Prescriptive Maintenance für maschinelle und industrielle Prozesse

Klassifizierung

Event-Generierung

Erklärbare KI

First Principle Modelle

Analytics

Dashboard

Event-Management

Mobile App

Unsere Produktfeatures

Anomalieerkennung mit First-Principle-Modellen

Erkennen von Veränderungen im gesunden Zustand einer Anlage

Das Ziel einer umfassenden Monitoring-Strategie liegt darin, nicht nur Veränderungen bei Fehlern, sondern auch im gesunden Zustand der Anlage festzustellen und zu identifizieren. Mit dieser Strategie ist es möglich, relevante Aussagen über den Zustand der Anlage und Rückschlüsse zur Wartung zu treffen.

Zugängliche Nutzdaten

In vielen Fällen weisen die zugänglichen und nutzbaren Daten nicht genügend Fehler auf, um klassische Wartungsstrategien anzuwenden, die auf dem Degradierungsmodell beruhen.

Digitaler Zwilling

Unser digitaler Zwilling ist ein mehrschichtiges Datenmodell der physikalischen Anlage und kann das Verhalten auf Basis von Physik (Drehzahl, Druck, etc.) widerspiegeln. Auf diese Weise kann der Benutzer die vom Modell bereitgestellte Differenz der Abweichung verfolgen.

Industrial Analytics
Thermodynamische & rotordynamische Prozessmodelle

Die thermodynamischen Prozessmodelle von Industrial Analytics sind so konzipiert, dass Prozess-Messdaten verwendet werden können, ohne dass geometrische Daten der Anlagen angepasst werden müssen. Eine Grundvoraussetzung dafür sind die Gaseigenschaften, die durch eine effiziente Implementierung des NIST REFPROP-Modells entnommen werden. Diese Daten bieten zusätzliche Informationen über die zu überwachende Anlage und bieten eine sinnvolle Hochrechnung in den Bereichen, in denen das Modell nicht trainiert wurde.

Vortrainierte Modelle

Wir benutzen bereits vortrainierte Modelle für bestimmte Maschinen wie Dampfturbinen oder Kompressoren. Unsere Kunden benötigen keine weiteren Data Scientists zur Modellanpassung.

Industrial Analytics First principle models

IoT ermöglicht Schwingungsüberwachung

Schwingungssignaturen als Sensoren für den Maschinenzustand

Schwingungssignaturen sind die empfindlichsten Indikatoren zur Aussage über den Zustand einer Anlage. Defekte äußern typischerweise zuerst durch eine Änderung des Schwingungsspektrums.

Kostengünstige Edge-Devices

Industrial Analytics hat ein kostengünstiges Edge-Device entwickelt, das aus industriell zugelassenen Komponenten besteht. Es ist möglich, Beschleunigungssensoren oder typische Wegsensoren für Wellenschwingungen zu verwenden. Andere zusätzliche Sensoren können dem modularen System hinzugefügt werden.

Industrial Analytics Turbonode
Signalanalyse-Software

Industrial Analytics hat eine Signalanalyse-Software entwickelt, mit der Daten in Bezug auf die Drehzahl der Anlage extrahiert werden können und ein großes Leistungsspektrum ausgelesen werden kann.

Datenübertragung

Die Datenübertragungsrate wird mithilfe eines leistungsstarken Algorithmus zur Datenkomprimierung reduziert. Die Daten werden durch sichere Standardprotokolle wie OPC UA übertragen oder können vom OSIsoft Message Format direkt in ein PI-System eingespeist werden. Dazu können Kabel- oder WLAN-Verbindungen verwendet werden.

 

Industrial Analytics edge analytics Dashboard

KI-gestütztes Event-Management

Event-Management

Das Event Management assistiert bei der Informationsaggregation und -klassifizierung und lernt dabei dazu, um den Anwender zukünftig zu unterstützen. Die Anwender können die Events im User Interface klassifizieren und zusammenfassen. Anhand Ihrer Kommentare wird das KI-Modell trainiert. Das KI-Modell kann dem Benutzer durch die Klassifizierung der Ereignisse Empfehlungen geben, was als Nächstes zu tun ist.

