Neue Optimierungspotenziale dank KI und physikalischer Modelle

Physikalische Modelle und Künstliche Intelligenz können im Zusammenspiel die Entwicklung komplexer Produkte und Prozesse vereinfachen und beschleunigen. Wir zeigen in diesem Blog weiter Einsatzmöglichkeiten der beiden Technologien auf.

Die Entwicklung von Produkten kann langwierig, zeitintensiv und kostenintensiv sein. Künstliche Intelligenz und Machine Learning können den Entwicklungsprozess beschleunigen. Mithilfe von Simulationen lassen sich schneller effiziente und optimale Lösungen prognostizieren. Dabei können die Technologien unterschiedliche Anwendungen finden. Physikalische Modelle können die KI speisen, die KI kann Daten für physikalische Modelle bereitstellt oder beide laufen sich ergänzend parallel – hybride Modelle.

In diesem zweiten Blogbeitrag zeigen wir Ihnen drei weitere Anwendungsszenarien für den Einsatz von Künstlicher Intelligenz und Machine Learning:

Die Schadenserkennung von Bauwerken erfolgt nach der Finite-Elemente-Methode (FEM). Dabei wird mithilfe einer Strukturanalyse die Spannungsverteilung beispielsweise innerhalb von Türmen- und Brückenkonstruktionen identifiziert. Die Überwachung kann dabei direkt an der Konstruktion vorgenommen werden oder mithilfe von Bildgebungsverfahren wie Drohnenkameras durchgeführt werden. Ergänzt werden beide Verfahren mit Künstlicher Intelligenz. Dadurch lassen sich leichter Risikograde von Schäden erkennen und notwendige Reparatur- oder Renovierungsmaßnahmen ableiten.

Im Bereich der Präsenzkontrolle in Innenräumen können durch den Einsatz von Sensoren CO₂-Profile unter Beibehaltung des Datenschutzes aufgenommen werden. Da Innenräume unterschiedliche Durchlüftungscharakteristiken aufweisen, müssen diese in der Ergebnisauswertung berücksichtigt werden. Eine KI-Analytik kann physikalische Modelle auf die spezifischen Bedingungen der jeweiligen Innenräume kalibrieren und damit aussagekräftige Ergebnisse erzielen.

KI-Modelle können auch beim Training von Roboterarmen unterstützen. Mithilfe von Reinforcement Learning werden Strategien des Greifens erlernt, sodass Roboterarme Objekte unterschiedlichster Formen in undefinierter Lage fassen können. Kostspielige echte Testläufe mit einem Roboterarm können durch Simulationen der Roboterbewegungen durch KI-Modelle ersetzt werden.

Die Kombination aus Künstlicher Intelligenz und physikalischen Modellen kann in vielen Anwendungsszenarien die Datenermittlung erleichtern und gleichzeitig neue Anwendungsgebiete generieren.

Haben wir Ihr Interesse geweckt?

Gerne beraten wir Sie zu diesem Thema und zeigen Ihnen auf, wie Sie Künstliche Intelligenz und physikalische Modelle in Ihrem Anwendungsbereich einsetzen können.

Entwicklungsbeschleunigung durch KI und physikalische Modelle

Die Entwicklung von Produkten und Prozessen kann kosten- und zeitintensiv sein. Künstliche Intelligenz und physikalische Modelle können zur vereinfachten und beschleunigten Entwicklung beitragen. In diesem Blog zeigen wir Ihnen zwei mögliche Einsatzszenarien.

Flugzeugflügel sollen dem Flugzeug nicht nur genügend Auftrieb und Stabilität liefern, sondern gleichzeitig so konzipiert sein, dass der Luftwiderstand so gering wie möglich ist. Die Entwicklung gleicht einem aerodynamischen Wunderwerk, das nur durch die Nutzung Unmengen an Daten glückt. Künstliche Intelligenz und physikalische Modelle können den Entwicklungsprozess schneller und effizienter gestalten. Mithilfe von Simulationen können damit die optimale Form von Flugzeugflügeln prognostiziert werden.

