Drei Quellen. Ein Bild.
Sensoren, ERP, Wartungsprotokolle. Alles liegt da. Wir bringen es zusammen.
Maschinenbau · Automotive-Zulieferer · Oberbayern
Schluss mit ungeplanten Stillständen.
Eure Anlagen melden sich, bevor sie ausfallen. Wir lesen die Signale, die ihr schon habt, und sagen euch: Welche Maschine braucht Aufmerksamkeit? Welches Ersatzteil müsst ihr jetzt bestellen? Und wann passt der Eingriff in euren Produktionsplan?
Für Werksleiter, Instandhalter und Produktionsplaner, die keine Lust mehr auf Überraschungen haben.
AI Phase Talent Seekers UG Leonie Auer & Matthias Brenner München LinkedIn Matthias
- Wir fangen klein an: eine Linie, ein paar Assets, echte Daten
- Keine neue Hardware. Wir lesen, was eure SPS und Historian schon liefern
- Keine Blackbox. Ihr seht, warum wir was empfehlen
Oberbayern zuerst
München, Rosenheim, Freising, Ingolstadt. Kurze Wege, echte Gespräche.
6 bis 10 Wochen
Keine Demo. Keine Roadmap. Eine echte Einschätzung für eine echte Linie.
Das Problem
Die Daten sind da. Die Entscheidung fehlt.
Stellt euch vor: Dienstag, 14 Uhr. Die Hydraulik an Presse 3 fällt aus. Kein Ersatzteil da. Die Nachtschicht muss ran. Am nächsten Morgen ruft der Kunde an, weil die Lieferung sich verschiebt. Das war der dritte ungeplante Stillstand in zwei Monaten.
Das Verrückte: Eure SPS hat die Druckspitzen seit Wochen gemessen. Euer Historian hat die Temperaturdrift protokolliert. Im Wartungsbuch stand, dass die Dichtungen vor 18 Monaten zuletzt getauscht wurden. Alles da. Nur hat niemand die Punkte verbunden.
Wenn eine Linie steht, steht nie nur eine Maschine. Dann kippt die ganze Schichtplanung, der Einkauf rennt, und am Ende sitzt ihr Samstagabend in der Halle und tauscht Teile, die ihr hättet bestellen können, wenn ihr es gewusst hättet.
Die Daten reden nicht miteinander
Sensoren in der SPS. Störmeldungen im Historian. Wartungsprotokolle in Excel. Ersatzteile im ERP. Alles Inseln. Keiner sieht das Ganze.
Entscheidungen unter Druck
Wenn's brennt, entscheidet nicht der, der's am besten weiß. Sondern der, der gerade da ist. Oder der, der das Teil im Lager hat.
Bestandswerke sind keine Greenfield-Projekte
Eure Anlagen laufen seit 15 Jahren. Die haben OPC UA, aber auch CSV-Exporte. Die haben Historian, aber auch handgeschriebene Zettel. Das ist die Realität.
Was wir machen
Wir sagen euch, was als nächstes kaputt geht.
Nicht irgendwann. Nicht vielleicht. Sondern: Diese Spindel hält noch 3 Wochen. Dieses Hydraulikaggregat braucht nächste Woche einen Dichtungssatz. Und dieser Motor? Der läuft stabil. Kümmert euch um die anderen.
Wir sortieren nach Dringlichkeit
Nicht alle Anlagen sind gleich wichtig. Wir sagen euch: Die hier braucht jetzt Aufmerksamkeit. Die da kann bis zum nächsten Wartungsfenster warten. Und bei der dritten reicht beobachten.
Wir erklären, warum
Keine Blackbox. Ihr seht die Schwingungsdaten, den Temperaturverlauf, die letzten Wartungen. Ihr versteht, warum wir sagen: Jetzt ist der Moment.
Wir denken in Ersatzteilen
Die Diagnose ist nur die halbe Miete. Wir schauen auch: Habt ihr das Teil da? Wie lange dauert die Bestellung? Passt der Tausch ins nächste Wartungsfenster?
So arbeiten wir
Vier Schritte. Keine Magie.
