund 1,44 Megabyte pro Tag an. Gegenüber 1,7 Gigabyte Rohdaten entspricht das einer Reduktion von mehr als 99,9 Prozent.

Der entscheidende Unterschied zu einfachem Downsampling oder bloßer Mittelwertbildung: Ein State Fingerprint enthält nicht nur eine reduzierte Auswahl einzelner Messwerte. Er repräsentiert das Zusammenspiel aller Kanäle als ganzheitlichen Systemzustand. Dadurch können Veränderungen sichtbar werden, die in isolierten Mittelwerten oder klassischen Grenzwertbetrachtungen unentdeckt bleiben.

Die tatsächliche Datenreduktion hängt von Sensorzahl, Abtastrate, Fingerprintgröße, Update-Frequenz und dem gewünschten Umfang zusätzlicher Telemetrie ab. Die 99,9 Prozent sind somit kein pauschaler SF2-Leistungswert, sondern eine Größenordnung, die sich für jede konkrete Edge-Infrastruktur sauber messen lässt.

52 Sensorkanäle: Ein realer Industrie-Use-Case
Dass SF2 komplexe multivariate Zustandsräume hochpräzise verarbeiten kann, belegt unter anderem ein dokumentierter Pumpen-Use-Case.
Hierbei wurden 52 Sensorkanäle gemeinsam ausgewertet. Der Datensatz umfasste mehr als 220.000 Einträge bei lediglich sieben dokumentierte Ausfälle.

In einer analysierten Sequenz wurde eine relevante Veränderung des Gesamtverhaltens rund vier Tage vor einem dokumentierten mechanischen Pumpenausfall sichtbar. Diese vier Tage stellen keine universelle Vorhersagefrist dar, sondern das empirische Ergebnis genau dieser analysierten Sequenz.

Für die Edge-Architektur ist daran vor allem eines von zentraler Bedeutung: Aus vielen einzelnen Messgrößen kann eine kompakte, vergleichbare Zustandsrepräsentation entstehen.
Die Frage lautet dann nicht mehr nur: „Welche Werte wurden gemessen?“, sondern: „Wie verhält sich das System als Ganzes?“

Prädestiniert für verteilte und schwer erreichbare Assets
Dieser Ansatz entfaltet sein volles Potenzial dort, wo permanente Rohdatenübertragung teuer, ineffizient oder schlicht unnötig ist. Das betrifft beispielsweise Wind- und Energieanlagen, Wasserinfrastruktur, Offshore-Systeme, mobile Maschinen, Produktionslinien, Verkehrsinfrastruktur oder große Flotten.

Ein Asset fungiert dabei als lokaler State Node. Komponenten erzeugen eigene Zustandsinformationen, die in einen Subsystemzustand einfließen. Subsysteme wiederum können Bestandteil einer übergeordneten Anlagen- oder Systemrepräsentation werden.

So entsteht eine effiziente Informationshierarchie:
Komponente → Subsystem → Anlage → Standort → Flotte
Statt alle Rohdaten auf jeder Ebene redundant zu transportieren, wird jeweils die relevante Zustandsinformation weitergegeben.

Edge statt Cloud – aber nicht gegen die Cloud
Der Ansatz richtet sich nicht gegen zentrale Plattformen. Cloud-Systeme bleiben essenziell für historische Analysen, Flottenmanagement, Reporting, Engineering oder Optimierung.
Die entscheidende Architekturfrage lautet vielmehr: Welche Berechnung muss zwingend zentral stattfinden – und welche Information kann bereits deterministisch dort entstehen, wo die Daten anfallen?

„Wir wollen nicht möglichst viele Daten von einer Maschine wegtransportieren“, sagt Christoph Gretzmacher, Business Development bei SF2 Systems. „Entscheidend ist, welche Information ein Betreiber tatsächlich benötigt. Wenn aus vielen Sensorkanälen bereits lokal eine belastbare Zustandsinformation generiert wird, sollte exakt diese Information die zentrale Rolle in der Architektur spielen.“

Physical AI braucht auch innere Wahrnehmung
Mit dem Aufkommen von Physical AI gewinnt diese Aufgabentrennung weiter an Relevanz. Moderne Edge-Plattformen reservieren erhebliche Rechenleistung für Kameras, Vision AI und autonome Entscheidungsprozesse.

Diese Systeme beantworten vor allem Fragen über die Umgebung:
– Was sieht die Maschine?
– Was passiert vor ihr?
– Welche Aktion soll sie ausführen?
Parallel dazu entsteht eine zweite, ebenso wichtige Ebene: Wie verhält sich die Maschine selbst?

SF2 bezeichnet diese Ebene als Physical State Intelligence. Die Laufzeitauswertung ist für lokale CPU-Klasse ausgelegt und benötigt keine obligatorische GPU-/CUDA-Infrastruktur. Die konkrete Performance wird jeweils auf der jeweiligen Zielhardware gemessen.Damit können Perception (Umgebungswahrnehmung) und Physical State Intelligence (innere Zustandsanalyse) als getrennte, aber komplementäre Aufgaben auf derselben Edge-Architektur vereint werden.

Die SF2 Edge Challenge: Jetzt mit realen Daten benchmarken
Wie groß ist die tatsächliche Datenreduktion in Ihrer konkreten industriellen Anwendung? Genau das ermittelt SF2 gemeinsam mit Betreibern, OEMs, Sensorherstellern und Edge-Plattformanbietern.

Die Kernfrage lautet: Wie groß ist Ihr heutiger Rohdatenstrom – und wie stark ließe sich die zu übertragende Datenmenge reduzieren, wenn die Zustandsberechnung bereits lokal am Edge erfolgt?

Besonders hohes Potenzial bieten Anwendungen mit vielen Sensorkanälen, hohen Abtastraten, Remote Assets, begrenzter Bandbreite (z.B. Mobilfunk- oder Satellitenverbindungen) oder großen installierten Flotten.

Für einen ersten Test genügen vorhandene historische Zeitreihendaten. Eine Cloud-Anbindung oder ein Eingriff in die laufende Steuerungsanlage ist dafür nicht erforderlich. Die SF2 Suite SE steht dauerhaft kostenlos zur Verfügung und ermöglicht erste Analysen eigener Zeitreihendaten lokal auf Windows, macOS und Linux.

Machen Sie den Edge-Data-Benchmark mit Ihren eigenen Anlagendaten.
www.sf2systems.com
edge_challenge@sf2systems.com

SF2 – From Signals to State.