Verwendung eines Diagrammdatenmodells

Durch ein Diagrammdatenmodell können die funktionalen Zusammenhänge der Anlage dargestellt werden und Gerätetypen semantisch unterschieden werden. Anhand der Modelle und des Event Managements ist es möglich, Kenntnisse über die Anlage und die Prozesse dauerhaft zu erlangen und zu speichern.

Industrial Analytics AI event management

Erklärbare KI & Optimierung

Maximierung der Ergebnisse bei gleichzeitiger Minimierung der Unsicherheiten

Erklärbare KI-Modelle, die dem Anwender Empfehlungen aussprechen, geben nicht nur die beste Antwort, sondern gewinnen auch statistische Informationen zur Genauigkeit der Daten. Die Anomalieerkennung verwendet Ensemble-Learning-Algorithmen in Kombination mit dem Training mehrerer Modelle. Das Ergebnis ist eine bessere Schätzung des Erwartungswerts. Dieser Erwartungswert wird mit dem tatsächlichen Messwert verglichen.

Maximierung der Extrapolation bei gleichzeitiger Minimierung der Unsicherheiten

Industrial Analytics verwendet die zuverlässige Methode des Bayesschen Modells, um die Unsicherheit des Modells und der Daten zu bewerten. Die Maximierung der Bayesschen Modell führt zu einer Maximierung der Extrapolationsfähigkeiten bei gleichzeitiger Minimierung von Unsicherheiten. Die Erzeugung indikativer Ereignisse basiert auf Hypothesentestungen. Dazu wird die Effektgröße und Fehlerwahrscheinlichkeit quantifiziert und automatisch für den Bewertungszeitraum angepasst.

Industrial Analytics AI event management Dashboard
Kooperation mit dem Hasso-Plattner-Institut

Die Optimierung wird mithilfe von Evolutionären Algorithmen und einem stochastischen Optimierungsverfahren durchgeführt, die es ermöglichen, sehr komplexe Probleme mit verschiedenen Variablen anzugehen. Diese Art von Algorithmen ist dafür bekannt, sehr effektiv ein umfassendes Optimum zu finden. Industrial Analytics arbeitet mit Prof. Friedrich vom Hasso-Plattner-Institut zusammen, der sich auf Evolutionäre Algorithmen spezialisiert hat.

Industrial Analytics AI event management
Der ONBOARDING PROZESS

Wie das Produkt in die bestehende IT-Infrastruktur eingebettet wird

Schritt 1

Analyse der Sensordaten und P & ID

Wir analysieren die vom Kunden bereitgestellten Prozess- und Instrumentendiagramme (P & ID) und Datenblätter. Je nachdem kundenspezifischen Anwendungsfall werden zusätzliche Messinstrumente empfohlen. Für einen Use Case zur Wartung sind häufig zusätzliche Schwingungsmessungen erforderlich, die mithilfe eines Edge-Device zur Schwingungsüberwachung integriert werden können.

Schritt 2

Datenmodellierung und KI-Training

Wir erstellen ein Diagrammdatenmodell Ihrer Anlage. Dies ist eine sehr flexible Methode, um die Sensor-Tags in einem Datenmodell zuzuordnen, das die funktionalen Beziehungen darstellt und die Vorverarbeitung, Visualisierung und das Modelltraining steuert. Das Initialtraining und die Konsistenzprüfungen der First-Principle-Modelle basieren in der Regel auf den historischen Daten der Anlage.

Schritt 3

Umsetzung

Wir unterstützen und führen die Integration unserer Lösung in Ihre bestehende IT-Infrastruktur aus. Wir sind Experten für Edge-Computing-Lösungen, die in Anlagen integriert werden (OSIsoft PI, ABB, Siemens etc.). Die Umsetzung erfolgt mit der Plattform-Software Docker. Dazu wird zunächst eine virtuelle Anlage benötigt, die normalerweise vom Betreiber bereitgestellt wird.

Nehmen Sie noch heute Kontakt mit uns auf

Buchen Sie eine Session mit einem unserer Experten

Stellen Sie innerhalb des 30-minütigen Termins Ihre Fragen und wir erarbeiten zusammen mit Ihnen eine geeignete Lösung für Ihr Unternehmen. In unserer Demo demonstrieren wir Ihnen, wie unser System angewendet werden kann.

Buchen Sie eine Demo