YUNA-Modul:
Condition Monitoring &
Predictive Maintenance
„Mit YUNA ermöglicht es eoda uns Probleme zu beheben, bevor sie tatsächlich auftreten.
Dank der Datenauswertung in Echtzeit reduzieren wir Ausfallzeiten, optimieren Prozesse
und erhöhen gleichzeitig die Verfügbarkeit der Maschinen.“
– Marco Holzer |
Leiter Produktmanagement & Logistik Services | TRUMPF
Mit der Verbindung aus KI und Fachwissen ermöglicht es YUNA den Schritt von Condition Monitoring und kontinuierlicher Überwachung zu echter Predictive Maintenance. Durch modernste Algorithmen analysiert YUNA nicht nur Sensordaten, sondern das gesamte Spektrum Ihres Maschinen-Kosmos – von Zuständen, über Systemmeldungen und Produktionsdaten hin zu Informationen zu einzelnen Bauteilen.
Auf dieser Basis lassen sich Maschinenausfälle und -störungen frühzeitig erkennen, vorhersagen und verhindern.
Ausfälle verhindern
YUNA identifiziert Faktoren, die zu Ausfällen führen können und alarmiert frühzeitig, sodass Ausfälle und Stillstände minimiert werden.
Kostenreduzierung
Vermeiden Sie unnötige Kosten durch plötzliche Ausfälle. Reduzieren Sie durch proaktive Instandhaltung die Kosten von Wartungseinsätzen.
Optimieren
Erhöhen Sie die Maschinenverfügbarkeit und sichern Sie somit auch in kritischen Momenten nicht nur Ihre Fertigung sondern ebenfalls die Qualität dieser ab.
Startpunkt der Digitalisierung
Als zentrale Plattform ermöglicht YUNA die Entwicklung und den Betrieb weitreichender digitaler Services in Unternehmen. Wartungsarm und mit modernsten Möglichkeiten.
YUNA – Entdecken Sie die Möglichkeiten
- Anomalieerkennung zur Vorhersage von Maschinenausfällen
- Zentrale Datenbasis für alle Beteiligten generiert schnelle Insights
- Intuitive Bedienung und Stärkung der Zusammenarbeit verschiedener Teams
- Umfangreiche Integrations- und Automatisierungsmöglichkeiten
- Generierung von Daten-(Sub)Sets für die Entwicklung neuer Modelle durch die User
- Integrierter Workflow zur Konzeption, Verwaltung und Produktivsetzung neuer Analysen
- Intelligentes Rechte- und Rollenmanagament
YUNA kurz erklärt
Auf Basis historischer Maschinen-, Sensor- und Systemdaten werden KI-Modelle in YUNA zur Erstellung eines generalistischen Profils der Maschinen trainiert. Anschließend lassen sich mittels Anomaliererkennnung verschiedene Faktoren identifizieren, die auf einen Maschinenausfall hindeuten. YUNA ermittelt nicht nur diese Anomalien, sondern es lassen sich auch die Modelle selbst im produktiven Einsatz durch YUNA weiter optimieren, sodass diese immer präziser werden. Selbst bei plötzlichen oder völlig neuen Sachlagen, ist somit ein zuverlässiger Betrieb möglich.
Schnelle Umsetzung
Von der initialen Planung bis zum verlässlichen Einsatz als Condition Monitoring- bzw. Predictive Maintenance-System begleiten wir und YUNA Sie in allen Schritten.
Assessment und Modellentwicklung
Gemeinsam überblicken wir die vorliegende Datenbasis, entdecken Potenziale und unterstützen bei einer möglichen Aufbereitung. Hier sammeln wir die relevanten Informationen und trainieren daraufhin die Machine-Learning-Modelle.
Testlauf und Inbetriebnahme
Gemeinsam identifizieren wir verschiedene Faktoren und Grenzwerte, zur Klassifizierung von bedenklichen Maschinenzuständen und möglicher Ursachen. Durch den Full-Managed-Workflow in YUNA lassen sich verschiedene Testläufe parallelisieren und nach finaler Prüfung direkt in das Produktivsystem überführen.
