Die digitalisierte Bohrmaschine
Willkommen in der Welt der vernetzten Werkzeuge! Das Start-up ToolSense verpasst Winkelschleifer, Kombihammer & Co kleine eingebettete Systeme, die die Nutzung analysieren.
Seit die Idee des Internets der Dinge propagiert wird, mussten Kühlschränke, die selbst ihren Inhalt nachbestellen, und Kaffeemaschinen, die die Wünsche ihrer Nutzer kennen, als Beispiele für vernetzte Alltagsgegenstände herhalten. Bis jetzt lässt die Kühlschrankrevolution aber auf sich warten. Wo tatsächlich die Zukunft einer mit künstlicher Intelligenz versetzten Generation von Internet-der-Dinge-Anwendungen liegen könnte, dafür kann das Wiener Start-up ToolSense als Beispiel dienen.
Die vier Gründer starteten ihre Entwicklung Ende 2016. Ausgangspunkt war ein Projekt an der FH Technikum Wien, wo drei von ihnen – Alexander Manafi, Benjamin Petterle und Rostyslav Yavorskyi – Technische Informatik studierten und wo das Start-up auch in ein Gründerprogramm aufgenommen wurde. Stefan Öttl kam als Mitgründer und Geschäftsführer noch dazu.
Aus dem Experimentieren mit einschlägigen Technologien entstand zuerst die Idee, einen Diebstahlschutz für Werkzeuge zu entwickeln. Letztendlich wurde daraus aber ein System, das umfassende Sensordaten beim Einsatz von Bohrmaschinen, Winkelschleifern, Kombihämmern & Co sammelt und auswertet: Ein Ansatz, der dafür sorgen könnte, neue Geschäftsmodelle für den Werkzeugbereich zu etablieren.
Die Gründer entwickeln in ihrem nun auf neun Mitarbeiter angewachsenen Unternehmen Module, die neben Sensorik wie Gyroskop, Beschleunigungs- und Temperaturfühler auch Rechenchip, Speicher und Modem vereinen. Sie haben etwa die Größe einer Zwei-Euro-Münze, werden in die Elektrowerkzeuge eingebaut und an deren Stromversorgung angeschlossen.
„Bei einem Modul in einem Kombihammer fällt in einer kurzen Einsatzzeit bereits ein halbes Gigabyte an Sensordaten an“, erklärt Mitgründer Manafi. „Man kann nicht alles zur Weiterverarbeitung hochladen.“Deshalb werden mithilfe von Methoden des maschinellen Lernens noch am Modul Muster über den Gebrauch der Maschine abgeleitet. Die Informationen, etwa ob und auf welchem Untergrund gerade gebohrt oder gestemmt wird oder ob Anomalien auftreten, werden dann zur weiteren Aufbereitung an Server im Netz geschickt.
Ein besonderer Aspekt an der Lösung von ToolSense ist, dass die Machine-Learning- Algorithmen, die durch ein oftmaliges „Trainieren“gewisse Datenmuster selbstständig erkennen, lokal auf dem Modul laufen. „Einerseits setzen wir Algorithmen ein, die sich selbst trainieren: Das Modul erkennt etwa eine Nutzungsintensität und teilt diese eigenständig in Stufen ein“, erklärt Manafi. „Andererseits trainieren wir die neuronalen Netzwerke gezielt auf gerätespezifische Muster und Ereignisse.“Die Entwickler gehen dazu mit Testmodulen auf Baustellen, um Daten zu sammeln. „Eine Herausforderung ist, die Algorithmik dann zu komprimieren und gemäß den Einschränkungen des Minicomputers im Werkzeug anzupassen“, betont Manafi.
Das System soll laut den Gründern für Hersteller, Händler und Handwerksbetrie- be interessant sein, um Wartungen vorausschauend – etwa nach einer gewissen Zahl an Betriebsstunden in einer bestimmten Intensität – zu managen. Man könne den Stillstand eines Werkzeugs minimieren, das vorhandene Inventar gezielter nutzen und prüfen, ob es wie vorgesehen eingesetzt wird. „Man kann sehen, ob es Sinn macht, wie ein Kunde das Werkzeug nutzt, und gegebenenfalls ein anderes Gerät oder entsprechende Schulungen anbieten“, gibt Manafi ein Beispiel.
Im Sommer 2017 wurde ToolSense als Unternehmen gegründet. Seitdem konnte nicht nur Kapital von zwei privaten Investoren eingesammelt werden, sondern das Start-up wurde auch in den NB-IoT-Inkubator der Deutschen Telekom in Krakau aufgenommen, wo der neue Funktechnologie-Standard für das Internet der Dinge erprobt wird, der im Rahmen der 5G-Mobilfunknetze ausgerollt wird. Die Idee der Gründer stößt in der Branche auf Interesse. Laut Manafi arbeitet ToolSense bereits mit 14 Herstellern zusammen, unter anderem mit dem Elektrowerkzeugbauer Metabo.