ECOMAI gewinnt PENTA Innovation Award 2025

Wie SparxSystems Europe mit modellbasierter Entwicklung den Weg für zertifizierbare KI in Embedded-Systemen ebnet

Große Bühne für eine große Idee: Das europäische Forschungsprojekt ECOMAI (Ecological Motor Control and Predictive Maintenance with AI) ist im Oktober 2025 mit dem renommierten PENTA Innovation Award ausgezeichnet worden. ECOMAI zeigt, wie sich Künstliche Intelligenz in sicherheitskritischen Embedded-Systemen nachvollziehbar, zertifizierbar und industriell skalierbar einsetzen lässt. Es verbindet modellbasierte Systementwicklung (MBSE), Explainable AI und energieeffiziente Edge-Hardware zu einem durchgängigen Entwicklungsansatz – und gilt damit als Blaupause für den Einsatz von KI in regulierten Industrieumgebungen. Das Projekt adressiert dabei aber keineswegs die nächste Generation großer Sprachmodelle; ECOMAI steht vielmehr für eine andere Art von KI, nämlich für Tiny Machine Learning (TinyML).

ECOMAI ist ein Projekt im Rahmen des Eureka-Clusters PENTA, einem europäischen Innovationsnetzwerk zur Förderung von Forschung und Entwicklung im Bereich Mikro- und Nanoelektronik. Ziel des Clusters ist es, Kooperationen zwischen Industrie, Hochschulen und Forschungseinrichtungen zu stärken und gemeinsam technologische Lösungen für zentrale Herausforderungen von Wirtschaft und Gesellschaft zu entwickeln.

Peter Lieber, Gründer und Head of Business Development von SparxSystems Europe mit Salomé Wagner, ECOMAI-Projektleiterin von SparxSystems Europe.

SparxSystems Europe als Enabler

Elf Partner aus Deutschland, Österreich und der Türkei waren an dem Projekt beteiligt, darunter der Halbleiterhersteller Infineon, die Technische Universität Wien und das Software Competence Center Hagenberg (siehe Faktenbox). Eine zentrale Rolle spielte dabei SparxSystems Europe: Als methodischer Enabler verantwortete das Unternehmen die modellbasierte Systemarchitektur und schuf mit ECOMOD ein durchgängiges Entwicklungsframework, das TinyML-gestützte Embedded-Systeme erstmals vollständig modellier-, test- und zertifizierbar macht.

Kaum ein anderes Thema verbindet Digitalisierung, Nachhaltigkeit und Industrieeffizienz so unmittelbar wie der elektrische Antrieb. Studien zufolge entfallen rund 40 Prozent des globalen Stromverbrauchs auf elektrische Motoren – von der industriellen Fertigung über Verkehrssysteme bis hin zur Gebäudetechnik – und damit verbunden rund 20 Prozent der globalen CO₂-Emissionen. Hier setzt ECOMAI an: Durch den Einsatz von Edge-AI, also direkt im Antrieb integrierter künstlicher Intelligenz, sollen Energieverbrauch, Wartungsaufwand und CO₂-Ausstoß signifikant reduziert werden. Entscheidend ist dabei, dass diese Intelligenz nicht als isolierte Einzellösung entsteht, sondern als reproduzierbarer und skalierbarer Ansatz für industrielle Serienanwendungen.

„Für uns war ECOMAI von Beginn an kein klassisches Forschungsprojekt, sondern die Möglichkeit zu zeigen, wie sich KI systematisch und industriell beherrschbar entwickeln lässt. Modellbasierte Methoden sind der Schlüssel, um KI-Systeme transparent, nachvollziehbar und langfristig wartbar zu machen – und das wiederum ist die Voraussetzung, um sie in die industrielle Serienanwendung zu bringen“, betont Lieber.

ECOMOD – das methodische Herz

Eines der Hauptziele von ECOMAI war die Steigerung der Energieeffizienz elektrischer Antriebssysteme. Fünf Prozent Energieeinsparung galten als Mindestziel – ein Wert, der im Projektverlauf deutlich übertroffen wurde.