Wir zeigen Ihnen in diesem Blog, bei welchen zwei Szenarien die Verbindung von Künstlicher Intelligenz und physikalischer Modelle Anwendung findet und wie dadurch neue Optimierungspotenziale eröffnet werden:

Für die Produktionsplanung kann das Zusammenwirken von KI und physikalischen Modellen den entscheidenden Mehrwert für Unternehmen ausmachen. Die optimale Auslastung von Produktionsstraßen und deren Teilstrecken ist ein komplexer Prozess, der durch Künstliche Intelligenz vereinfacht werden kann. Die Produktionsplanung wird tageweise auf Grundlage von verschiedenen Situationen simuliert und aufgesetzt. So lässt sich auch eine hohe Variantenvielfalt wie beispielsweise bei einer Lackieranlage in der Automobilproduktion dank KI abdecken und entsprechend einplanen.

Im Bereich der Predictive Maintenance können mithilfe von Künstlicher Intelligenz und Machine Learning kritische Bauteile überwacht werden. Sensoren detektieren dabei kleinste Schäden an den Bauteilen und können diese frühzeitig rausfiltern. Dank KI und ML können verfälschende Umwelteinflüsse ausgeschlossen werden, wenn diese mit physikalischen Algorithmen gefüttert werden.

KI/ML-Modelle eröffnen ganz neue praktische Optionen zur Anwendung, die in ganz unterschiedlichen Prozessen Verwendung finden können.

Welche weiteren Anwendungsszenarien mit KI/ML- und physikalischen Modellen möglich sind, erläutern wir Ihnen im zweiten Teil unseres Beitrags „Neue Optimierungspotenziale dank KI und physikalischer Modelle“.

Data-Analytics-Lösungen zur Verbesserung der OEE-Kennzahl

Overall Equipment Effectiveness (OEE) ist die bedeutendste Kennzahl für Industrieunternehmen. Zur Optimierung der Gesamtanlageneffektivität greifen viele Unternehmen auf Data-Analytics-Lösungen zurück. In diesem Blog zeigen wir auf, wie eine Verbesserung der OEE-Kennzahl mit einem digitalen Retrofit möglich ist.

Die Effektivität zu optimieren, gehört für viele Unternehmen zu den höchsten Prioritäten. Aufschluss darüber, ob Maschinen und Anlagen effektiv laufen, gibt die Overall Equipment Effectiveness (OEE). Zusammengesetzt aus den Grössen Verfügbarkeit, Qualität und Ausstoss bestimmt das die Gesamteffektivität von Anlagen und Maschinen.

Mithilfe von Data-Analytics-Lösungen können die generierten Daten aus Maschinen und Anlagen erfasst und durch Machine-Learning-Algorithmen ausgewertet werden. Damit erhalten Unternehmen einen Überblick über den Status der Anlagen und Maschinen und können mögliche Störungen oder anfallende Wartungsarbeiten prognostizieren.

Im zweiten Teil lernen Sie weitere Data-Analytics-Lösungen kennen, die zur Verbesserung der OEE-Kennzahl beitragen. Dank eines digitale Retrofits von Maschinen und Anlagen können diese Lösungen auch bei Altsystemen Anwendung finden:

Predictive-Quality-Anwendungen prognostizieren anhand der erfassten Daten Störungen an Maschinen und Anlagen, die sich negativ auf die Produktqualität auswirken könnten. Durch zeitnahes Eingreifen und die Veränderung der Prozessparameter oder Maschineneinstellungen können Industrieunternehmen die Entstehung von Ausschuss vermeiden und Zusatzkosten verringern.

Predictive-Performance-Anwendungen greifen auf die erkannten Anomalien von Predictive Maintenance und Predictive Quality zurück. Mit den Daten werden die Machine-Learning-Algorithmen fortlaufend optimiert und trainiert. Damit wird eine kontinuierliche Verbesserung der Performance ermöglicht.

Altsysteme stellen bei der Realisierung und Umsetzung solcher Data-Analytics-Lösungen eine besondere Herausforderung dar. Mithilfe von einem digitalen Retrofit lassen sich die teilweise 20 oder sogar 30 Jahre alten Maschinen mit Sensoren und Datenschnittstellen aufrüsten. Neben konventioneller Vibrations-, Temperatur- und Strom-Mess-Technik können auch optische und akustische Sensoren verbaut werden. Industrieunternehmen können dabei auf bewährte technische Frameworks zurückgreifen, um Data-Analytics-Lösungen, wie Predictive Maintenance, Predictive Quality und Predictive Perfomance zu implementieren und so die Overall Equipment Effectiveness zu verbessern.

Wir haben Ihr Interesse geweckt?

Gerne beraten wir Sie und zeigen Ihnen verschiedene Möglichkeiten auf, wie Sie Ihre Overall Equipment Effectiveness mit einem Retrofit Ihrer Maschinen verbessern können.

