Wir wollten ein MES-light entwickeln: Transparenz im Betrieb, ohne die Komplexität eines vollständigen MES. Schnell wurde klar, dass der schwierigste Teil nicht das Dashboard ist — sondern die Anbindung von Maschinensignalen und OPC-UA-Nodes unterschiedlicher Hersteller. Jede Maschine spricht ihre eigene Sprache. Jeder Hersteller liefert andere Strukturen. Der Aufwand für Integration und Pflege wuchs, bevor das eigentliche Produkt Nutzen stiftete.
Statt das Problem mit mehr Konfiguration zu lösen, haben wir getestet, wie Anbindung vereinfacht werden kann. Weniger manuelle Zuordnung, weniger „erst alles modellieren, dann sehen, ob es funktioniert“. Der Fokus verschob sich: nicht noch eine Oberfläche, sondern ein intelligenter Umgang mit den Rohsignalen.
Daraus entstand ein Algorithmus, der zunächst nur eines konnte: Nodes zuweisen und analysieren — Muster in den eingehenden Signalen erkennen, ohne dass jemand jede Variable vorab definieren musste. Das war noch kein fertiges Produkt, aber ein erster Durchbruch: Die Maschine wurde nicht nur verbunden, sie wurde lesbar.
In diesem Schritt haben wir das Potenzial von KI im industriellen Kontext gesehen — nicht als generisches Cloud-Modell, sondern als Werkzeug, das aus echten Betriebssignalen Struktur zieht. Wir haben weitergeforscht: Was passiert, wenn die Engine nicht nur zuordnet, sondern versteht, was sich im Betrieb verändert?
Heute ist daraus eine Cognitive Engine gewachsen: In unserer internen Validierung kann sie Signale ohne vorherige Zuordnung einordnen, in Bereiche strukturieren und für Menschen erklärbar machen — read-only, ohne Eingriff in die Steuerung. Copass ist das Produkt, das aus dieser Entwicklung entstanden ist. elvnode ist das Unternehmen, das es baut.
Für uns ist das keine Marketing-Legende, sondern der ehrliche Weg: vom Anbindungsproblem am Shopfloor zu einem System, das Maschinen verständlich macht. Genau dort setzen wir heute an — und suchen Testkunden und Hersteller für den ersten Feldtest mit Copass.