Der Schutz Ihrer Daten hat für aiomatic höchste Priorität. Wir befinden uns aktuell im Zertifizierungsprozess nach ISO 27001 und setzen bewährte Technologien ein, um die Sicherheit Ihrer Daten zu gewährleisten. Dazu zählen unter anderem die TLS-Verschlüsselung, die Nutzung der Azure Cloud sowie IP-Whitelisting.

aiomatics Technologie unterscheidet sich hinsichtlich ihrer Skalierbarkeit und der Genauigkeit der Ergebnisse deutlich von den Lösungen konkurrierender Unternehmen. Dazu nutzt der von aiomatic entwickelte digitale Wartungsassistent das Fachwissen des Ingenieurs über die kausale Abhängigkeitsstruktur zwischen Maschinenvariablen und kombiniert dieses Domänenwissen mit der Leistungsfähigkeit des maschinellen Lernens. Dies ermöglicht eine höhere Modellgenauigkeit und besser erklärbare Ergebnisse, was die Akzeptanz des Ansatzes bei Ingenieuren erhöht. Daraus resultiert: - 20% höhere Vorhersagegenauigkeit - 70% schnellere Skalierbarkeit - eine erklärbare KI-Lösung für die vorausschauende Wartung

Der Kunde erhält den Zugang zu einem webbasierten Dashboard, auf welchem der Health Score der Maschine in Form eines Faktors zwischen 0% und 100% ausgespielt wird. Durch diesen bekommen aiomatics Kunden einen Einblick in den Zustand ihrer Maschinen und können anormales Maschinenverhalten bis auf Sensorebene zurückverfolgen. Mittels einer Trenddarstellung bietet das Dashboard dem Nutzer außerdem die Möglichkeit, eine Bewertung der Vorhersagen vorzunehmen sowie Wertgruppierungen zu beurteilen.

Nutzung vorhandener Daten: aiomatic nutzt Daten, die bereits aus der Maschine oder dem Prozess erfasst werden. Dadurch ist keine zusätzliche Sensorik erforderlich. Dies reduziert die Kosten und den Installationsaufwand erheblich. Berücksichtigung verschiedener Datenpunkte: Im Gegensatz zur reinen Schwingungsüberwachung kann der Wartungsassistent bereits erfasste Datenpunkte einbeziehen. Dadurch ist es möglich, Maschinen zu überwachen, bei denen Schwingungsmuster keine aussagekräftigen Informationen liefern oder wo Komponenten innerhalb komplexer Maschinen schwer zugänglich sind. Einbeziehung externer Einflussfaktoren: Der größte Unterschied besteht darin, dass der aiomatic Wartungsassistent externe Einflussfaktoren, wie verschiedene Betriebsmodi oder das aktuelle Produktrezept, in die Analyse mit einbezieht. Im Gegensatz zu Sensoren, die nicht mit dem Prozess synchronisiert sind, kann aiomatic den "Normalzustand" der Maschine genauer überwachen. Dies ermöglicht eine präzisere Erkennung von Veränderungen und einen frühzeitigen Hinweis auf mögliche Probleme. aiomatic lernt individuelle Schwingungsmuster für jeden unterscheidbaren Betriebsmodus, was eine hohe Sensitivität und Genauigkeit gewährleistet.

aiomatic ist in der Lage, verschiedene Arten von Daten zu verarbeiten, sofern sie über eine geeignete Schnittstelle (insbesondere OPC UA) verfügbar sind. Hierzu gehören Zahlen, Dezimalzahlen, Texte sowie Wahr/Falsch-Werte. aiomatics Software berücksichtigt sowohl Sensordaten als auch das Fachwissen des Ingenieurs, das über eine einfache Schnittstelle eingegeben werden kann. Durch die Kombination dieser beiden Datentypen ist es möglich, eine effektive Wartung bereitzustellen.

aiomatic ist in der Lage, das Verhalten von Maschinen zu überwachen und bereits geringste Abweichungen in den Daten zu erkennen. Unter Berücksichtigung der Kontextfaktoren kann eine Risikobewertung des anormalen Maschinenverhaltens vorgenommen werden, wodurch Nutzer bei nachteiligem Maschinenverhalten alarmiert werden. Dadurch kann unter anderem folgendes sichergestellt werden: - Frühzeitiges Erkennen des Versagens von Maschinen oder einzelnen Komponenten - Identifizierung der Ursachen für das fehlerhafte Verhalten - Schnelle Fehlerbehebung und Vermeidung von Folgeschäden und -kosten

