TECHNOLOGIE

Das Lernen gehört ins Gerät.

Die meisten Systeme des maschinellen Lernens lernen anderswo und werden dann als festes Modell ausgeliefert. RailMind bringt stattdessen zwei Komponenten auf das Gerät: eine Engine, die im laufenden Betrieb weiterlernt, und eine Neuromodulationsschicht, die entscheidet, wann sie lernen darf.

Jeder Datenstrom

Maschinen
Bauwerke
Kameras
Roboter und Geräte

Neuromodulationsschicht

Steuert, wann gelernt werden darf. Das System gibt das Signal, Ihr Team entscheidet.

Lernende Engine

Lernt den Normalzustand – direkt auf dem Gerät

Das Gelernte

Bleibt auf dem Gerät. Veränderungen werden Ihrem Team angezeigt.

Schematisch: die beiden Komponenten auf einem Gerät. Die Eingänge sind Beispiele.

WAS AUF DEM GERÄT PASSIERT

Anbringen

Die Engine sitzt dort, wo die Daten entstehen: an einer Maschine, einem Bauwerk, einer Kamera oder im Gerät eines anderen Herstellers. Zu Beginn hat sie noch nichts gelernt.

Lernen

Aus den eigenen Daten dieser Quelle entsteht ein Bild des Normalzustands – auf dem Gerät, im laufenden Betrieb.

Erkennen

Weichen die Daten vom gelernten Normalzustand ab, wird Ihrem Team die Veränderung angezeigt.

Entscheiden

Vor einer Wartung oder einer geplanten Änderung pausiert Ihr Team das Lernen, damit die Änderung nicht als neuer Normalzustand übernommen wird. Die Neuromodulationsschicht steuert, wann gelernt werden darf: Das System gibt das Signal, Ihr Team entscheidet.

KONTROLLIERTE PLASTIZITÄT

Ein Gerät, das lernt, muss wissen, wann es lernen soll.

Eine Engine, die weiterlernt, passt sich dem Normalzustand jeder Quelle an, die sie beobachtet. Doch nicht jede Veränderung, die sie sieht, sollte gelernt werden.

Schematische Darstellung.

Die Neuromodulationsschicht

Die Neuromodulationsschicht steuert, wann gelernt wird. Das System gibt das Signal, und Ihr Team entscheidet, wann das Lernen pausiert und wieder aufgenommen wird – ähnlich wie die Neuromodulatoren, die im Gehirn das Lernen regulieren.

Ein Modell, das die jeweilige Maschine immer besser kennenlernt, ohne Fehler als Normalzustand zu übernehmen.
Ihr Team entscheidet ausdrücklich, wann das Lernen pausiert und wann es weitergeht. So ist für jede Änderung klar, wer sie verantwortet.
Ein Ansatz, der sich an der Richtung orientiert, die Regulierungsbehörden für sich selbst aktualisierende Systeme vorzeichnen.

Neuromorph – aber neuromorph ist nicht gleich neuromorph.

Vergleich der Überwachungsansätze
	RailMind	Feste Grenzwerte	Cloud-Modelle	Typische Edge-KIvorab trainiert
Lernt den Normalzustand jeder einzelnen Anlage	Ja	Nein	Teilweise	Nein
Lernt nach der Installation weiter	Ja	Nein	Teilweise	Nein
Daten bleiben vor Ort	Ja	Ja	Nein	Ja
Keine gekennzeichneten Störungsdaten nötig	Ja	Ja	Teilweise	Teilweise
Ihr Team entscheidet, wann das Lernen pausiert	Ja	Entfällt	Nein	Entfällt

„Teilweise“: Cloud-Modelle werden meist zentral und in Abständen neu trainiert, nicht auf dem Gerät; manche Edge-KI wird nur mit Normaldaten trainiert.

Was sie unterscheidet

Lernt auf dem Gerät

Das Modell entsteht direkt auf dem Gerät – aus den Daten des überwachten Objekts.

Ohne Trainingsdaten

Sie brauchen weder gekennzeichnete Störungsdaten noch eine vorherige Datensammlung, bevor Sie loslegen können.

Lernt weiter – unter Ihrer Kontrolle

Das Modell passt sich an, wenn die Anlage altert oder sich ihre Last ändert. Ihr Team entscheidet, wann das Lernen pausiert und wann es weitergeht.

Für kleine Hardware gebaut

Von Anfang an für sparsame Mikrocontroller entwickelt – nicht aus einem Rechenzentrumsmodell nachträglich verkleinert.

Wo die Engine läuft

Heute

Embedded-Gateway

An Standorten mit vorhandener Rechentechnik. Keine zusätzliche Hardware nötig.

Heute

Mikrocontroller

Direkt an der Anlage, in einem kleinen Gerät.

Als Nächstes

In Silizium

Die Engine als Bauteil – in Sensoren und Geräten anderer Hersteller.

Wie Sie die Technik vor Ort einbinden

Vier Bausteine: Sensoren an der Anlage, ein Node, der ihr normales Verhalten lernt, ein Hub für den Standort und die Plattform, die Sie bereits nutzen.

Systemübersicht: Sensoren und Anlagen sind mit Edge Nodes verbunden, Kameras mit dem Edge Hub, Edge GTS ergänzt Zeit und Position, der Hub übermittelt die Messdaten an Ihre Plattform

Demo-Video folgt in Kürze.

Wo das Modell sitzt

Auf dem Gerät, direkt an der Anlage, die es beschreibt. Messwerte können an Ihre Systeme weitergegeben werden, wenn Sie das möchten – das Lernen selbst hängt nicht von einer Verbindung ab.

Wer die Kontrolle hat

Ihr Team. Sie entscheiden, wann das Lernen pausiert und wann es fortgesetzt wird.

ENGINE

Sie bauen eigene Geräte?

Lizenzieren Sie die Engine, damit Ihr eigenes Produkt im Betrieb lernen kann.

Lizenz anfragen

Geräte ansehen – oder mit einer einzigen Maschine starten.

Produkte Pilotprojekt besprechen