Kritische Infrastrukturen liefern enorme Mengen an Daten, Zustandsmeldungen und Alarmen. SF2 Systems verdichtet vorhandene Sensor- und Betriebsdaten zu vergleichbaren State Fingerprints. Betreiber können damit erkennen, ob sich das gemeinsame Verhalten vieler Signale von bekannten Referenzzuständen entfernt. Die Verarbeitung kann lokal am Edge oder On-Premises erfolgen, ohne zwingende Cloud-Anbindung. Eine erste Analyse ist mit historischen Daten offline und ohne Schreibzugriff auf Steuerungs- oder Schutzsysteme möglich.
Betreiber kritischer Infrastruktur verfügen meist über zahlreiche spezialisierte Systeme für Betrieb, Instandhaltung, OT und Security. Jedes dieser Systeme erfüllt seine Aufgabe. Was daraus nicht automatisch entsteht, ist ein gemeinsames und vergleichbares Bild davon, in welchem Zustand sich das technische System tatsächlich befindet und wie sich dieser Zustand verändert.
Das betrifft Energie- und Wasserversorgung ebenso wie Verkehr, Gesundheitswesen, Rechenzentren, Flughäfen, digitale Infrastruktur oder industrielle Produktions- und Prozessanlagen.
„Jede Fachdisziplin hat ihre eigenen Werkzeuge und ihre eigene Sicht“, sagt Christoph Gretzmacher, Business Development bei SF2 Systems. „Der Betreiber braucht aber nicht noch mehr Informationen auf dem Bildschirm. Er muss schneller erkennen können, ob sich sein System weiterhin so verhält wie erwartet – und erst dann in die Details gehen, wenn sich tatsächlich etwas verändert.“
Was ist bei SF2 anders?
Condition Monitoring, Anomalieerkennung, SCADA und Security-Systeme gibt es längst – und SF2 ersetzt sie nicht.
Vergleich statt zusätzlicher Datenflut
Mit Semantic Folding Sensor Fusion verdichtet SF2 das gemeinsame Verhalten vieler Signale zu kompakten State Fingerprints. Wie bei einem Fingerabdruck entsteht aus vielen Einzelmerkmalen eine Signatur, die gespeichert und mit früheren, bekannten oder fachlich definierten Zuständen verglichen werden kann.
Damit lautet die Frage nicht mehr nur:
Hat ein einzelner Messwert einen Grenzwert überschritten?
Sondern:
Verhält sich das System unter vergleichbaren Bedingungen noch wie in einem bekannten Zustand?
Für den Betreiber bedeutet das: Er muss nicht gleichzeitig Dutzende Kurven und Einzelalarme beurteilen. Zunächst wird sichtbar, ob sich der Gesamtzustand weiterhin wie erwartet verhält oder sich relevant verändert. Erst dann geht der Blick in die Details.
Der aktuelle Zustand wird dabei in Beziehung zu gespeicherten und fachlich einordenbaren Referenzzuständen gesetzt. Vorhandene Betriebsdaten können für die Modellbildung genutzt werden; große Sammlungen gekennzeichneter Fehlerfälle sind für erste Zustandsmodelle nicht erforderlich.
Technisch basieren die State Fingerprints auf spärlichen binären Repräsentationen und effizienten Overlap-Vergleichen. Dadurch ist die Laufzeitauswertung mit geringer Rechenlast auch Edge-nah möglich.
Von der Komponente zum Gesamtsystem
Die gleiche Zustandslogik kann auf mehreren technischen Ebenen eingesetzt werden:
Sensor/Gerät? Komponente? Asset? Subsystem? Anlage/Standort? übergeordnetes System
„Der entscheidende Schritt ist, dass Zustandsinformation selbst wieder zum Eingang der nächsten Ebene werden kann“, sagt Francisco Webber, CEO & Chief Scientist bei SF2 Systems. „Ein Komponenten-Fingerprint kann in einen Subsystemzustand einfließen, mehrere Subsystemzustände wiederum in eine übergeordnete Anlagenrepräsentation. So lässt sich dieselbe Zustandslogik vom einzelnen Bauteil bis zum Gesamtsystem weiterführen.“
Höhere Ebenen müssen dadurch nicht zwangsläufig sämtliche Rohdaten selbst verarbeiten. Detailinformationen bleiben für Engineering, Diagnose oder Forensik verfügbar, während für den laufenden Überblick mit verdichteten Zustandsinformationen gearbeitet werden kann.
