Die Plattform Coligo von Be.services ermöglicht die lokale Analyse von Prozess- und Zustandsdaten direkt an der Maschine. Die Anbindung erfolgt über OPC UA, wodurch bestehende Steuerungen von Beckhoff, B&R, Siemens oder Codesys-basierten Systemen ohne tiefgreifende Änderungen eingebunden werden. Die Lösung ist für Automatisierungs- und Instandhaltungsteams ausgelegt und erfordert keine KI-Expertise. Eine App-basierte Oberfläche unterstützt Inbetriebnahme und Betrieb, während das zentrale Cockpit User-, Device- und Fleet-Management mehrerer Systeme bündelt, einschließlich Patchmanagement gemäß den Vorgaben des Cyber Resilience Act (CRA) und der NIS2-Richtlinie. Da die Datenverarbeitung vollständig lokal auf der Edge-Hardware stattfindet, entfällt eine Übertragung an Cloud-Dienste, was auch der DSGVO-Konformität zugutekommt. Durch kompakte, kosteneffiziente Hardware und lokale Datenverarbeitung bietet Coligo einen praxisnahen Ansatz für industrielle Zustandsüberwachung, der sich in bestehende SPS-Projekte einfügt, statt sie zu ersetzen.
Von Analyse über Monitoring bis Anomalieerkennung
Die modular und generisch ausgelegte Plattform Coligo dient als Basis für unterschiedliche Analyse- und Monitoring-Anwendungen. Verschiedene Datenquellen und Funktionen lassen sich flexibel kombinieren, ohne auf einzelne Use Cases beschränkt zu sein. Die Konfiguration erfolgt in vier Schritten: Datenerfassung über OPC UA, Auswahl und Einrichtung eines KI-Modells ohne Programmierkenntnisse, lokales Training und Inferenz auf dem Edge-Gerät sowie die Weitergabe der Ergebnisse über OPC UA, API oder MQTT. Die Modellauswahl basiert auf vorkonfigurierten Funktionsbausteinen, die sich laut Anbieter ähnlich wie eine SPS-Bibliothek einbinden lassen, sodass Automatisierungsingenieure ohne Python-Kenntnisse oder separate Data-Science-Umgebung arbeiten können.
Ein Schwerpunkt ist die Anomalieerkennung auf Basis von Zeitreihen- und Zustandsdaten, etwa Vibration, Temperatur oder Stromaufnahme. Das Training der Modelle erfolgt direkt auf dem Edge-System unter Verwendung realer Betriebsdaten. Dadurch können maschinenspezifische Zustände erlernt und Abweichungen wie Drifts frühzeitig erkannt werden.
Zusätzlich unterstützt Coligo Machine Vision auf dem Edge. Über die Edge-Hardware Syna lassen sich IP-Kameras anbinden, sodass Bilddaten lokal verarbeitet werden. Anwendungen wie Objekterkennung oder bildbasierte Gut-Schlecht-Prüfung laufen direkt an der Anlage. Ein Labelling-Tool ermöglicht die Annotation von Bilddaten zur Modellerstellung.