Digitaler Retrofit und Overall Equipment Effectiveness

Um die Gesamtanlageneffektivität zu optimieren, greifen viele Unternehmen auf Data-Analytics-Lösungen zurück. Dafür benötigen sie nicht unbedingt moderne Maschinen mit eingebauter Sensorik. Wir zeigen Ihnen in diesem Blog, wie ein digitaler Retrofit Ihrer Maschinen zur Optimierung der Overall Equipment Effectiveness beitragen kann.

Industrieunternehmen setzen viel auf die Overall Equipment Effectiveness (OEE). Anhand der Grössen Verfügbarkeit, Qualität und Ausstoss misst die wohl bedeutendste Kennzahl die Gesamteffektivität von Anlagen und Maschinen. Gleichzeitig können dadurch auch Rückschlüsse auf die Leistungsfähigkeit der Produktionsprozesse gezogen werden. Diese Kennzahl zu optimieren ist somit unweigerlich eines der Hauptziele von Unternehmen.

Data-Analytics-Lösungen bieten dafür hervorragende Möglichkeiten. Die Daten von Maschinen und Anlagen können damit erfasst und mit Machine-Learning-Algorithmen ausgewertet werden. So lassen sich Vorhersagen treffen, die nicht nur ein rechtzeitiges Eingreifen bei Störungen ermöglichen, sondern gleichzeitig zur kontinuierlichen Verbesserung der OEE beitragen.

In diesem Blog fokussieren wir uns zunächst auf Predictive-Maintenance-Anwendungen. Wir zeigen Ihnen, wie mithilfe davon alle OEE-Kennzahlen abgedeckt werden können:

Predictive-Maintenance-Anwendungen können aus Daten, die aus Maschinen und Anlagen generiert wurden, den Verschleiss von Maschinen- und Anlagenteilen prognostizieren. Damit können Unternehmen die Abnutzung von Teilen bereits vor den geplanten Wartungsarbeiten detektieren und rechtzeitig Instandhaltungsmassnahmen ergreifen. So lassen sich ungeplante Stillstände von Maschinen und ganzen Produktionsstrassen verhindern und mögliche Strafzahlungen durch ausbleibende Waren vermeiden.

Eine Herausforderung bei der Realisierung dieser Anwendungen sind Altsysteme. Diese verfügen im Vergleich zu modernen Maschinen und Anlagen nicht über die notwendige Sensorik. Mit einem digitalen Retrofit lassen sich diese Produktionsanlagen mit Sensoren und den entsprechenden Schnittstellen zur Datenerfassung nachrüsten.

Welche weiteren Data-Analytics-Lösungen zur Optimierung der OEE-Kennzahl beitragen können und mit welcher Sensorik Altsysteme ausgestattet werden können, lesen Sie demnächst im zweiten Teil unseres Beitrags „Data-Analytics-Lösungen zur Verbesserung der OEE-Kennzahl“.

Predictive Quality: Edge- oder Cloud-Lösung?

Predictive-Quality-Anwendungen nehmen einen immer grösser werdenden Stellenwert in der Produktion ein. Die Cloud bietet eine Vielzahl an neuen Möglichkeiten, doch wenn es um die Schnelligkeit geht, ist es sinnvoll, auf Edge Computing zu setzen. Wir zeigen Ihnen in diesem Blog, wie Sie Edge-Systeme trotz ihrer geringeren Rechenleistung einsetzen können.

Mit Predictive-Quality-Anwendungen können Unternehmen die Qualität ihrer Produkte und die Prozessabläufe kontinuierlich optimieren. Damit lassen sich zudem Qualitätsprobleme erkennen. Voraussetzung hierfür ist ein Machine-Learning-Verfahren das Probleme wie Stau an einer Maschine oder eine Überhitzung eines Motors schnell prognostizieren kann. Die hierfür benötigten analytischen Berechnungen der Algorithmen können sowohl über Edge-Computing wie auch über eine Cloud-Plattform ausgeführt werden. Im ersten Teil „Predictive Quality und Edge Computing“ haben wir Ihnen bereits Gründe aufgezeigt, warum ein Rückgriff auf eine Cloud-Plattform bei zeitkritischen Anwendungsfällen nicht ratsam ist.