SF2 soll technische Systeme nicht komplizierter machen, sondern ihre Komplexität für den Menschen beherrschbarer.
Anders formuliert: Bestehende Systeme liefern Daten und Fachinformationen. SF2 gibt ihnen eine gemeinsame Sprache für technischen Zustand.
Ergebnisse aus zwei Anwendungsbeispielen
Bei der Analyse eines Wasserpumpensystems verarbeitete SF2 52 Sensorkanäle und mehr als 220.000 Messpunkte. In einer untersuchten Sequenz zeigte sich rund vier Tage vor einem dokumentierten Pumpenausfall eine relevante Veränderung im Zusammenspiel der Signale. Die Modellbildung dauerte weniger als 15 Minuten auf einem Laptop.
Der Zeitraum von vier Tagen ist keine allgemeine Prognose, sondern ein Ergebnis dieses konkreten Datensatzes.
Auch digitale Infrastruktur lässt sich als Systemzustand betrachten. In einer Analyse von Observability-Daten wurden 100 Merkmale und 16.354 Systemzustände verarbeitet. Obwohl nur vier Fehlerereignisse verfügbar waren, wurde bereits vor dem ersten registrierten 5xx-Serverfehler eine Annäherung an den späteren Fehlerzustand sichtbar.
Die Beispiele zeigen den Einsatz in sehr unterschiedlichen technischen Umgebungen. Voraussetzung ist jeweils, dass sich aus den vorhandenen Daten ein fachlich sinnvoller und vergleichbarer Zustand bilden lässt.
Betrieb, OT und Security im Zusammenspiel
Für kritische Infrastruktur ist diese Perspektive besonders relevant, weil Betrieb, OT und Security häufig dasselbe System aus unterschiedlichen Blickwinkeln betrachten. Eine digitale Auffälligkeit ist nicht automatisch eine physische Störung. Eine physische Zustandsveränderung ist umgekehrt nicht automatisch ein Cyberangriff. SF2 ersetzt deshalb weder SCADA und Condition Monitoring noch SIEM, OT-Security oder Safety-Systeme.
Die bisherige SF2-Evidenz basiert vor allem auf der Fusion physischer Sensor-, Betriebs- und Observability-Daten. Perspektivisch können auch Zustandsinformationen bestehender OT-, Monitoring- oder Security-Systeme in ein übergeordnetes Zustandsbild einfließen. Der zusätzliche Informationswert muss für jeden Anwendungsfall gesondert validiert werden.
Resilienz braucht Übersicht
Mit NIS2 rücken Risikomanagement, Business Continuity und die Widerstandsfähigkeit kritischer Systeme stärker in den Fokus.
SF2 ist kein NIS2-Compliance-Produkt.
Der technische Zusammenhang liegt woanders: Je stärker physische Anlagen, OT und digitale Systeme miteinander verbunden sind, desto wichtiger wird es für Betreiber, relevante Zustandsveränderungen schnell einordnen zu können.
Einstieg mit vorhandenen Daten
Der Einstieg muss nicht mit neuer Hardware, einer großen Integration oder einem Eingriff in den laufenden Betrieb beginnen.
Ausgangspunkt kann eine konkrete technische Fragestellung und ein vorhandener historischer Datensatz sein – etwa eine bekannte Störung, ein schwer erklärbarer Zustandswechsel oder ein System, bei dem bestehende Werkzeuge viele Einzelinformationen liefern, dessen Gesamtverhalten aber schwer einzuordnen bleibt.
Die erste Analyse kann offline, ohne Schreibzugriff und ohne Eingriff in Steuerung oder Schutzsysteme erfolgen. Sie soll zeigen, ob aus den vorhandenen Daten eine zusätzliche Zustandsinformation entsteht, die für den Betreiber technisch und betrieblich nutzbar ist.
Bei positivem Ergebnis kann anschließend über Integration, Echtzeitbetrieb und Skalierung entschieden werden. SF2 arbeitet dafür mit Betreibern, Technologieunternehmen und Systempartnern, die State Intelligence auf reale Infrastruktur- und Anlagenarchitekturen übertragen wollen.
Betreiber mit einem konkreten historischen Datensatz oder einer offenen technischen Fragestellung erreichen uns unter: edge_challenge@sf2systems.com
SF2 – From Signals to State.
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.