Automatisierung und Optimierung
YUNA bietet verschiedene Möglichkeiten zahlreiche Aktionen zu automatisieren. Versenden Sie Reports, lassen sie YUNA beim Auftreten von Anomalien direkt Wartungen beauftragen oder geben Sie Ihren MitarbeiterInnen die Möglichkeit neue Analysen zu konzipieren bzw. bestehende zu optimieren.
Assessment und Modellentwicklung
Gemeinsam überblicken wir die vorliegende Datenbasis, entdecken Potenziale und unterstützen bei einer möglichen Aufbereitung. Hier sammeln wir die relevanten Informationen und trainieren daraufhin die Machine-Learning-Modelle.
Testlauf und Inbetriebnahme
Gemeinsam identifizieren wir verschiedene Faktoren und Grenzwerte, zur Klassifizierung von unbedenklichen Maschinenzuständen und möglicher Ursachen. Durch den Full-Managed-Workflow in YUNA lassen sich verschiedene Testläufe parallelisieren und nach finaler Prüfung direkt in das Produktivsystem überführen
Automatisierung und Optimierung
YUNA bietet verschiedene Möglichkeiten zahlreiche Aktionen zu automatisieren. Versenden Sie Reports, lassen sie YUNA beim Auftreten von Anomalien direkt Wartungen beauftragen oder geben Sie Ihren MitarbeiterInnen die Möglichkeit neue Analysen zu konzipieren bzw. bestehende zu optimieren.
Deployment
YUNA bietet zwei Optionen: On Premise und in der Cloud.
On premise
Erweitern Sie problemlos Ihren Techstack, indem Sie YUNA mit bereits im Einsatz befindlichen Anwendungen und Strukturen nutzen.
- Perfekt integriert in Ihre Infrastruktur
- Direkt einsetzbar
- Einsatz auch als zusätzliche Authentifizierungsebene
- Kein Verwaltungsaufwand
- Unbegrenzter Leistungsumfang
- Schnelles Verbinden von Datentöpfen
Cloud
Der einfachste Weg für den schnellen Einsatz von YUNA. Nutzen Sie bereits bestehende Cloud-Strukturen und profitieren Sie von der Flexibilität, die diese bieten.
- Komplette Kontrolle über Instanzen
- Direkt einsetzbar
- Geringe Latenz
- Kein Verwaltungsaufwand
- Unbegrenzter Leistungsumfang
- Hohe Verfügbarkeit
Anwendungsfälle für Condition Monitoring entdecken!
Case Study:
Predictive Maintenance – TRUMPF Lasertechnik
Mit YUNA haben wir bei TRUMPF Lasertechnik ein Condition Monitoring Portal aufgesetzt, welches Maschinenausfälle vorhersagt und als Basis für weitere Funktionen im Bereich Predictive Maintenance dient sowie ein neues Service-Modell ermöglicht hat.
Case Study:
Mit Digitalem Zwilling und KI zu smarten Dienstleistungen in der Solarenergie
Der digitale Zwilling als Abbild von Photovoltaik-Systemen und Ausgangspunkt für komplexe Datenanalysen sowie Startpunkt weiterer Anwendungsfälle.
Erfahren Sie mehr.
Case Study:
Smarter Rundschalttisch mit Condition Monitoring und Predictive Analytics für WEISS
Mit YUNA und dem Einsatz von cluster- /dichtebasierten Verfahren zur Identifikation von iO- und niO-Zuständen haben wir WEISS geholfen, die Zuverlässigkeit der Drehtische für Kunden weiter zu steigern.
Case Study:
Mit Predictive Maintenance zu neuen Kundenservices: Schenck Process Europe GmbH
Mit Algorithmen Zustandsänderungen an den Maschinen erkennen: Herleitung eines für NutzerInnen nachvollziehbaren „Health Indicators“ auf Basis von Sensordaten.