Lösung zur Voraussage von Ausfallzeiten in Industrie-Umgebungen

Mit Kaspersky Machine Learning for Anomaly Detection lassen sich Abweichungen in den Produktionsprozessen frühzeitig erkennen und Ausfallzeiten reduzieren. Die Lösung ist mit Machine-Learning-Algorithmen ausgestattet, die die Telemetrie von Maschinensensoren in Echtzeit analysieren.

Bild: Kaspersky Labs GmbH

Die Lösung erkennt bereits geringfügige Abweichungen, wie z.B. eine Änderung der Signaldynamik oder Signalkorrelationen und warnt vor Maschinenfehlern, indem Warnungen ausgelöst werden, sobald sich die Parameter des Herstellungsprozesses (Tags) unerwartet verhalten. Kaspersky Machine Learning for Anomaly Detection bietet darüber hinaus eine funktionsreiche visuelle Oberfläche für die detaillierte Analyse der Anomalien sowie Tools, mit denen das Produkt in vorhandene Systeme integriert werden kann, um Warnungen an die Dashboards der Nutzer zu senden.

Kaspersky Machine Learning for Anomaly Detection kann in der Infrastruktur der vorhandenen Anlage eingesetzt werden und erfordert keine Installation zusätzlicher Sensoren. Um Daten zu erhalten und die Anomalien zu melden, stellt Kaspersky Machine Learning for Anomaly Detection eine Verbindung zu industriellen Steuerungssystemen wie SCADA her. Alternativ kann die Lösung in Kaspersky Industrial CyberSecurity for Networks integriert werden. Das Produkt unterstützt nativ gängige Protokolle wie OPC UA, MQTT, AMQP sowie REST, wodurch es auf Systemen mit unterschiedlichen Geräten anwendbar ist.


  • Zugang im sicheren Fokus

    In der Produktionsumgebung geben trennende Schutzeinrichtungen dem Menschen das klare Signal, dass sich hinter der Schutztür ein hochsensibler Bereich befindet und daher…


  • Lernen beim Schweißen

    Die Grenzebach Gruppe und Weidmüller arbeiten auf dem Gebiet der Datenanalyse und Predictive Maintenance zusammen. Schwerpunkt der Forschung ist die Zustands- und…


  • Lohnt sich ein Retrofit?

    Ob es sich lohnt, ältere Maschinen mit neuen Sensoren auszustatten, ist oft nicht klar. Im Projekt ‚DiReProFit‘ wollen Forschende dieses Problem mit…


  • Datengetriebene Produktionen vereinfachen

    Wer Fertigungsdaten erhebt, bekommt es schnell mit riesigen Datenmengen zu tun.