Wir fangen mit euren historischen Daten an. Dann kommen die Live-Signale dazu. Am Ende habt ihr eine Einschätzung, der ihr vertrauen könnt.
-
1
Daten holen
OPC UA, Historian, CSV-Exporte, Alarmcodes, Wartungsprotokolle. Wir nehmen, was da ist. Keine neue Hardware. Kein Umbau.
-
2
Kontext reinbringen
Wann lief welche Schicht? Was stand im Wartungsbuch? Welche Ersatzteile sind da? Erst mit diesem Kontext werden aus Zahlen Entscheidungen.
-
3
Muster erkennen
Wir schauen uns die letzten 12 bis 24 Monate an. Wo gab's Drift? Wo gab's Ausfälle? Was haben die Sensoren vorher gemessen? Daraus lernen wir.
-
4
Klare Empfehlung
Kein Dashboard mit 47 Kacheln. Sondern: Diese drei Anlagen brauchen Aufmerksamkeit. Diese zwei können warten. Und hier ist der Grund.
Wo das hilft
Drei Situationen, die wir kennen.
Keine theoretischen Use Cases. Sondern das, was wir in bayerischen Werken sehen.
Maschinenbau
Die CNC-Spindel, die langsam stirbt
Ihr habt drei Bearbeitungszentren. Alle laufen auf Anschlag. Die Liefertermine hängen an diesen Maschinen. Und seit zwei Monaten steigt die Ausschussquote. Nicht dramatisch. Aber stetig. Die Schwingungen nehmen zu. Die Temperatur driftet. Aber noch kein Alarm. Noch kein Ausfall.
- Was wir sehen
- Schwingungsmuster, Stromaufnahme, Temperaturdrift über die letzten 8 Wochen. Dazu: Wann war die letzte Wartung? Wie viele Betriebsstunden hat das Lager?
- Was wir empfehlen
- Lager tauschen. Kühlkreislauf prüfen. Am besten im nächsten Wartungsfenster. Nicht erst, wenn's kracht.
- Was das bringt
- Weniger Ausschuss. Keine Nachtschicht-Einsätze. Und der Kunde kriegt seine Teile pünktlich.
Automotive-Zulieferer
Die Hydraulik, die Druck verliert
Presse 4. Taktzeit ist alles. Aber seit Wochen seht ihr kleine Druckspitzen. Die Öltemperatur steigt langsamer als früher. Und die Zykluszeiten werden unregelmäßiger. Noch läuft sie. Aber wie lange?
- Was wir sehen
- Druckverlauf, Öltemperatur, Zykluszahlen. Dazu: Wann wurden die Dichtungen zuletzt getauscht? Was steht im Serviceprotokoll?
- Was wir empfehlen
- Dichtungssatz bestellen. Filter tauschen. Ventilpaket prüfen. Und das Ganze ins nächste Wartungsfenster legen.
- Was das bringt
- Keine Expresslieferung für 2.000 Euro. Kein Linienstillstand am Freitagabend.
Produktion
Die Förderlinie, die seit 20 Jahren läuft
Die Anlage wurde gebaut, als ihr noch nicht im Unternehmen wart. Seitdem wurde sie dreimal erweitert, zweimal umgebaut und einmal notdürftig repariert. Jetzt gibt's alle paar Wochen kleine Störungen. Ein Sensor fällt aus. Ein Motor überhitzt. Eine Rolle klemmt. Nie schlimm genug für einen großen Stillstand. Aber genug, um die Schicht zu nerven.
- Was wir sehen
- Motorströme, Laufzeiten, Sensoraussetzer. Dazu: Welche Ersatzteile sind noch da? Welche müssen nachbestellt werden?
- Was wir empfehlen
- Diese drei Motoren tauschen. Diese fünf Sensoren prüfen. Und diesen Rollenabschnitt im nächsten Wartungsfenster komplett überholen.
- Was das bringt
- Weniger kleine Störungen. Weniger Nachtschicht-Einsätze. Und die Instandhaltung kann endlich planen statt reagieren.
Warum wir das machen
Wir haben das Problem selbst erlebt.
Der Moment
Freitag, 16 Uhr. Die Linie steht. Kein Ersatzteil da. Und im Wartungsbuch stand seit Monaten: "Prüfen."
