Wind und Sonneneinstrahlung schwanken, Kraftwerke wechseln ihre Leistung, Speicher laden und entladen, Transformatoren reagieren auf unterschiedliche Lastsituationen. Gleichzeitig entstehen entlang dieser gesamten Kette enorme Mengen technischer Daten – von klassischen Betriebs- und SCADA-Werten bis zu hochaufgelösten elektrischen, mechanischen oder Schwingungssignalen.
Die Daten sind häufig längst vorhanden. Entscheidend ist, aus ihnen ein verständliches Bild des tatsächlichen Systemzustands zu gewinnen.
Systemischer Ansatz statt Sensor-Silos
Ein technisches Energiesystem besteht nicht aus einzelnen Messwerten. Strom, Spannung, Leistung, Temperatur, Druck, Durchfluss, Drehzahl oder Vibration stehen immer in einem betrieblichen Zusammenhang.
Ein einzelner Wert kann völlig plausibel aussehen, obwohl sich das Zusammenspiel des Systems bereits verändert.
SF2 führt relevante Sensor- und Betriebsdaten zu einem gemeinsamen Zustands-Fingerprint zusammen. Ähnliche Betriebszustände erzeugen ähnliche Fingerprints. Dadurch wird sichtbar, ob sich eine Anlage weiterhin in einem bekannten stabilen Zustand bewegt, in einen anderen normalen Betriebsbereich wechselt oder sich eine ungewöhnliche Drift entwickelt.
Der Unterschied liegt damit in der Betrachtung: Nicht nur einzelne Grenzwerte werden beobachtet, sondern das Verhalten des Systems als Ganzes.
Das lässt sich entlang der gesamten Energiekette anwenden – von Erzeugungsanlagen und Speichern über Leistungselektronik bis zu Transformatoren, Schaltanlagen und Verteilinfrastruktur. Gerade dort ist diese Sicht interessant, weil Wetter, Einspeisung, Last, Schaltzustände und Betriebsphasen sich fortlaufend verändern und technische Systeme nur selten zweimal exakt unter denselben Bedingungen arbeiten.
Hochaufgelöste Daten direkt an der Anlage verarbeiten
In Energieanlagen fallen Daten mit sehr unterschiedlicher zeitlicher Auflösung an. Klassische Betriebsdaten – etwa Leistung, Temperatur oder Druck – werden häufig in größeren Zeitabständen erfasst oder bereits in verdichteter Form an SCADA- und Historian-Systeme übermittelt.
Für Anwendungen wie elektrische Messtechnik, Anlagenschutz oder Schwingungsanalyse werden dagegen teilweise hochaufgelöste Rohsignale benötigt. Dabei können innerhalb kurzer Zeit sehr große Datenmengen entstehen. Ihre vollständige Übertragung, zentrale Speicherung und Verarbeitung ist technisch und wirtschaftlich aufwendig.
SF2 kann die Verarbeitung solcher Rohdaten direkt an die Anlage verlagern. Dort werden die Signale in kompakte Zustandsinformationen überführt. Systemzustände werden in spärliche binäre Repräsentationen übersetzt und über effiziente bitweise Vergleiche ausgewertet.
An zentrale Leit-, SCADA- oder Automatisierungssysteme können dadurch vor allem relevante Ergebnisse zurückgegeben werden – etwa Ähnlichkeits-, Drift- oder Anomaliewerte – statt eines permanenten Stroms großer Rohdatenmengen.
Auch bei auffälligen Schwingungs-, Stör- oder Interferenzmustern ist der Kontext entscheidend. Nicht allein die Veränderung eines Signals ist relevant, sondern wie sie gemeinsam mit Last, Temperatur, Leistung oder anderen Betriebsgrößen auftritt.
„In der Energiewirtschaft fehlt es selten an Daten. Die Herausforderung ist, aus sehr unterschiedlichen Signalen einen verständlichen Zustand des Gesamtsystems zu machen“, sagt Francisco Webber, CEO von SF2 Systems. „Genau dort setzen wir an: lokal, auf vorhandener Infrastruktur und ohne den Betreiber in ein neues Daten- oder Cloud-Ökosystem zu zwingen.“
Wenig Fehlerdaten sind kein Ausschlusskriterium
Kritische Energieanlagen sollen möglichst selten ausfallen. Entsprechend fehlen häufig genau jene großen, sauber gelabelten Fehlerhistorien, die klassische überwachte Machine-Learning-Verfahren für bestimmte Aufgaben benötigen.
SF2 benötigt für den Einstieg keine großen Mengen gelabelter Fehlerdaten und kein klassisches überwachtes Fault-Training. Auch reguläre historische Betriebsdaten können genutzt werden, um relevante Zustände eines Systems abzubilden. Fehler-, Wartungs- oder Ereignisdaten helfen bei der Einordnung, sind aber keine Voraussetzung.