In diesem Teil erläutern wir Ihnen, wie Sie trotz geringerer Rechenleistung Edge-Systeme einsetzen können, indem Sie Machine-Learning-Modelle optimieren:

• Pruning: Mit dem Vereinfachen, Kürzen und Optimieren der Entscheidungsbäume lässt sich die Komplexität der Eingangsparameter senken, die damit weniger Rechenleistung benötigen.
• Frameworks: Die Bandbreite an Frameworks ist groß und bieten unterschiedliche Vor- und Nachteile. Mit einem Framework wie beispielsweise Learn2Compress von Google können die Layer von Deep-Learning-Modellen in ihrer Breite und Tiefe reduziert werden und damit weitere Rechenleistungen eingespart werden.
• Programmiersprache: Machine-Learning-Modelle werden üblicherweise in der Programmiersprache Python geschrieben. Diese bedarf jedoch einer hohen Prozessor- und Rechenleistung. Compiler können verwendet werden, um Python in eine Sprache zu übersetzen, die weniger Prozessorleistung benötigt wie beispielsweise C#.

Mit diesen Tipps können Machine-Learning-Modelle optimiert und Edge-Systeme eingesetzt werden. Die Effizienz der Cloud kann durch eine Edge-Lösung jedoch nicht ermöglicht werden. Ein großer Nachteil, denn durch den Lastenausgleich benötigt die Cloud oft weniger Rechenkapazität und ist damit kostengünstiger als die Edge-Lösung.

Ob Sie sich für eine Cloud- oder Edge-Lösung entscheiden, sollten Sie von jedem konkreten Einzelfall abhängig machen. Eine Kombination der beiden Lösungen ist ebenfalls denkbar und möglich. So können beispielsweise die Daten an der Edge aufbereitet und vorgefiltert werden und die Weiterverarbeitung in die Cloud gelagert werden.

Haben Sie Fragen zu den verschiedenen Möglichkeiten? Kontaktieren Sie uns gerne.

Predictive Quality und Edge Computing

Die Cloud ist in aller Munde, doch insbesondere wenn es schnell gehen muss, ist es gut bei Predictive-Quality-Anwendungen auf Edge Computing zu setzen. Wir zeigen Ihnen in diesem Blog, welche Vorteile Edge Computing gegenüber der Cloud hat.

Predictive-Quality-Anwendungen geben Industrieunternehmen die Möglichkeit zur Optimierung, sei es bei der Qualität der Produkte oder bei den Prozessabläufen. Gleichzeitig können dadurch auch Qualitätsprobleme erkannt werden, die sich kurzfristig anbahnen. Damit kann beispielsweise eine drohende Verstopfung eines Ventils einer Anlage oder ein plötzlich auftretendes ungewöhnliches Verhalten eines Elektromotors einer Maschine detektiert werden. Das sofortige Eingreifen, etwa durch das Verändern der Prozessparameter oder der Maschineneinstellungen kann somit oftmals große Schäden verhindern, vorausgesetzt das eingesetzte Machine Learning-Verfahren kann diese Probleme schnellstmöglich prognostizieren.

Wir zeigen Ihnen, warum sich bei zeitkritischen Anwendungsfällen die Auslagerung der analytischen Berechnungen der Algorithmen auf eine Cloud-Plattform nachteilig auswirken kann:

• Datenversand an die Cloud-Plattform: Die von den Maschinen und Anlagen erfassten Sensormessdaten und Prozessparameter müssen für die Berechnungen an die Cloud-Plattform übermittelt werden. Hierdurch entstehen Zeitverzögerungen. Im Extremfall kann diese Verlangsamung zu groß sein und dazu führen, dass nicht mehr rechtzeitig reagiert und eingegriffen werden kann.
• Datenaustausch mit der Cloud-Plattform: Im Gegensatz zum Edge Computing benötigt der Austausch mit einer Cloud eine stabile Internetverbindung. Unternehmen können das teils nur schwer sicherstellen, da sich insbesondere Produktions- und Fertigungshallen häufig an entlegenen Orten befinden. Damit sind Unternehmen ständig dem Risiko eines Verbindungsausfalls ausgesetzt, der wiederum ein rechtzeitiges Eingreifen hemmt.

Mit der analytischen Berechnung direkt an den Maschinen und Anlagen können Unternehmen diese Probleme vermeiden. Die technischen Möglichkeiten für eine Edge-Lösung sind zunehmend vorhanden, denn es gibt immer mehr Sensoren mit eigenen Recheneinheiten. Auch immer mehr Industriecomputer sind heute mit hochleistungsfähigen Prozessorkarten ausgestattet.

