DXQequipment.analytics

DXQequipment.analytics ermöglicht detaillierte Einblicke in verschiedene Prozessschritte und am Prozess beteiligte Anlagen entlang der gesamten Wertschöpfungskette. Mit dem Softwarepaket sollen alle Faktoren der Gesamtanlageneffektivität (Leistung des Systems, Qualität der Produktion, Verfügbarkeit der Anlage) verbessert werden. In einem ersten Schritt unterstützt DXQequipment.analytics durch eine Fehler-Ursachen-Analyse dabei, Fehler schneller zu beheben, indem kritische Situationen, erkannte Muster und überschrittene Schwellenwerte visualisiert werden. Anschließend erfolgt eine automatisierte Auswertung durch einen Builder für Analytics-Anwendungen mit Drag-and-drop-Funktion, um eigene Algorithmen zu erstellen. Mithilfe solcher Algorithmen können Daten automatisch ausgewertet und ein direktes Feedback in Echtzeit an die Maschine gesendet werden. Mit dem Modul Advanced Analytics werden Historiendaten und maschinelles Lernen dazu verwendet werden, die optimale Parametrierung von Algorithmen zu ermitteln und langfristige Trends und Muster zu erkennen. Die KI-Anwendung kombiniert IT-Technologie mit Maschinenbaukompetenz, identifiziert Fehlerquellen und ermittelt optimale Wartungszeitpunkte. Sie spürt Zusammenhänge in der Anlage auf und passt selbstlernend den Algorithmus an.

In Kombination mit selbstlernenden Algorithmen kann auch DXQplant.analytics lernen, Qualitätsprobleme automatisch zu identifizieren. Parallel zu DXQequipment.maintenance werden auch Informationen zu erkannten Wartungsaufgaben bereitgestellt.

DXQequipment.analytics basiert auf dem Expertenwissen von Dürr und kann für verschiedene Anlagentypen wie Applikationsroboter, Trockner und Systeme zur Vorbehandlung und kathodischen Tauchlackierung angeboten werden.

Funktionen:

Streaminganalysen in Echtzeit zur Sicherung der Produktionsqualität
Selbstlernende Erkennung von Qualitätsabweichungen
Benutzerfreundliche Frontends für die Datenvisualisierung und Erstellung von Analysemodellen
Permanente Erfassung und Analyse von Gerätedaten
Maschinelles Lernen-Algorithmen für die Auswertung des Lackierprozesses und die Vorhersage von Anlagenausfällen

Ihr Nutzen:

Schnellere Fehlerbehebung für eine höhere Anlagenverfügbarkeit
Erhöhte Erstläuferquote
Reduzierte Stillstandszeiten der Anlagen
Optimierte Identifikation von Fehlerursachen