Der Zugriff auf die Maschinendaten kann über mehrere Lösungen ermöglicht werden. In der Regel werden die Daten mittels des OPC UA Protokolls an der Maschine abgefragt. Standard-Softwarelösung: aiomatic Software, um Daten von der Maschine abzugreifen und in die aiomatic Azure Cloud zu übertragen. IoT-Gateway: Aggregiert verschiedene Datenquellen, ideal für die Nachrüstung von Schwingungssensorik. Unterstützt Mobilfunkübertragung in die aiomatic Azure Cloud. Siemens Industrial Edge-Gerät: Kommuniziert über Softwaremodule mit allen gängigen Industrieprotokollen und überträgt in die aiomatic Azure Cloud. MQTT-basierte Individuallösung: Ermöglicht das Senden von Maschinendaten aus vorhandener Software in festgelegtem Format an einen verschlüsselten MQTT Broker in der aiomatic Azure Cloud.

aiomatics Algorithmus benötigt keine historischen Sensordaten oder Fehlerprotokolle, sondern lernt anhand neuer Daten, welche im Live-Betrieb an das System gesendet werden.

Um die aiomatic-Software nutzen zu können, sind bestimmte technische Anforderungen an die Hardware erforderlich. Auf Kundenseite sollte ein Ubuntu-Server vorhanden sein, der Zugriff auf den OPC UA-Server hat. Der Server sollte als Server oder VM realisiert werden. Für eine VM ohne lokalen Speicher werden mindestens folgende Hardware-Spezifikationen empfohlen: Betriebssystem: Linux Ubuntu 22.04 (LTS) Prozessor: 2 vCPU Arbeitsspeicher: 8 GB RAM Speicherplatz: 70 GB SSD-Festplatte Des Weiteren sollten folgende Netzwerkanforderungen beachtet werden:cAusgehende Ports: 443 MQTT/AMQP über Websockets Für die Verbindung zur Maschine muss sich der Server außerdem im gleichen Subnetz wie der OPC UA-Server befinden oder diesen erreichen können.

Nachdem Sie eine Maschine, Anlage oder einen Prozess identifiziert haben, den sie mit der Software von aiomatic überwachen möchten, sind 7 Schritte erforderlich. Ziel ist es, dass Ihre Maschinendaten für die Analyse kontinuierlich in die aiomatic Azure Cloud übertragen werden. Bereitstellung der Virtuellen Maschine. Wenn möglich, Bereitstellung eines VPNs für Support durch aiomatic. Freigabe von URLs Installation der Softwareumgebung IoT Edge. Verbindungsaufbau zum OPC UA Server der Pilotanlage: Bereitstellen der OPC UA Informationen. Herstellung der Netzwerkverbindung zwischen virtueller Maschine und Datenquelle (OPC UA) mit gegebenenfalls erforderlichen Portfreigaben. Für die Durchführung dieser Schritte stellen wir eine detaillierte Anleitung bereit, die auch bestimmte Besonderheiten wie einen Proxy berücksichtigt. Mit diesen Schritten sind Sie gut gerüstet, um mit der Datenerfassung / Ihrem Projekt mit aiomatic zu starten.

Unsere Software für vorausschauende Instandhaltung findet in den unterschiedlichsten Branchen Anwendung. Insbesondere die Fertigungs-, Energie-, Transport- und Logistikbranchen profitieren von unserer Lösung, da Ausfälle einzelner Maschinenkomponenten häufig zu teuren Stillständen von gesamten Produktionslinien führen. Aber auch in der Luftfahrt-, Öl- und Gasindustrie sowie im Gesundheitswesen wird vorausschauende Wartung eingesetzt, um Ausfallzeiten zu minimieren und die Sicherheit zu gewährleisten.

Reaktive Instandhaltung reagiert erst auf Probleme nach ihrem Auftreten, was zu unerwarteten Ausfällen und längeren Stillstandzeiten führen kann. Bei der präventiven Instandhaltung werden zwar regelmäßige Wartungsarbeiten durchgeführt, aber es besteht das Risiko von Überwartung oder unnötigen Eingriffen, die zu hohen Kosten führen können. Im Gegensatz dazu nutzt vorausschauende Instandhaltung fortschrittliche Technologien zur frühzeitigen Erkennung von Anomalien und zur Vorhersage von Wartungsbedarf, um Ausfallzeiten zu minimieren und die Effizienz zu steigern.

