Viele Industrie-KI-Angebote setzen auf Cloud-Plattformen und generische Modelle. Für den Maschinenbetrieb passt das selten: Produktionswissen ist vertraulich, Signale sind maschinenspezifisch, und ein System, das „alles“ verstehen muss, wird schnell groß, undurchsichtig und abhängig von externer Infrastruktur.

elvnode entwickelt deshalb eine eigene lokale Lernarchitektur — die Cognitive Engine von Copass — speziell für industrielle Maschinen. Kein Chatbot, kein Sprachmodell aus der Cloud. Copass ordnet Betriebssignale ein, erfasst, wie eine Maschine arbeitet, erkennt Veränderungen und informiert Menschen mit nachvollziehbaren Hinweisen. Alles läuft lokal am Maschinenstandort oder im Betriebsnetzwerk.

Damit die Engine im Feld praktikabel bleibt, trennen wir die Verarbeitung in Ebenen. Jede Ebene reduziert, was die nächste verarbeiten muss — und hält die Lernarchitektur insgesamt klein.

Ebene 1 — Signale: Copass bindet sich schreibgeschützt an Maschinensignale an — heute über OPC UA, perspektivisch über herstellerspezifische Schnittstellen. Es werden nur die Signale verarbeitet, die für diese Maschine relevant sind. Kein zentraler Datenpool, keine Aufnahme des gesamten Werks in eine gemeinsame Struktur.

Ebene 2 — Kontext: Rohsignale werden nicht dauerhaft als Datenstrom gespeichert. Sie werden zu Beobachtungen mit Kontext: Welcher Zustand ist aktiv? Was passiert im Betrieb? Materialwechsel, Wartung, Normalbetrieb — Signale bekommen Bedeutung, statt nur Werte zu liefern. Das reduziert die Menge an Information, die die Engine wirklich verarbeiten muss.

Ebene 3 — Erfahrungen: Wiederkehrende Situationen werden als Erfahrungen festgehalten — nicht als unendlicher Log aller Messpunkte. Copass vergleicht heute mit dem, was diese Maschine schon einmal in ähnlichem Kontext gezeigt hat. Lernen bedeutet hier: Muster aus Erfahrungen, nicht Big-Data-Sammeln.

Ebene 4 — Muster: Aus Erfahrungen entstehen maschinenspezifische Muster — das Fundament des Verständnisses für genau diese Anlage. Jede Maschine bekommt ihr eigenes Wissen. Die Engine muss nicht alle Maschinentypen und alle Betriebe in einer einzigen großen Struktur abbilden. Das hält die Lernlast pro Maschine beherrschbar.

Ebene 5 — Lokale Ausführung: Lern- und Auswertungslogik läuft auf der Hardware im Betrieb — ohne permanente Cloud-Anbindung für den Kern. Eine fokussierte Cognitive Engine ist hier kein Nachteil, sondern Voraussetzung: schnell genug für den laufenden Betrieb, erklärbar genug für Operatoren und Techniker, souverän genug für vertrauliche Produktionsdaten.

Diese Ebenen sind kein Marketing-Schichtenmodell. Sie sind die Architektur, mit der wir Copass aufbauen: Signale lesen, Kontext bilden, Erfahrungen speichern, Muster erkennen, Veränderungen einordnen — und Menschen informieren, bevor der klassische Alarm greift.

Was das in der Praxis bedeutet: Copass kann auch ohne Internetverbindung arbeiten. Produktionswissen bleibt im Unternehmen. Und jeder Hinweis kann zurückverfolgt werden — nicht als undurchsichtiger Score, sondern als Einordnung im Maschinenkontext.

Wir glauben, dass industrielle KI dezentral sein muss: eine Cognitive Engine pro Maschine, klein genug für den Betrieb, groß genug für echtes Verständnis. Genau daran arbeiten wir — in Copass und mit den ersten Partnern, die wir suchen.

Mehr zum Thema industrielle KI für Maschinen — wie Copass Maschinendaten lokal einordnet.