Die Wahl zwischen einer Edge- oder Cloud-Lösung muss individuell getroffen werden, eine generelle Empfehlung gibt es nicht. Unternehmen sollten bei der Entscheidung wichtige Faktoren wie Antwortzeit, Netzwerkverfügbarkeit und Kosten berücksichtigen und gegeneinander abwägen. Gerne unterstützen wir Sie hierbei.

Wie Edge-Lösungen trotz ihrer geringeren Rechenleistung eingesetzt werden können und welchen großen Nachteil weiterhin im Vergleich zur Cloud besteht, lesen Sie in unserem zweiten Beitrag „Predictive Quality: Edge- oder Cloud-Lösung“.

LeanBI in den Medien zum Thema:

Computer Vision in Industrieunternehmen

Die Qualität von Computer-Vision-Systemen hängt stark von der verwendeten Aufnahmetechnik ab. Jeder Industriebetrieb hat dabei seine eigenen Anforderungen und Bedingungen zu berücksichtigen.

Mit userer Checkliste finden Sie die passende Lösung.

www.m-q.ch: Computer Vision in Industrieunternehmen

Digitaler Retrofit für Altsysteme – Wegbereiter für die Industrie 4.0

Maschinen- und Anlagenparks sind für viele Unternehmen unverzichtbar, jedoch sind viele davon nicht mehr State of the Art. Diese sogenannten Altsysteme haben ein Manko, ihnen fehlt die Konnektivität, um sie in digitale Workflows zu integrieren. In unserem Blog zeigen wir Ihnen die positiven Effekte von einem digitale Retrofit an drei weiteren Anwendungsszenarien.

Mit der fortschreitenden Digitalisierung stehen viele Unternehmen im industriellen Umfeld vor einer grossen Herausforderung: Wie können Altsysteme integriert werden? Ihnen fehlen dafür zwei wesentliche Faktoren: die Datenschnittstelle und die Sensorik zur Erfassung der Daten. Eine Aufrüstung der Altsysteme mit der notwendigen Sensor- und Steuerungstechnik ermöglicht ein digitaler Retrofit. Damit lassen sich nicht nur die Performance steigern, sondern auch das Qualitätsrate verbessern.

Die Anwendungsszenarien für einen digitalen Retrofit sind breit gefächert. Einen ersten Einblick haben wir Ihnen bereits in unserem Blog «Integration von Altsystemen durch Digitalen Retrofit» gegeben. An drei weiteren Beispielen zeigen wir Ihnen den praktischen Einsatz des Retrofits und seine positiven Effekte auf:

1. Metallproduktion: Qualitätsschwankungen bei der Herstellung von Metallprodukten wie Röhren, Komponenten oder Karosserieteilen frühzeitig zu erkennen ist entscheidend. Dank eines digitalen Retrofits mit dem Altsysteme mit der entsprechenden Sensorik ausgestattet werden, können Schwankungen in der Produktion minimiert werden. Die Produktionskontrolle kann reaktiv gestaltet werden, umso mehr Online-Sensorik eingesetzt wird. Hierdurch kann zusätzlich eine durchgängige Nachverfolgbarkeit über den gesamten Produktionsprozess gegeben werden. Die Kombination von dezentraler Datenaufnahme und zentraler Datenanalyse kann zudem zur Ausschussreduktion und kostengünstigerer Produktion beitragen.
2. Oberflächenbearbeitung: Durch die Kombination des digitalen Retrofits mit Predictive Maintenance können Verschleisszeiten bei Bearbeitungswerkzeugen besser prognostiziert werden. Der Einsatz von zusätzlicher Sensorik gepaart mit der Analytik optimiert die Abläufe gleich mehrfach: zum einen können hochbeanspruchte Komponenten bei der Oberflächenbehandlung länger eingesetzt werden, zum anderen reduziert dies den Materialverbrauch und die Downtime-Zeiten. Damit lässt sich die Produktivität erhöhen.
3. Elektronikproduktion: Mit der Aufrüstung von Altsystemen durch einen digitalen Retrofit können hochkomplexe, KI-unterstütze Prüfmethoden für die frühzeitige Erkennung von Komponentenausfällen im Produktionsprozess eingesetzt werden. Damit wird nicht nur die Produktivitätsrate gesteigert, sie helfen gleichzeitig dabei neu auftretende Anomalien zu verstehen und beheben zu lernen.

