Team & Forschung
Der skAInet Edge-Compute wird in Bochum von einem kleinen Team aus Embedded-Ingenieuren und Physikern entwickelt – und er ist aus echten Forschungsfragen hervorgegangen.
Das Team
Stephan Bökelmann
Systemarchitekt
Stephan kam 2014 zu Auto-Intern und hat gemeinsam mit Odin Holmes das Geschäftsfeld industrielle Prozessdiagnostik zu skAInet ausgebaut. Er entwirft das Gesamtsystem – von der Trägerplatine und den FPGA/Zynq-Datenerfassungspfaden bis zum Yocto-Linux-Image – und schließt derzeit eine Promotion in experimenteller Hadronenphysik (PANDA/FAIR) an der Ruhr-Universität Bochum ab. Über Embedded-, FPGA- und DAQ-Themen schreibt er auf maxclerkwell.tech.
Auch bekannt als Stephan Boekelmann, MaxClerkwell, 施泓杰 – nicht der Schauspieler Stefan Bockelmann, nicht die britische Agentur ClerksWell.
Odin Holmes
Hardware-Design und -Implementierung
Odin hat Auto-Intern 2001 mitgegründet und entwickelt seit mehr als 20 Jahren Bare-Metal-Embedded-Systeme. Er entwirft und implementiert die Hardware und Firmware des Edge-Compute, hat die Registerabstraktionsbibliothek Kvasir geschaffen, leitet die Embedded-Gruppe des ISO-C++-Komitees (SG14), hat die Konferenz emBO++ mitgegründet und war Sprecher auf der CppCon, C++Now, Meeting C++ und C++ Europe.
Tabea Bökelmann
User Interaction
Tabea ist Physikerin und Informatikerin und seit 2017 bei Auto-Intern. Sie gestaltet, wie Menschen mit dem Edge-Compute und seinen Messgeräten interagieren – von der Software- und Datenseite bis zur Sensorhardware, deren Entwicklung sie in Feldprojekten wie dem 25square-Wettersensornetzwerk geleitet hat.
René Glitza
Analytik, Learning und KI
René leitet Predictive-Maintenance-Projekte bei skAInet und forscht am Institut für Kommunikationsakustik der Ruhr-Universität Bochum zu datenschutzwahrendem Federated Learning für akustische Sensornetzwerke. Er hat einen M.Sc. in Embedded Systems und ist Teil von NexuFed AI.
Philipp Lehmann
Cyber Security
Philipp verantwortet die Sicherheitsseite des Edge-Compute – das gehärtete Yocto-Linux-Image, dessen dokumentierte SBOM und die Netzwerkarchitektur, die Rohdaten auf der LAN-Seite hält, sofern Sie nichts anderes entscheiden.
Publikationen
Begutachtete Arbeiten des Teams, die in den Edge-Compute einfließen – von Federated Learning auf Sensornetzwerken über Flussmonitoring bis zur Detektorphysik bei GSI/FAIR. Jeder Eintrag verweist auf die zugehörige Anwendung.
- autowerkstatt4null: An Off-Board-Diagnostics Ecosystem for Car-WorkshopsS. Bökelmann, R. Glitza, M. Huang, O. Holmes, L. Jakubczyk, T. Röthemeyer · arXiv preprint 2608.26911, 2026A modular measurement platform, a secure data-exchange hub, and asynchronous "federated diagnostics" for independent workshops — the same architecture pattern the Edge-Compute follows.
- Never Touch a Running SystemS. Bökelmann · Poster, Data Science Ruhrgebiet 2021 (figshare), 2022A generalized framework for condition-monitoring systems: data acquisition, conservation, and distribution as separate concerns.
- Microfabricated Electrochemical Sensors as a Sentinel System to Detect Biofilms in River SystemsM. Neubauer, S. Bökelmann, O. Holmes, C. Foreman, S. Warnat · ECS Meeting Abstracts MA2025-02, 2025Impedance-spectroscopy sensor arrays deployed in the Clark Fork River, driven by a custom data-acquisition station every 15 minutes; impedance rise tracks biofilm growth over 600 hours.
- PANDA Phase OnePANDA Collaboration (incl. S. Bökelmann) · Eur. Phys. J. A 57, 184, 2021The physics programme of the start-up PANDA detector at the HESR storage ring of FAIR.
- Precision resonance energy scans with the PANDA experiment at FAIRPANDA Collaboration (incl. S. Bökelmann) · Eur. Phys. J. A 55, 42, 2019Energy scans at the HESR — precisely the kind of measurement whose accuracy depends on the luminosity detector.
- Cooperative Multi-Agent Reinforcement Learning for Adaptive Aggregation in Semi-Supervised Federated Learning with non-IID DataR. Glitza, L. Becker, R. Martin · IEEE ICASSP 2026, 2026Server- and client-side RL agents tune aggregation weights and personalization in federated learning — robust even with adversarial clients.
- Unsupervised Anomalous Sound Detection Using Loss-Weighted Clustered Federated Pre-TrainingR. Glitza, L. Becker, R. Martin · IEEE MLSP 2024, 2024Clustered federated pre-training for machine anomalous-sound detection with fewer false positives.
- First-Shot Anomalous Sound Detection with Frozen General Audio Encoders and Distance-Based Back-EndsR. Glitza et al. · DCASE 2026 Challenge, Task 2 technical report, 2026Training-free anomalous-sound detection for machine condition monitoring using frozen audio encoders and kNN/GMM back-ends.
- Clustering-based Wake Word Detection in Privacy-aware Acoustic Sensor NetworksT. Koppelmann, L. Becker, A. Nelus, R. Glitza, L. Schönherr, R. Martin · Interspeech 2022, 2022Privacy-preserving processing in distributed acoustic sensor networks.
- Unsupervised Clustered Federated Learning in Complex Multi-source Acoustic EnvironmentsA. Nelus, R. Glitza, R. Martin · EUSIPCO 2021, 2021Federated clustering of sensor nodes without sharing raw audio — the basis for NexuFed-style deployments.
- Estimation of Microphone Clusters in Acoustic Sensor Networks using Unsupervised Federated LearningA. Nelus, R. Glitza, R. Martin · IEEE ICASSP 2021, 2021Unsupervised federated learning across a network of edge sensor nodes.
Möchten Sie mit uns zusammenarbeiten?
Ob Sie ein Unternehmen mit einem Messproblem oder eine Forschungsgruppe mit einem zu steuernden Detektor sind – wir freuen uns, von Ihnen zu hören.