Ist ein Modell fixiert und versioniert, arbeitet die Laufzeitanalyse reproduzierbar: Gleiche Eingangsdaten führen zur gleichen Transformation, zum gleichen Fingerprint und zum gleichen Vergleichsergebnis.
Eine Abweichung ist dabei noch keine automatische Fehlerdiagnose. Sie zeigt zunächst, dass sich ein Systemzustand relevant von bekannten Zuständen unterscheidet. Die fachliche Interpretation bleibt bei den Menschen, die Anlage und Betrieb kennen.
Ein realer Fall zeigt das Prinzip
Einen konkreten Referenzpunkt liefert ein reales Wasserpumpensystem mit 52 Sensorkanälen und mehr als 220.000 Messpunkten.
Obwohl nur wenige dokumentierte Fehler- und Recovery-Phasen vorhanden waren, wurde in einer untersuchten Sequenz eine relevante Zustandsveränderung rund vier Tage vor einem dokumentierten Pumpenausfall sichtbar.
Das ist keine allgemeine Vier-Tage-Prognose. Es zeigt aber ein für die Energiewirtschaft wichtiges Prinzip: Auch bei vielen Sensorwerten und wenigen dokumentierten Fehlerfällen können sich relevante Veränderungen früh im Gesamtzustand abzeichnen.
Vom Bauteil zum Gesamtbild
SF2 denkt Zustände nicht nur auf Ebene einzelner Sensoren oder Komponenten.
Perspektivisch können Zustandsinformationen von der Komponente über Subsysteme und Anlagen bis zu größeren Anlagenverbünden zusammengeführt werden. Lokale Zustände entstehen dort, wo die Daten anfallen, und können auf höheren Ebenen zu einem größeren Systembild verdichtet werden.
Gerade für verteilte Energieinfrastruktur und größere Anlagenflotten eröffnet das eine zusätzliche Perspektive auf Condition Monitoring und State Intelligence.
Mit realen Energiedaten beginnen
Ob Windkraft, Wasserkraft, Speicher, Transformator, Turbine, Generator oder Nebenaggregat: Entscheidend ist am Ende nicht, was eine Technologie theoretisch leisten könnte, sondern was in den realen Daten einer konkreten Anlage sichtbar wird.
Dafür gibt es die SF2 Edge Challenge.
Betreiber, Energieunternehmen, Anlagenbauer und Technologiepartner können historische Datensätze mit komplexen Betriebszuständen, Drift, Störungen, Recovery-Phasen oder hochfrequenten Signalen einbringen und gemeinsam mit SF2 prüfen, welche Zustände und Veränderungen darin tatsächlich erkennbar sind.
Der erste Schritt kann mit historischen beziehungsweise anonymisierten Daten erfolgen – ohne Eingriff in Schutz- oder Leittechnik und ohne Verpflichtung zu einem großen Integrationsprojekt.
Für den eigenständigen Einstieg steht zusätzlich die SF2 Suite SE dauerhaft kostenlos zur Verfügung. Historische Sensor- und Prozessdaten können damit lokal analysiert und Zustände miteinander verglichen werden.
Der Ansatz ist bewusst pragmatisch: vorhandene Daten nutzen, relevante Zustände sichtbar machen und erst danach entscheiden, ob sich daraus ein produktiver Use Case ergibt.
SF2 selbst ausprobieren
SF2 Suite SE:
https://sf2systems.com/produkte/software/studio-se
SF2 Shop:
www.sf2systems.com/shop
SF2 Systems ist ein Wiener Deep-Tech-Unternehmen für die softwarebasierte Zustandsanalyse komplexer Maschinen, Anlagen und Prozesse in Industrie, Energie und kritischer Infrastruktur. Die sensor- und herstellerunabhängige Technologie führt vorhandene Sensor- und Betriebsdaten zu vergleichbaren Zustands-Fingerprints zusammen und macht Drift und schleichende Veränderungen früh sichtbar – reproduzierbar, nachvollziehbar, ohne Black-Box-Modell und ohne große gelabelte Fehlerdatensätze. Als Ergänzung bestehender Condition-Monitoring- und Automatisierungssysteme ist SF2 für Brownfield- und OT-Umgebungen ausgelegt, läuft lokal am Edge bzw. On-Premises ohne Cloud-Abhängigkeit und hält sensible Produktionsdaten im Unternehmen. So können Zustandsveränderungen früher erkannt, ungeplante Stillstände reduziert sowie Wartung und Betrieb planbarer werden. Darüber hinaus untersucht SF2 die Übertragbarkeit der Technologie auf ausgewählte Anwendungen in Biotechnologie und Life Sciences.
SF2 Systems GmbH
Eichelhofstrasse 2B
A1190 Wien
Telefon: 00436601016615
https://sf2systems.com/
Business Development
E-Mail: media@sf2systems.com