Die nachhaltige Modernisierungs-Technologie Retrofit ist ein wichtiger Wegbereiter für die Industrie 4.0. Ohne sie wären wertvolle und teilweise unverzichtbare Altsysteme und Produktionsstätten verloren, was mit einem immensen Wertverlust einhergehen würde.

Haben wir Ihr Interesse geweckt? Dann kontaktieren Sie uns und wir beantworten gerne Ihre Fragen.

Integration von Altsystemen durch Digitalen Retrofit

Maschinen- und Anlagenparks ohne Altlasten digitalisieren zu können? Welches Unternehmen erhofft sich das nicht? Doch oftmals geht es nicht um einen kompletten Neuanfang, sondern um die Umrüstung und Integration von verschiedensten Legacy-Systemen in digitale Workflows. Wir zeigen Ihnen in diesem Blog anhand von drei exemplarische Anwendungsszenarien die positiven Effekte eines digitalen Retrofit.

Die Digitalisierung ist in vollem Gange – eine der grössten Stolperfallen im industriellen Umfeld ist die Integration von Altsystemen. Zwei entscheidende Voraussetzungen fehlen diesen dabei: Ohne die ist eine Optimierung von Planung und Umrüstzeiten, Steigerung von Performance und Verfügbarkeit, Verbesserung der Qualitätsrate sowie die Umsetzung von Predictive Maintenance nicht möglich. Zum einen fehlt die Sensorik zur Erfassung von Daten, zum anderen die Datenschnittstelle zu deren Weiterleitung. Mit einem digitalen Retrofit können Altsysteme mit der dafür notwendigen Sensor- und Steuerungstechnik bestückt werden.

Wir zeigen Ihnen im ersten Teil drei Szenarien für den praktischen Einsatz und die potenziellen positiven Effekte eines digitalen Retrofits:

1. Intralogistik: Mit dem boomenden Online-Handel ist auch das Versandvolumen rasant angestiegen, damit einhergehend die hohe Auslastung der Logistikanlagen, die auch aufgrund ihrer (teil-)analogen Strukturen nicht mit diesem Wachstum mithalten können. Der Bau oder der Erwerb von zusätzlichen Gebäuden oder Anlagen kann im Gegensatz zu einem Retrofit der bestehenden Anlagen nicht so in der gleichen Zeit umgesetzt werden. Damit ist ein digitaler Retrofit nicht nur der schnellere, sondern auch der kostengünstigere und ressourcenschonendere Weg; denn als i-Tüpfelchen wird auch noch die Lebensdauer der Anlagen erhöht.
2. Montagelinien: Viele Produktanbieter wie Automobilzulieferer oder Fahrradhersteller sehen sich vor grosse Herausforderungen gestellt: Wie können Lieferzeiten durch die hohe Nachfrage eingehalten werden und gleichzeitig die wachsende Variantenvielfalt abgedeckt werden? Ein Ausfall in der Produktionskette führt dazu, dass komplette Anlagen stillstehen, Liefertermine nicht eingehalten werden und damit hohe Strafen drohen. Durch Predictive Maintenance können frühzeitig mögliche Ausfälle erkannt werden. Dank des Retrofits, der dies bei Altsystemen erst möglich macht, kann die Liefertreue sichergestellt, die Produktionsleistung erhöht und die Zufriedenheit der Kunden gesteigert werden.
3. Verpackungsindustrie: Dass viele Maschinen hintereinandergeschaltet sind, zeichnet die Verpackungsindustrie aus, birgt aber auch das Risiko, dass bei einem Ausfall eine komplette Linie steht. Auch hier können mit Hilfe des Retrofits und Predictive Maintenance ungeplante Störungen und geplante Wartungsarbeiten reduziert werden. So können Altsysteme mittels Sensorik die Verpackungsqualität unterschiedlicher Produkte automatisiert überprüfen und damit die Ausschlussrate reduzieren.

Mit einem digitalen Retrofit können nicht nur die wichtigen Voraussetzungen für die Integration von Legacy-Systeme in digitale Workflows geschaffen werden, sondern auch der Weg für Industrie 4.0 bereitet werden, dabei unterstützen wir Sie gerne.

Möchten Sie mehr zur Integration von Altsystemen durch einen digitalen Retrofit wissen? In unserem zweiten Blogbeitrag «Digitaler Retrofit für Altsysteme – Wegbereiter für die Industrie 4.0» haben wir weitere Anwendungsbeispiele skizziert.