Das Nodrix KI-Modell lernt das Normalverhalten jeder Maschine und schlägt Alarm, wenn Muster abweichen — auch dann, wenn noch kein threshold überschritten wurde. Früher, präziser, ohne False Positives.
Klassische Schwellenwerte reagieren erst, wenn es zu spät ist. KI erkennt, dass etwas falsch läuft — bevor jeder threshold verletzt wird.
Klassische Überwachung funktioniert mit festen Grenzen: Temperatur über 90 °C → Alarm. Das Problem: Die meisten damage kündigen sich subtil an — durch Veränderungen im Muster, nicht durch thresholdüberschreitungen. Eine Pumpe, die vor dem failure leicht anders vibriert, fällt durch das Raster.
Das Nodrix KI-Modell lernt in den ersten Betriebstagen das normale Verhalten jeder Maschine — inklusive tages- und schichtbedingter Schwankungen. deviations vom erlernten Normalbereich werden erkannt und klassifiziert: Handelt es sich um ein neues Muster? Um eine Drift über Tage? Um eine plötzliche Änderung? Jede Kategorie hat einen eigenen Handlungsvorschlag.
Das Modell aktualisiert sich continuously. Nach einem geplanten maintenanceseingriff lernt es das neue Normalverhalten automatically — ohne manuelle Rekonfiguration.
Von der Datenerfassung bis zum präzisen Alarm — vollautomatically in drei Schritten.
In den ersten 7 Betriebstagen beobachtet das Modell die Maschine ohne Alarm zu erzeugen. Es lernt die typischen Vibrations- und Temperatursignaturen für jeden Betriebszustand — Anlauf, Volllast, Teillast, Standby — und baut daraus ein mehrdimensionales Normalmodell auf.
Ab Tag 8 vergleicht das Modell continuously die aktuellen Messwerte mit dem gelernten Normalbereich. Statistisch signifikante deviations werden klassifiziert — als Drift (langsam), Spike (plötzlich) oder Musterwechsel (strukturell) — und mit einem Konfidenzwert versehen.
Erreicht die Konfidenz einen einstellbaren Schwellenwert (Standard: 85%), sendet das System einen Alarm inklusive anomaly-Typ, betroffenem Sensor, zeitlichem Verlauf und Handlungsempfehlung. Der Alarm kann ins ERP/CMMS weitergeleitet werden oder direkt an den shiftleiter gehen.
anomaly-Timeline, Konfidenzwerte und Erklärungen der KI — auf einen Blick.
Das System hat nach sieben Tagen Einlernphase selbständig eine anomaly erkannt, die wir mit normalen thresholden nie gesehen hätten — ein schleichender Drift über drei Wochen. Genau das ist Predictive Maintenance.
Drei typische Szenarien aus deutschen Produktionsbetrieben.
Hardware, Gateway und 12 Monate Cloud — alles in einem Paket. Plug-and-play, ohne Umbau.