In drei Projektjahren (2022 bis 2025) entwickelte das Konsortium eine umfassende Lösung aus Hardware, Software und Modellierungsplattformen. SparxSystems Europe verantwortete dabei den methodischen Unterbau: die modellbasierte Entwurfs- und Simulationsmethodik ECOMOD, die als digitales Rückgrat des Projekts fungierte.

ECOMOD steht für „ECOMAI Modelling Toolbox“ – eine von SparxSystems Europe entwickelte Methodik, die auf SysML, einer grafischen Modellierungssprache für die Systemtechnik, basiert. ECOMOD überträgt den Ansatz des modellbasierten System Engineerings konsequent auf KI-gestützte Embedded-Systeme und verbindet klassische Systemarchitektur mit Explainable AI (XAI), also nachvollziehbarer künstlicher Intelligenz.

Durch die Integration von Decision Model and Notation (DMN) lassen sich neuronale Entscheidungen in verständliche Regelmodelle übersetzen – und damit erstmals eine durchgängige Traceability von der Anforderung über das Systemmodell bis hin zum Testfall herstellen. Das ist eine zentrale Voraussetzung für Zertifizierungen und für den Einsatz von TinyML unter regulatorischen Vorgaben wie dem EU AI Act oder funktionalen Sicherheitsnormen.

Der Durchbruch liegt dabei nicht in der Intelligenz selbst, denn TinyML ist technisch bereits heute realisierbar. Er liegt vielmehr in der  Einbettung in modellierte und zertifizierbare Entwicklungsprozesse. Ohne modellbasierte Methodik hat TinyML keine praktische Relevanz, denn was sich nicht zertifizieren lässt, lässt sich nicht vermarkten. ECOMOD schließt diese Lücke. „Für uns ist die Botschaft klar: ‚KI’ ist austauschbar. TinyML ist positionierbar. Und zertifizierbare TinyML mit MBSE ist differenzierend“, so Lieber.

TinyML – die Schlüsseltechnologie für industrielle KI

TinyML ist keine Miniaturausgabe generativer KI, sondern eine strategische Architekturentscheidung: Rechenleistung wandert zurück an die Maschine. Während generative KI auf leistungsstarken Cloud-Servern oder spezialisierten ML-Beschleunigern läuft und auf permanente Netzwerkverbindungen angewiesen ist, verlagert TinyML die KI-Inferenz vollständig auf Chips direkt am Ort der Datenerfassung. Das ist für funktionale Sicherheit relevant, weil die Entscheidung im System selbst fällt und nicht von externen Diensten abhängt. Gleichzeitig funktioniert TinyML auf ressourcenarmer, kostengünstiger Hardware – bis hin zu Mikrocontrollern mit Stückkosten unter 1 Euro. Damit ist TinyML im Vergleich zu LLMs eine deutlich kostengünstigere und energie-effizientere Art, KI einzusetzen.

„ECOMAI hat gezeigt, dass moderne Mikrocontroller bereits Mini-Neural-Processing-Units integrieren und damit effiziente KI-Modelle für Echtzeit-Motorsteuerung, prädiktive Wartung und andere eingebettete Anwendungen direkt am Ort der Datenerfassung ausführen können“, stellt Dr. Daniel Müller-Gritschneder, Professor an der TU Wien fest.

Dr. Daniel Müller-Gritschneder, Professor an der TU Wien 

Quelle: Phani Bhushan Athlur/medium.com

Voller Erfolg für ECOMAI

ECOMAI erfüllte sämtliche im Projekt definierten Key Performance Indikatoren und überzeugte auch in der praktischen Umsetzung. Dies zeigten zahlreiche Demonstratoren, die im Rahmen der finalen PENTA-Review im September 2025 präsentiert wurden.

Infineon stellte einen „Tiny Reinforcement Learning Agent“ vor, der auf Standard-Mikrocontrollern lauffähig ist und Motorströme in Echtzeit optimiert. Damit lassen sich Energieeinsparungen von rund sieben Prozent erzielen. In Simulationen zeigte der Tiny Reinforcement Learning Agent eine verbesserte Störunterdrückung bei gleichzeitig reduziertem Energiebedarf. Damit demonstriert ECOMAI, dass sich lernbasierte Regelungsverfahren auch auf stark ressourcenbeschränkter Hardware sinnvoll einsetzen lassen, ohne die Energieeffizienz zu beeinträchtigen.

