RailMind
— Adaptive Edge-AI-Engine
0,1ms deterministische Inferenz auf Standard-MCU — kein NPU, keine Cloud, keine Trainingsdaten. Eine online-adaptive Engine ohne End-to-End-Backpropagation, unabhängig an 10 Benchmark-Datensätzen validiert, für industrielle vorausschauende Wartung, Echtzeit-Video-Intelligenz und mehr.
Was ist RailMind?
RailMind ist eine gerätebasierte adaptive Engine — ohne End-to-End-Backpropagation, ohne Gradienten im Einsatz. Sie eliminiert Cloud-Anbindung, Trainingsdaten und GPU-Hardware. Hervorgegangen aus einem Forschungsprogramm zu dissipativer Kognition und zu einem einsatzfähigen Substrat destilliert, erkennt sie Anomalien, meldet Verteilungsdrift und passt sich kontinuierlich online an — in ~40KB bei Mikrosekunden-Geschwindigkeit.
Kernprinzipien
Vier grundlegende Prinzipien treiben die Architektur von RailMind an.
0,1ms Deterministische Inferenz
KI betritt den Regelkreis. Auf Standard-MCU-Hardware erreicht RailMind 100-Mikrosekunden deterministische Inferenz — schnell genug für Echtzeit-Servoregelung und Präzisionsfertigung.
Kein NPU erforderlich
Läuft auf Standard ARM Cortex-M Prozessoren. Keine Hardware-Upgrade-Kosten — bestehende industrielle MCUs erhalten durch Firmware-Update allein KI-Fähigkeiten der Spitzenklasse. SIL-Ready Architektur.
1000-Schritte-Schnellkonvergenz
Kein wochenlanges Training. Die Engine etabliert eine physikalische Baseline in nur 1000 Abtastschritten. Ein 5Hz-Gerät ist in 200 Sekunden bereit; eine Hochgeschwindigkeitslinie in unter 1 Sekunde.
Hybride Edge-Architektur
MCU übernimmt Mikrosekunden-Wahrnehmung, MPU übernimmt Entscheidungsfindung. Sensordaten werden in umsetzbare Wartungsempfehlungen transformiert — nicht nur Fehlercodes, sondern Anleitung zur Reparatur.
Leistung
Deterministische Pro-Schritt-Inferenz auf Raspberry Pi 5 — Hard-Real-Time Edge-KI
CWRU-Lagerfehlererkennung
Engine-Footprint — einsetzbar auf MCU-Klasse-Hardware (*variiert je nach Anwendung und Gerät)
Kontrollierte Experimentläufe über mehrere Forschungslinien
Validiert an 10 Benchmark-Datensätzen aus 6 Signaldomänen — Vibration (PdM & SHM), Elektrochemie, Satellitentelemetrie, Bewegung, Audio — jede Domäne unabhängig validiert
Kein Pre-Training, keine gelabelten Daten, keine End-to-End-Backpropagation
Live-Demo
RailMind im Einsatz in Bahn, Wind, Marine und Industrie — Edge-basierte vorausschauende Wartung auf realen Produktionsanlagen.
Anwendungen
Industrielle vorausschauende Wartung
Edge-PdM für rotierende Maschinen in Bahn, Wind, Marine und allgemeiner Industrie — validiert auf CWRU, PHM2022 und CASPER UR3e Roboter-Datensätzen. Abdeckung von 5Hz bis 1000Hz Anlagen.
Video- & Streaming-Intelligenz
Echtzeit-Video-QoE-Erkennung, Codec-Optimierung und semantische Analyse — validiert auf Streaming-QoE-Benchmarks
Struktur- & Infrastrukturüberwachung
Kontinuierliche Strukturgesundheitsüberwachung für Brücken und Bauwerke — validiert am Z24-Brücken-Datensatz
Architektur
Eine mehrschichtige Architektur von Ressourcendynamik über konkurrierende Recheneinheiten bis zur Edge-Bereitstellung — MCU für Wahrnehmung, MPU für Entscheidungsfindung.
Wettbewerbslandschaft
| Fähigkeit | RailMind | Siemens Copilot | Augury | BrainChip |
|---|---|---|---|---|
| Inferenz-Latenz | 0,1ms (MCU) | ~100ms (Cloud) | Cloud | ~1ms (ASIC) |
| NPU erforderlich | Nein (nur MCU) | Cloud-GPU | Cloud | Dedizierter ASIC |
| On-Device-Lernen | Kontinuierlich | Fixiert nach Training | ||
| Speicherbedarf | ~40 KB | Cloud | Cloud | ~1 MB ASIC |
| Ohne End-to-End-Backpropagation | ||||
| Integrierte Drifterkennung | Extern | Extern | ||
| Multi-Domain validiert | 10 Datensätze, 6 Domänen | Vibration + Thermisch | Nur Vibration | Generisch |
Bereit loszulegen?
Ob Investor, potenzieller Partner oder Ingenieur, der Edge-KI evaluiert — wir freuen uns auf Ihre Nachricht.
Kontakt aufnehmen