top of page

mIQ Anomaly

Mit Echtzeit Anomalieerkennung und LLM gestützter Datenanalyse macht mIQ Anomaly Produktions, Instandhaltungs, Qualitäts und Energieprozesse intelligent. Abweichungen werden früh erkannt, Verluste reduziert und die Gesamtperformance nachhaltig gesteigert.

Anomalieerkennung, Anwendungsfälle

  • Allgemeine Anomalieerkennung:
    Kontinuierliche Überwachung von Prozessparametern zur Unterscheidung zwischen Normalzustand und Abweichung. Auch bislang unbekannte Anomalietypen werden erkannt.
    Abweichungen früh erkennen und Verluste vermeiden, bevor sie entstehen.

  • Predictive Maintenance:
    Analyse von IoT, SPS und Bedienerdaten zur frühzeitigen Erkennung von Störungen. Wartungsmaßnahmen werden optimiert und ungeplante Stillstände reduziert.
    Ungeplante Ausfälle frühzeitig erkennen und in planbare Wartung überführen.

  • Predictive Quality:
    Nutzung historischer und aktueller Daten zur Vorhersage von Qualitätsproblemen. Prozessparameter können automatisch angepasst werden.
    Ausschuss vermeiden, bevor er entsteht.

  • Energieanomalien:
    Überwachung von Energieverbrauchsprofilen zur Erkennung unerwarteter Verbrauchsspitzen, Leckagen und Verbrauch außerhalb von Schichtzeiten.
    Energiekosten senken und den CO₂ Fußabdruck reduzieren.

LLM gestützter Data Science Lebenszyklus, optional

  • Datenquellenanalyse und Projektvorschläge:
    Analyse vorhandener Daten zur Identifikation sinnvoller Anomalieprojekte.

  • Datenaufbereitung und Feature Engineering:
    Behandlung fehlender und auffälliger Werte. Automatische Vorschläge zur Merkmalsbildung für eine optimale Modellbasis.

  • Algorithmusauswahl und Code Generierung, Python:
    Auswahl geeigneter Algorithmen und automatische Generierung des Trainingscodes. Nutzer können bei Bedarf eingreifen.

  • Modelltests, Reporting und erklärbare KI:
    Erstellung von Testergebnissen und Berichten. Einflussfaktoren werden über erklärbare KI transparent dargestellt.
    Machine Learning Kompetenz für alle zugänglich machen.

Datenmanagement und Integration

  • Umfangreicher Zugriff auf Retmes Daten:
    Zugriff auf Daten zu Produkten, Stationen, Arbeitsaufträgen, Qualität, OEE, Wartung, Stillständen, Planung und Energie.

  • ETL und Funktionsaufrufe:
    Gefilterter Datenabruf sowie Einbindung berechneter Werte aus REST Funktionen in Datensätze.

  • Datenqualität und Vorverarbeitung:
    Auffüllen fehlender Werte, Bereinigung von Ausreißern und schnelle Datenexploration über visuelle Statistiken.

  • Ressourcenmanagement:
    Sichere Begrenzung der Datensatzgröße entsprechend verfügbarer Speicherressourcen.
    Daten vorbereitet, Modelle in wenigen Minuten einsatzbereit.

Modellbereitstellung und Betrieb

  • Microservice basierte Backend Architektur:
    Skalierbare und flexible Bereitstellung von Modellservices.

  • Deployment und Monitoring mit einem Klick:
    Modelle werden nach definierten Erfolgskriterien produktiv gesetzt, überwacht und bei Bedarf gestoppt oder neu gestartet.

  • Ein und Ausgabezuordnung:
    Definition der Modellinputs aus Tags oder REST Quellen sowie der Zielkanäle für Ergebnisse.

  • Integration mit MES Alarm und Regelwerken:
    Automatische Auslösung von Alarmen oder Aktionen auf Basis der Modellergebnisse.

  • Projekt und Modellhistorie:
    Vollständige Dokumentation von Datenquellen, Versionen sowie Trainings und Testläufen.
    End to End Nachvollziehbarkeit vom Modell bis zur Wirkung.

Erwartete Geschäftsergebnisse, Beispiel KPI

Reduzierung ungeplanter Stillstandszeiten, Steigerung der OEE, Senkung von Wartungs, Energie und Ausschusskosten sowie verkürzte Reaktionszeiten zwischen Erkennung und Eingriff. Konkrete Zielwerte werden nach der Implementierung gemeinsam definiert.

bottom of page