Die deutschen Unternehmen Moteon und FEAAM demonstrierten KI-basierte Regelungsstrategien für Permanentmagnet-Synchronmotoren (PMSM), die im WLTP-Fahrzyklus (Worldwide Harmonized Light-Duty Vehicles Test Procedure) signifikante Effizienzgewinne zeigten. Die eingesetzten Methoden führten zu einer Reduktion des benötigten Speichers um 97 Prozent und machten damit den praktischen Einsatz von KI in speicherlimitierten Embedded-Systemen erst möglich. Reale Testumgebungen wiesen dabei eine Energieeinsparung von 0,65 bis 4 Prozent gegenüber bereits stark optimierten Basislösungen nach – ein in der Praxis bemerkenswert hoher Wert.

Das türkische Unternehmen Albayrak präsentierte ein vorausschauendes Wartungssystem für Bahn-Schiebetüren, das Ausfälle bis zu 24 Stunden im Voraus erkennt. Sensoren erfassen Temperatur, Luftfeuchtigkeit und Schwingungen; eine lernfähige KI identifiziert frühzeitig Anomalien und leitet Wartungsmaßnahmen ein, bevor es zu Störungen kommt. Die Systemverfügbarkeit konnte damit von 99,4 auf 99,9 Prozent gesteigert werden – ein messbarer Beleg für den praktischen Nutzen prädiktiver KI-Wartung. „Eine KI-basierte Zustandsüberwachung als Lösung für Predictive Maintenance erhöht den Wert des Systemdesigns und stärkt dessen Wettbewerbsfähigkeit am Markt“, freut sich Necim Kirimca, Project Team Manager bei Albayrak.

Vom Forschungsprojekt zur Toolbox

Mit dem erfolgreichen Projektabschluss im September 2025 begann für ECOMAI die nächste Phase: der Transfer in die industrielle Anwendung. SparxSystems Europe hat dafür das ECOMOD-Toolkit – inklusive Modellvorlagen, Prozessdefinitionen und Profilen für Enterprise Architect – unter der liberalen Open-Source-Lizenz MIT öffentlich zugänglich gemacht. „Der Ansatz von SparxSystems ist es, aus öffentlich geförderten Forschungsergebnissen keinen unmittelbaren Produktumsatz zu generieren“, sagt Lieber. „Unser Geschäftsmodell liegt in Schulungen, Trainings und methodischer Begleitung. In Kombination mit dem offenen Toolkit entsteht so ein skalierbares Paket für Unternehmen, die KI in sicherheitskritischen Embedded‑Systemen regelkonform einführen wollen.“

Bereits auf der embedded world 2025 in Nürnberg wurde das Toolkit prominent präsentiert. Am Gemeinschaftsstand des Konsortiums reichten die gezeigten Bausteine von spezialisierter KI-Hardware über energieeffiziente Compiler bis hin zum vollständigen MBSE-Development-Kit. Erste Industriepartner haben ECOMOD bereits in eigene Entwicklungsprozesse integriert. Die Anwendungen reichen von Motorsteuerung über Predictive Maintenance bis in den Gesundheitssektor. Damit entwickelt sich ECOMOD vom Forschungsergebnis zu einem praxiserprobten Entwicklungsstandard für zertifizierbare KI auf Embedded-Hardware. „Die Kombination aus Modellierung, Explainability und Traceability schafft nicht nur Vertrauen in KI, sie ist die Voraussetzung, um KI in regulierten Märkten wirtschaftlich einsetzen zu können“, so Lieber.

Das Projekt hat zudem erheblichen akademischen Output generiert: Acht Masterarbeiten, eine Doktorarbeit und sieben wissenschaftliche Publikationen – darunter eine mit Best Paper Award ausgezeichnete Arbeit – dokumentieren die Forschungstiefe hinter den Demonstratoren. Weitere Ausbildungsprogramme werden an Universitäten aufgebaut und damit neue Arbeitsplätze geschaffen.

„Mit ECOMAI hat SparxSystems Europe gezeigt, dass modellbasierte Systementwicklung weit mehr ist als Dokumentation: Sie ist ein strategischer Schlüssel, um KI verständlich, zertifizierbar und nachhaltig in die industrielle Praxis zu überführen“, fasst Lieber zusammen.