Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
dorthin steigt mit zunehmendem Reifegrad die Wertschöpfung in den Produktionsabläufen Zu Beginn steht die Aufnahme und Konsolidierung von Daten jeder einzelnen Maschine jedes einzelnen Sensors und so weiter Sie werden im zweiten Schritt zur Verarbeitung entweder On-Premise über einen Edge-Controller in der Peripherie oder direkt in die Cloud übertragen In der dritten Stufe werden alle strukturierten und unstrukturierten Daten aufbereitet visualisiert und interpretiert um sie für die Prozessoptimierung nutzbar zu machen Nun ist es möglich Muster zu erkennen Korrelationen herzustellen und Schwellenwerte zu ermitteln bei deren Verletzung eine Alarmierung ausgelöst wird Die fünfte und letzte Phase erlaubt schließlich durch den Einsatz von KI und Machine Learning ein vollumfänglich digitales Abbild der bestehenden Produktionsprozesse zu „erlernen“ Auf dieser Basis lassen sich unter anderem digitale Anlaufsimulationen zur Verkürzung von Rüstzeiten oder selbstlernende und -optimierende Modelle realisieren Ein solcher Digital Twin ermöglicht es Unternehmen physikalische retrospektive Qualitätskontrollen zu minimieren Wartungsprozesse mittels Predictive Maintenance effizienter zu gestalten und Produktionsstätten selbst standortübergreifend im Blick zu behalten Die Einstiegshürden zur Einrichtung eines digital Twins sind dabei dank des skalierbaren Stufenmodells und der unmittelbaren Wertschöpfung denkbar niedrig | Dr Stefan Pietschmann Head of Digital Twin Solutions T-Systems MMS am T-Systems MMS www tsystemsmms com Schwerpunkt | Predictive Maintenance und Machine Learning INDUSTRIAL Production 7 2021 14 Mit KI und ML ein digitales Abbild der Produktionsprozesse erlernen Der Halbleiterhersteller Globalfoundries setzt Predictive Maintenance bereits um