Für die vorausschauende Instandhaltung von Maschinen werden Eingangsdaten wie Sensordaten, historische Wartungsprotokolle und Betriebsdaten verwendet. Diese Daten werden analysiert, um Muster zu erkennen und potenzielle Probleme frühzeitig zu identifizieren.

Vorausschauende Instandhaltung, auch als Predictive Maintenance bekannt, ist in der heutigen Zeit von entscheidender Bedeutung für Unternehmen in verschiedenen Branchen. Diese innovative Instandhaltungsstrategie nutzt fortschrittliche Technologien wie maschinelles Lernen und Big Data-Analyse, um den Zustand von Anlagen kontinuierlich zu überwachen und Wartungsbedarf vorherzusagen, bevor Ausfälle auftreten. Vermeidung von Ausfallzeiten und Produktionsausfällen: Durch die frühzeitige Erkennung von Anomalien und potenziellen Problemen können Unternehmen Ausfallzeiten und Produktionsausfälle vermeiden. Dies ermöglicht eine kontinuierliche und zuverlässige Produktion, was sich direkt auf die Rentabilität und den Erfolg des Unternehmens auswirkt. Optimierung von Wartungsmaßnahmen: Durch die präzise Vorhersage von Wartungsbedarf können Unternehmen ihre Instandhaltungsmaßnahmen optimieren. Anstatt auf feste Zeitpläne zu setzen oder reaktive Reparaturen durchzuführen, können sie Wartungsarbeiten gezielt planen und Ressourcen effizient einsetzen. Das Ergebnis sind reduzierte Wartungskosten und eine verlängerte Lebensdauer der Anlagen. Erhöhung der Anlagenverfügbarkeit: Vorausschauende Instandhaltung trägt dazu bei, die Verfügbarkeit von Anlagen zu erhöhen, indem sie potenzielle Ausfallzeiten minimiert. Dies ist besonders wichtig in Branchen wie der Fertigung, Energieerzeugung und Logistik, in denen eine unterbrechungsfreie Betriebszeit der Anlagen entscheidend ist. Bekämpfung des Fachkräftemangels: Durch die präzise Vorhersage von Wartungsbedarf basierend auf Datenanalysen kann das Wartungspersonal gezielter planen und unnötige Wartungsmaßnahmen vermeiden. Dies reduziert den Wartungsaufwand und ermöglicht es dem Team, sich auf wesentliche Aufgaben zu konzentrieren, während auch weniger erfahrene Mitarbeiter Anomalien frühzeitig erkennen und angemessen reagieren können. Wettbewerbsvorteil und Zukunftssicherheit: Unternehmen, die auf vorausschauende Instandhaltung setzen, haben einen klaren Wettbewerbsvorteil auf dem Markt. Sie können sich schneller an veränderte Marktbedingungen anpassen, Kundenanforderungen besser erfüllen und insgesamt agiler und widerstandsfähiger sein. Damit legen sie den Grundstein für langfristigen Erfolg und Zukunftssicherheit.

Die Implementierung von vorausschauenden Wartungsmaßnagmen erfordert die Auswahl einer geeigneten Softwarelösung, die Integration von Sensoren und die Schulung des Personals für den Umgang mit den neuen Instandhaltungsstrategien.

Herausforderungen umfassen die Integration verschiedener Datenquellen, die Auswahl und ggf. Nachrüstung geeigneter Sensoren, die Notwendigkeit von qualifiziertem Personal für Datenanalyse und den anfänglichen Investitionsaufwand. Das Expertenteam von aiomatic unterstützt Sie bei allen Schritten.

Beginnen Sie mit einer Analyse Ihrer Maschinen und Prozesse, um kritische Anlagen zu identifizieren. Wählen Sie dann eine geeignete Predictive Maintenance Software und integrieren Sie Sensordaten. Schulungen für Mitarbeiter und die schrittweise Umsetzung in Pilotprojekten sichern den Erfolg.

Predictive Maintenance nutzt Sensordaten wie beispielsweise Temperatur, Vibration, und Druck, um den Zustand von Maschinen in Echtzeit zu überwachen und Anomalien frühzeitig zu erkennen.

Predictive Maintenance Software reduziert Kosten, indem sie Ausfälle vorhersagt, ungeplante Stillstände vermeidet und die Lebensdauer von Maschinen durch gezielte Wartung verlängert. Außerdem werden Wartungszyklen optimiert und dieVerfügbarkeit von Maschinen erhöht, was zu einer besseren Produktionsleistung führt.