3 Datenebenen werden in ein gemeinsames Entscheidungsbild überführt.
Sensordaten, ERP/MES-Signale und Wartungsprotokolle werden zusammengeführt, statt als getrennte Inseln nebeneinander zu bleiben.
Für Maschinenbauer, Automotive-Zulieferer und Produktionswerke mit kritischen Bestandslinien in Oberbayern und Bayern
Weniger Stillstand. Frühere Entscheidungen. Mehr Planbarkeit für bestehende Produktionslinien.
Berghain AI verbindet Sensordaten aus SPS und Historian mit ERP- und MES-Signalen, Wartungsprotokollen und Ersatzteilbeständen zu einer priorisierten Maßnahmenliste: welche Anlage geprüft werden sollte, welches Teil rechtzeitig disponiert werden muss und welches Eingriffsfenster wirtschaftlich sinnvoll ist.
Geeignet für Werke, die mit einer realen Linie starten wollen und keinen Showcase ohne Werksanschluss suchen.
- Typischer Einstieg mit einer kritischen Linie und 3 bis 5 relevanten Assets
- Anschluss an OPC UA, Historian, CSV-Exporte, MES/BDE-Meldungen und Instandhaltungsprotokolle
- Empfehlungen mit Signalbild, Betriebszustand und Teilebezug statt isolierter Black-Box-Scores
Oberbayern als operativer Startpunkt
Der Fokus liegt auf Werken im Raum München, Rosenheim, Freising und Ingolstadt sowie angrenzenden Industriestandorten in Bayern.
6 bis 10 Wochen bis zur ersten belastbaren Bewertung.
Das Ziel des Piloten ist keine Show-Demo, sondern eine priorisierte Entscheidungsliste für eine reale Linie mit nachvollziehbarer Datenbasis.
Problem
In vielen Werken fehlt nicht das Signal, sondern die Ableitung daraus.
In vielen bayerischen Werken laufen moderne Teilanlagen neben Maschinen, die seit 15 oder 20 Jahren produktiv sind. Wenn an solchen Linien ein Antrieb, eine Hydraulik oder eine Kühlung ausfällt, entstehen nicht nur Reparaturkosten. Es folgen Schichtumbauten, Eilbeschaffung, Lieferdruck und hektische Abstimmungen zwischen Instandhaltung, Produktion und Einkauf.
Gerade bei Sondermaschinenbauern, Automotive-Zulieferern und gemischten Produktionsstandorten in Bayern liegen die relevanten Daten meist bereits vor. Was fehlt, ist die saubere Kette vom Rohsignal über ERP- und MES-Kontext bis zur konkreten Entscheidung: weiterfahren, prüfen, Ersatzteil sichern oder ein Wartungsfenster vorziehen.
Wenn eine alternde Linie ungeplant ausfällt, steht selten nur eine Maschine still. Oft kippt der Takt für mehrere Schichten, Teile fehlen zur falschen Zeit und Entscheidungen müssen unter Druck getroffen werden. Genau aus dieser Werkssituation heraus ist Berghain AI entstanden.
Zu viele Systeme, zu wenig Zusammenhang
Sensordaten, Störmeldungen, MES-Rückmeldungen, ERP-Bewegungen und Wartungsprotokolle liegen oft getrennt in SPS, Historian, CMMS oder Tabellen.
Ad-hoc-Entscheidungen unter Zeitdruck
Wenn ein Bauteil ausfällt, entscheidet häufig die Lage der nächsten Schicht oder die Verfügbarkeit eines Teils im Lager, nicht die technisch oder wirtschaftlich beste Option.
Bestandswerke sind nicht cloud-native
Gerade produktive Altanlagen brauchen robuste Integration mit Standards, Exportpfaden und nachvollziehbarer Logik statt theoretischer Greenfield-Architektur.
Lösung
Berghain AI übersetzt Betriebsdaten in Wartungs- und Ersatzteilentscheidungen.
Statt einer weiteren Dashboard-Fläche liefert die Plattform eine maschinenscharfe Priorisierung: wo Abweichungen für die Linie wirklich relevant werden, wann ein Eingriff in den Produktionsplan passt und welches Ersatzteil rechtzeitig gesichert werden sollte.
Priorisierung je Maschine
Abweichungen werden nicht nur erkannt, sondern in betriebliche Reihenfolge übersetzt: welche Anlage jetzt Aufmerksamkeit braucht, welche bis zum nächsten Fenster stabil bleibt und wo Beobachtung ausreicht.
Empfehlungen mit technischer Begründung
Jede Maßnahme ist an Sensordaten, Verlauf, Betriebszustand, MES-Kontext und bekannte Wartungsereignisse rückgebunden und damit für Technik, Produktion und Management nachvollziehbar.
Ersatzteil- und Eingriffslogik
Die Entscheidung endet nicht beim Score. Berghain AI verknüpft Zustandsbild mit Ersatzteilverfügbarkeit, Beschaffungszeit, Wartungsfenstern und operativer Relevanz.
