Ohne Fleiß kein Preis – Der Weg in die Cloud

Software-Einführung mit ImplAix Das Aachener Implementierungsmodell für Business Software ImplAix. Bei der Entwicklung bzw. Weiterentwicklung der Methodik wurde besonderer Wert auf die Integration der Evaluations- und Einführungsphase gelegt und zwar sowohl auf der methodischen Ebene als auch in Bezug auf die Durchgängigkeit der genutzten Werkzeuge und Vorlagen. ImplAix ist unabhängig von der Software-Domäne, dem Betreiberkonzept und dem einzuführenden Software-Produkt. Die Methodik eignet sich für die Auswahl und Einführung von ECM/DMS-Software ebenso wie für andere Business Software-Lösungen wie ERP, CRM, MES und andere.

Abstract

Warum TSN als Hebel für die Feldebene gilt

Manager Technical Industrial Engineer working and control robotics with monitoring system software and icon industry network connection on tablet. AI, Artificial Intelligence, Automation robot arm

Mit den Anforderungen der Fertigungsindustrie haben sich im Laufe der Jahre auch die Netzwerkinfrastrukturen für die industrielle Kommunikation weiterentwickelt. Industrie 4.0 hat inzwischen Gestalt angenommen, und Unternehmen stehen vor der Frage, was industrielle Netzwerke leisten müssen, um die Fertigung für die Zukunft fit zu machen.

Schritt für Schritt zum 5G-Campus-Netz

Cell tower with monitoring and control devices and antennas, transmitters and repeaters for mobile communications and the Internet.

Das 5G-Campus-Netz ist im industriellen Umfeld einer der wichtigen Treiber für die digitale Transformation hin zur vollvernetzten Industrie 4.0. Erstmals erlaubt es die Bundesnetzagentur nun auch Unternehmen, die nicht aus der Telekommunikationsbranche stammen, eigene Frequenzen zu erwerben. Industrieunternehmen können jetzt eigene Netze basierend auf der 5G-Technologie errichten und betreiben. Doch was genau gilt es beim Aufbau dieser Campus-Netze zu beachten? Welche verschiedenen Szenarien bieten sich an? Antworten auf diese Fragen liefert der folgende Artikel.

Edge-Hardware für jede Phase des KI-Projekts

Drei Phasen beim Aufbau einer KI/IoT-Anwendung

IIoT-Anwendungen erzeugen mehr Daten als je zuvor. Bei vielen industriellen Anwendungen, insbesondere bei hochgradig verteilten Systemen in abgelegenen Regionen, ist es unter Umständen nicht möglich, ständig große Mengen von Rohdaten an einen zentralen Server zu senden. Um Latenzzeiten zu verkürzen, die Kosten für die Datenkommunikation und -speicherung zu senken und die Netzwerkverfügbarkeit zu erhöhen, gehen die Unternehmen dazu über, für die Entscheidungsfindung und die Durchführung von Aktionen vor Ort in Echtzeit künstliche Intelligenz (KI) und maschinelles Lernen einzusetzen. Diese hochmodernen Anwendungen, bei denen KI-Fähigkeiten in IoT-Infrastrukturen eingesetzt werden, werden als „AIoT“-Anwendungen (Artificial Intelligence of Things) bezeichnet. Zwar müssen KI-Modelle nach wie vor in der Cloud trainiert werden, aber das Erfassen von Daten und das Ableiten von Rückschlüssen (Inferencing) kann vor Ort erfolgen, indem trainierte KI-Modelle auf Edge-Computern eingesetzt werden. In diesem Whitepaper wird beschrieben, wie Sie den richtigen Edge-Computer für Ihre industrielle AIoT-Anwendung auswählen, und es werden mehrere Fallstudien vorgestellt, die Ihnen den Einstieg erleichtern sollen.

Bindeglied für konvergierte IT- und OT-Systeme

Bei der Realisierung intelligenter Produktionsanlagen kommt der Schließung der Lücke zwischen Informationstechnologie (IT) und operativer Technologie (OT) eine entscheidende Rolle zu. Wenn IT und OT konvergieren, können mittels IoT-Geräten gesammelte Daten effizient analysiert und rasch in wertvolle Informationen verwandelt werden. Edge Computing findet genau im Raum zwischen IT und OT statt und kann daher die Konvergenz dieser zumindest oberflächlich betrachtet grundverschiedenen Welten vereinfachen. In diesem Beitrag, Neil Ballinger, Verkaufsleiter für die EMEA-Region bei EU Automation, erklärt wie.

IIoT-Lösung mit Analytic-Bots

Predictive Maintenance ohne Programmierung, das möchte Empolis den Anwendern seiner Plattform ermöglichen.

Immer mehr Unternehmen bestätigen, dass die Erfassung und Auswertung von Maschinendaten die Kerndisziplinen sein werden, um ihren Service, die Kundenzufriedenheit und das Umsatzwachstum zu optimieren und zu steigern. Aber gerade für KMUs sind die Hürden zum Industrial Internet of Things (IIoT) hoch. Die Hauptgründe: zu hohe Kosten für lange Projekte mit ungewissem Ergebnis, zu wenig internes Know-how über die Analyse von Daten und künstlicher Intelligenz sowie zu hohe Investitions- und Betriebskosten für eine geeignete IT-Infrastruktur. Eine schlüsselfertige IIoT-Komplettlösung aus einer sicheren Cloud bietet neue Möglichkeiten, digitale Mehrwertdienste für sich zu nutzen.

Lieferungen landen nach Plan

Mit der neuen Machine-Learning-Komponente der Produktionsplanungssoftware FELIOS von INFORM optimiert Luftfahrt-Systemlieferant Liebherr Aerospace die Produktionsplanung. Dank 19-mal genauerer Prognosen der Wiederbeschaffungszeiten von Bauteilen sinken Lieferverzögerungen und unnötige Bestände.

Latenz für schnelles Handeln

Fabriken werden zunehmend vernetzt und digital. Die Smart Factory entsteht. Und mit ihr ein hohes Wertschöpfungs- und Optimierungspotenzial. Zwei Konzepte spielen in diesem Zusammenhang für produzierende Unternehmen eine wichtige Rolle: Der „Digital Twin“ und die „Augmented Virtual Factory“. Der Digitale Zwilling ermöglicht die virtuelle Darstellung eines physikalischen Objektes oder Systems. So können beispielsweise Prozesse simuliert, vorhergesagt und optimiert werden. Die Augmen­ted Virtual Factory leistet unter anderem Unterstützung bei der Ursachenanalyse von Anlagenproblemen durch die Verknüpfung von Daten aus der „Echtzeitüberwachung“ mit historischen Daten. Aber welche Rolle genau spielen Echtzeitdaten bei diesen Anwendungen? Und wie lassen sich die beiden Konzepte technisch umsetzen?