Effiziente Instandhaltung ist ein wesentlicher Aspekt einer ressourcenschonenden Industrie. Jede Sekunde, die eine Maschine arbeitet statt gewartet oder instandgesetzt zu werden, vermeidet Verschwendungen und generiert Mehrwerte. Deshalb müssen Instandhaltungsereignisse antizipiert, bewertet und mit Behandlungs-Algorithmen versehen werden.
Im Maschinenbau sind die Potenziale, die sich durch KI ergeben, riesig. Und dennoch nutzen bisher nur sehr wenige Maschinenbauer künstliche Intelligenz, um ihre Produkte zu verbessern. Das liegt zum einen an der bisher sehr zeitaufwändigen Umsetzung der KI-Trainings und zum anderen an dem Mangel an Daten. Um KI alltagstauglich für den Einsatz in der Industrie zu machen, setzt Machineering nun seine Simulationssoftware iPhysics als Traingsbasis ein.
In der Automatisierung suchen die Entwickler kontinuierlich nach nahtlosen Integrationslösungen, um ihre Arbeitsabläufe zu optimieren. Deshalb etablieren sich modellbasierte und objektorientierte Programmierung zunehmend in einer bislang eher konservativen Industrie. Eine der treibenden Kräfte ist die PLCnext Technology – die Automatisierungs- und Softwareexperten miteinander verbindet.
Hinter dem Konzept Industrie 4.0 stehen leistungsstarke Technologien die die Geschäftsmodelle vieler Fertigungsunternehmen verändern. Mit Robotern, FTS, autonomen Zellen, IoT-Sensoren und KI-Analysen lassen sich Arbeitskräfte und Betriebsmittel besser nutzen. Industrie 4.0 hilft auch bei der kontinuierlichen Verbesserung und Kostenkontrolle, indem versteckte Kapazitäten aufgedeckt und Prozesse optimiert werden. Doch wie lässt sich eigentlich nachweisen, dass ein Projekt die anvisierte Kapitalrendite (ROI) liefern wird?
Die 2019 gegründete Open Industry 4.0 Alliance zählt inzwischen über 100 Mitgliedsunternehmen. SPS-MAGAZIN hat bei Dr. Christian Liedtke, Vorstandsvorsitzender bei der Open Industry 4.0 Alliance und Head of Strategic
Alliances bei Kuka nachgefragt, welche Herausforderungen es aktuell bei der praktischen Umsetzung von
Industrie-4.0-Initiativen gibt und wie diese gelingen können.
Bei IoT-Lösungen ist anfänglich nicht leicht greifbar welche Teilaspekte berücksichtigt werden müssen. Auch das Business-Modell ist oftmals noch nicht ganz klar. In solchen Fällen nähert man sich über ein Proof of
Concept (PoC) an, um technische Herausforderungen zu testen, den Kunden zu begeistern und das eigene Geschäftsmodell zu evaluieren. TQ verspricht mit seinen Cloud-Starter-Kits Hilfe.
Die Datenmengen produzierender Unternehmen nehmen exponentiell zu. Mittlerweile werden auch komplexe Daten über Fabrikhallen und Lieferketten gesammelt. Zudem liefern IoT-Geräte Unmengen an Daten, die, wenn sie genutzt werden, zu bedeutenden Erkenntnissen führen können. Aus diesem Grund hat Snowflake die branchenspezifische Manufacturing Data Cloud entwickelt.