How it works
Von Rohdaten zur belastbaren Wartungsempfehlung in vier klaren Schritten.
Der Einstieg kann mit historischen Daten beginnen und schrittweise um Live-Signale ergänzt werden. Entscheidend ist, dass jede Stufe technisch robust bleibt und in bestehende Werkprozesse passt.
-
1
Anbinden
OPC UA, Historian, CSV-Exporte, Alarmcodes, MES-Rückmeldungen und Servicedaten werden in ein gemeinsames ingestierbares Format überführt.
-
2
Kontextualisieren
Schichtmodell, Linienzustände, ERP/MES-Ereignisse, Wartungshistorie und Ersatzteilbezug ergänzen die Messwerte um betriebliche Bedeutung.
-
3
Bewerten
Features, Trendfenster, Driftmuster und modellbasierte Inferenz erzeugen einen belastbaren Maschinenzustand je Asset und je Betriebsmodus.
-
4
Ausgeben
Das Ergebnis ist keine Alarmflut, sondern eine priorisierte Handlungsempfehlung: was tun, wann eingreifen und warum die Empfehlung für diese Linie jetzt relevant ist.
Use Cases
Drei realistische Einsatzbilder aus bayerischen Produktionsumgebungen.
Keine abstrakten Plattformversprechen, sondern typische Situationen, in denen Predictive Maintenance für Werke in Bayern wirtschaftlich relevant wird.
Maschinenbau
CNC-Spindeln, Kühlkreise und hoch ausgelastete Bearbeitungszentren
Bei mittelständischen Maschinenbauern in Bayern hängen Liefertermine oft an wenigen hoch ausgelasteten Bearbeitungszentren. Ausschuss, Nacharbeit und Vibration steigen dabei häufig schleichend, lange bevor ein klarer Ausfall vorliegt. Berghain AI verbindet Schwingung, Stromaufnahme, thermische Drift und Auslastung zu einem belastbaren Prüfbild.
- Signalbild
- Schwingung, Stromaufnahme, Temperaturdrift, Schichtauslastung und Wartungshistorie.
- Entscheidung
- Lagerwechsel, Kühlkreisprüfung oder Nachschmierung gezielt in ein geplantes Wochenendfenster legen.
- Nutzen
- Weniger Ausschuss, weniger ungeplante Nacheinsätze und stabilere Terminierung im Auftragsgeschäft.
Automotive-Zulieferer
Hydraulikaggregate an Pressen, Umform- und Fügeanlagen
Bei Automotive-Zulieferern zählen Taktstabilität, Ausschussquote und Lieferfähigkeit pro Schicht. Druckripple, Öltemperatur und Zyklusmuster deuten häufig früh auf schleichende Verschleißbilder hin, die im Alltag erst spät sichtbar werden.
- Signalbild
- Druckverlauf, Öltemperatur, Zykluszählung, MES-Taktmeldung und Serviceprotokoll.
- Entscheidung
- Dichtungssatz, Filter oder Ventilpaket rechtzeitig disponieren und den Eingriff mit Schicht- und Werkzeugplanung abstimmen.
- Nutzen
- Weniger teure Expresslogistik und geringeres Risiko für schichtkritische Linienstopps.
Produktionsbetriebe
Förder-, Montage- und Verpackungslinien an alternden Standorten
Gerade an Standorten mit Linien, die über Jahre erweitert und umgebaut wurden, erzeugen kleine Störungen schnell Kaskaden. Motorströme, Laufzeiten, Sensoraussetzer, MES-Stillstandsgründe und Ersatzteilbestände werden deshalb gemeinsam betrachtet statt isoliert ausgewertet.
- Signalbild
- Motorstrom, Laufzeit, Taktabweichungen, Sensorfehler, MES-Stillstandsgründe und Bestand kritischer Komponenten.
- Entscheidung
- Rollen-, Motoren- oder Sensortausch in vorhandene Wartungsfenster integrieren und Bestand vorher absichern.
- Nutzen
- Weniger Folgestillstände entlang der Linie und bessere Planbarkeit für Produktion, Instandhaltung und Materialversorgung.
Gründergeschichte
Entstanden aus einem echten Werksproblem in Oberbayern.
Der Auslöser
Die Daten waren im Werk vorhanden. Gefehlt hat die Entscheidung, die daraus unter Produktionsdruck tatsächlich hilft.
Leonie Auer und Matthias Brenner lernten sich nicht in einem Accelerator kennen, sondern in einem mittelständischen Werk in Oberbayern. In einem Digitalisierungsprojekt standen sie plötzlich vor demselben Problem: Eine alternde Produktionslinie fiel wiederholt ungeplant aus, obwohl Daten, Störmeldungen und Servicehistorie im Werk vorhanden waren.
Was fehlte, war nicht noch ein Dashboard, sondern eine belastbare Entscheidung: Welche Anlage braucht wirklich Aufmerksamkeit, welches Teil muss vorgezogen werden und welcher Eingriff passt noch in den Produktionsplan. Aus genau dieser Beobachtung entstand Berghain AI: eine Plattform, die industrielle Daten in konkrete Wartungs- und Ersatzteilentscheidungen übersetzt.