Leonie und Matthias haben sich nicht in einem Accelerator kennengelernt. Sondern in einem Werk in Oberbayern. Digitalisierungsprojekt. Die Aufgabe: Daten zusammenführen. Das Problem: Die Daten waren da. Alle. SPS, Historian, Wartungsprotokolle. Aber niemand hat sie gelesen. Und dann stand die Linie. Wieder.
Das war der Moment, in dem klar wurde: Es fehlt nicht an Daten. Es fehlt an jemandem, der sie liest und sagt: Jetzt ist der Moment. Nicht nächste Woche. Nicht wenn's kracht. Sondern jetzt.
Leonie Auer
Co-Founder & CEO
Kennt die Werke von innen. Spricht mit Instandhaltern, Produktionsleitern, Geschäftsführern. Weiß, was im Alltag zählt.
Matthias Brenner
Co-Founder & CTO
Baut die Datenpipelines. Kümmert sich um OPC UA, Historian, Inferenz. Mag keine Laborexperimente. Nur was im Werk läuft.
LinkedIn-Profil von Matthias BrennerTechnik
Warum wir Cloud-Compute brauchen.
Predictive Maintenance ist kein Modell, das ihr auf einem Laptop trainiert. Es ist eine Pipeline. Daten rein. Kontext dazu. Muster erkennen. Empfehlung raus. Und das für 50 Anlagen gleichzeitig. In Echtzeit.
1. Daten sammeln
Schwingung, Temperatur, Strom, Druck. Aus SPS, OPC UA, Historian, CSV-Dateien. Alles läuft in einen EU-gehosteten Ingest-Layer.
2. Kontext herstellen
Zeitstempel, Alarmcodes, Schichtplan, Wartungshistorie, Ersatzteile. Erst mit diesem Kontext werden aus Zahlen Entscheidungen.
3. Muster finden
Wir rechnen Features, schauen uns Trendfenster an, erkennen Drift. Und dann sagen unsere Modelle: Diese Anlage braucht Aufmerksamkeit.
4. Modelle verbessern
Jedes Werk lernt dazu. Wir versionieren die Modelle zentral, trainieren auf historischen Daten und rollen sie kontrolliert aus. So wird die Inferenz besser, ohne dass ihr die Kontrolle verliert.
Warum Cloud? Weil wir historische Daten rückrechnen. Weil wir Features für 50 Assets parallel berechnen. Weil wir Modelle trainieren, die auf Monaten von Daten basieren. Das geht nicht auf einem Raspberry Pi. Das braucht Compute.
Inferenz im Detail
So sieht unser Output aus.
Keine Blackbox. Hier zeigen wir exemplarisch, wie unsere Pipeline Sensordaten liest, Muster erkennt und priorisierte Wartungsempfehlungen ausgibt.
Schritt 1
Daten laden und Features berechnen
In [1]:
import pandas as pd
from berghain.features import compute_rolling_stats
df = pd.read_parquet('s3://ingest/line04/sensors.parquet')
features = compute_rolling_stats(df, window=7)
Out[1]:
| timestamp | vibration_rms | temp_c | current_a | vib_rolling_mean | temp_drift |
|---|---|---|---|---|---|
| 2026-03-01 08:00 | 2.34 | 67.2 | 12.1 | 2.31 | 0.8 |
| 2026-03-01 09:00 | 2.41 | 67.8 | 12.3 | 2.33 | 1.1 |
| 2026-03-01 10:00 | 2.58 | 68.4 | 12.5 | 2.38 | 1.4 |
| 2026-03-01 11:00 | 2.72 | 69.1 | 12.8 | 2.44 | 1.9 |
Schritt 2
Anomalie-Scores berechnen
In [2]:
from berghain.models import AnomalyDetector
detector = AnomalyDetector.load('models/spindle_v3.pkl')
scores = detector.predict(features)
alerts = scores[scores.anomaly_score > 0.75]
Out[2]:
HIGH
Linie 04 · Spindelantrieb
Anomaly Score: 0.89 · Vibration +38% über Baseline
MED
Hydraulikaggregat · Presse 3
Anomaly Score: 0.67 · Druckripple zunehmend
LOW
Förderlinie · Motor B2
Anomaly Score: 0.23 · Stabil, keine Aktion nötig
Schritt 3
Wartungsempfehlungen generieren
In [3]:
from berghain.recommend import MaintenancePlanner
planner = MaintenancePlanner(inventory='erp/parts.csv')
recommendations = planner.generate(alerts)
recommendations.to_markdown()
Out[3]:
1
Spindellager tauschen
Linie 04 · Nächste 14 Tage · Ersatzteil verfügbar (2 Stk. auf Lager)
2
Hydraulik-Dichtung prüfen
Presse 3 · Nächste 4 Wochen · Dichtungssatz bestellen (Lieferzeit 5 Tage)
3
Monitoring fortsetzen
Förderlinie Motor B2 · Kein Eingriff · Trend stabil seit 6 Wochen
Wo wir stehen
Wir sind noch am Anfang. Aber wir sind ehrlich.
Wir haben keine 50 Kunden. Keine Series A. Keine Referenzlogos auf der Website. Was wir haben: Gespräche mit Werken in Oberbayern. Erste Tests auf historischen Daten. Und die Überzeugung, dass das hier funktioniert.
Gegründet
AI Phase Talent Seekers UG (haftungsbeschränkt) ist die Trägergesellschaft hinter Berghain AI (HRB 294578). Leonie Auer und Matthias Brenner haben das Unternehmen gegründet und halten die Gesellschaftsanteile. Tom Janson ist aus Gründungsgründen formaler Geschäftsführer der UG und operativ nicht im Unternehmen tätig.
Gespräche im Werk
Wir reden nicht nur mit Innovationsmanagern. Sondern mit Instandhaltern, Produktionsleitern, Werks-IT. Den Leuten, die entscheiden, ob das Zeug im Alltag funktioniert.
Echte Daten, keine Demos
Wir testen auf 12 bis 24 Monaten Historie. Auf echten Störungen. Echten Wartungen. Echten Linienmustern. Nicht auf synthetischen Datensätzen.
Integratoren im Boot
Wir sprechen mit Automatisierern und Systemintegratoren. Damit das, was wir bauen, auch in eurer Bestandslandschaft läuft. Nicht nur in unserer Cloud.
Klein anfangen
Ein Pilot startet mit einer Linie. Drei bis fünf Assets. Genug, um zu zeigen, dass es funktioniert. Klein genug, um schnell zu sein.
Direkter Draht
Ihr redet mit uns. Nicht mit einem Sales-Team. Nicht mit einem Account Manager. Mit den Leuten, die das Produkt bauen.
Was wir gerade machen: Gespräche mit Maschinenbauern und Zulieferern in Oberbayern. Erste Werkstests auf historischen Daten. Austausch mit Integratoren. Und jeden Tag ein bisschen besser werden.
Kontakt
Habt ihr eine Linie, die nicht ausfallen darf?
Dann lasst uns reden. 30 Minuten. Kein Sales-Pitch. Sondern: Was habt ihr an Daten? Was sind eure Schmerzpunkte? Und können wir da in 6 bis 10 Wochen eine erste Einschätzung liefern?
Kein Bullshit.
Wir schauen uns eine konkrete Linie an. Eure Daten. Eure Situation. Und dann sagen wir euch, ob das Sinn macht.
Scoping
Wir suchen uns eine Linie. Drei bis fünf kritische Assets. Und schauen, welche Daten ihr habt: Historian, ERP, Wartungsprotokolle.
Historie
Wir bauen eine erste Pipeline. Rechnen die letzten 12 bis 24 Monate durch. Schauen, ob wir die Ausfälle sehen, die ihr hattet.
Empfehlung
Ihr bekommt eine Liste: Diese Anlagen brauchen Aufmerksamkeit. Diese können warten. Und hier ist der Grund. Dann entscheidet ihr.
- 30 Minuten. Business, Technik, Werksperspektive.
- Wir schauen uns eure Datenlage an: SPS, Historian, ERP, Wartungslog.
- Und dann sagen wir euch, ob ein Pilot Sinn macht. Oder nicht.