Leonie Auer
Co-Founder & CEO
Verbindet Werksrealität, Kundenverständnis und Umsetzung. Ihr Fokus liegt auf Pilotformaten, die für Werksleitung, Produktion und Instandhaltung gleichermaßen belastbar sind.
Matthias Brenner
Co-Founder & CTO
Verantwortet Datenanbindung, Inferenzlogik und skalierbare Architektur. Sein Fokus liegt auf robusten Datenpfaden für Bestandswerke statt auf experimentellen Laborsystemen.
Cloud / AI / Compute
Warum skalierbare Datenpipelines und Inferenz hier zentral sind.
Predictive Maintenance scheitert selten am einzelnen Modell. Entscheidend ist die gesamte Kette: saubere Sensordaten, korrekte Zeitreihen, ERP- und MES-Kontext, strukturierte Wartungsprotokolle, belastbare Prognosemodelle, nachvollziehbare Inferenz und eine verlässliche Auslieferung an den operativen Prozess.
1. Sensordaten & Ingestion
Schwingung, Temperatur, Strom, Druck und Statussignale aus SPS, OPC UA, Historian oder Exportdateien werden über standardisierte Konnektoren in einen EU-gehosteten Ingest-Layer überführt.
2. ERP/MES & Wartungskontext
Zeitstempel, Alarmcodes, Schichtzustände, ERP- und MES-Signale, Wartungsprotokolle und Ersatzteilinformationen werden vereinheitlicht, damit aus Messwerten betriebliche Relevanz entsteht.
3. Prognosemodelle & Inferenz
Streaming- und Batch-Compute berechnen Zustandsmerkmale, Baselines und Abweichungsfenster. Prognosemodelle und regelbasierte Checks erzeugen assetbezogene Empfehlungen mit nachvollziehbarer Inferenz.
4. Zentrale Modellverbesserung
Modelle werden zentral versioniert, auf freigegebenen historischen Verläufen verbessert und pro Werk kontrolliert ausgerollt. So steigt die Qualität der Inferenz, ohne dass der operative Einsatz unkontrollierbar wird.
Compute ist hier zentral, weil historische Rückrechnungen, laufende Inferenz, assetübergreifende Vergleiche und spätere Modellverbesserungen über mehrere Linien hinweg reproduzierbar funktionieren müssen. Ohne belastbare Datenpipeline und kontrollierte Modellversionierung bleibt Predictive Maintenance ein punktuelles Experiment.
Credibility
Vertrauen entsteht hier durch Werkstests, Integrationstiefe und saubere Aussagen.
Fortschritt zeigt sich hier nicht in Reichweitenzahlen, sondern an Pilotkunden in Vorbereitung, Werkstests auf realen Historien, belastbaren Partnergesprächen und wiederkehrenden Kundenterminen mit den richtigen Rollen am Tisch.
Pilotgespräche im Werk
Gespräche finden nicht nur mit Innovationsrollen statt, sondern mit Produktion, Instandhaltung, Werks-IT und technischen Leitungen, also dort, wo Anbindung und Nutzen tatsächlich entschieden werden.
12 bis 24 Monate reale Historie
Frühe Validierung basiert auf Störhistorien, Wartungsereignissen und realen Linienmustern statt auf synthetischen Demo-Datensätzen.
Partnerfit für Integration
Relevante Gespräche betreffen auch Integratoren, Automatisierer und Systempartner, damit Pilotumgebungen technisch sauber in Bestandslandschaften eingebettet werden können.
1 Linie, 3 bis 5 Assets zum Start
Ein realistischer Pilot startet klein genug für schnelle Umsetzung, aber groß genug, um Schichtbetrieb, Ersatzteilthemen und Instandhaltungsentscheidungen sauber abzubilden.
Aktueller Fokus: Gespräche mit Pilotkunden aus Maschinenbau und Zulieferindustrie, erste Werksprojekte auf historischen Daten, Austausch mit Integratoren und direkte Kundentermine in Oberbayern und angrenzenden Industriestandorten.
Kontakt / Demo
Wenn Sie eine Linie haben, die nicht überraschend stillstehen darf, sollten wir sprechen.
In einem ersten Gespräch prüfen wir gemeinsam, welche Sensordaten, ERP/MES-Signale und Wartungsprotokolle bereits vorhanden sind, wo der wirtschaftlich sinnvolle Pilot starten kann und welche Integrationspfade für Ihr Werk realistisch sind.
Kein Vertriebs-Showcase.
Wir sprechen über eine konkrete Linie, verfügbare Daten und einen realistischen Pilotkorridor für Ihr Werk.
- 30 Minuten Erstgespräch mit Business-, Werks- und Technikperspektive
- Abgleich Ihrer Datenlage: SPS, Historian, ERP/MES, Wartungslog und Ersatzteilbestand
- Skizze eines realistischen Pilotkorridors statt Hochglanzdemo ohne Anschlussfähigkeit