Wann sollte ich eine Machbarkeitsstudie (PoC) durchführen?

Wenn Sie sich noch unsicher sind, ob unsere Lösung optimal zu Ihren Anforderungen passt und Ihre Datengrundlage ausreichend ist, bieten wir Ihnen unseren Proof of Concept (PoC) an. So können Sie unsere Software in Ihrer spezifischen Umgebung testen und die Datenbasis evaluieren, bevor Sie sich für eine umfassende Live-Überwachung durch unsere SaaS-Lösung entscheiden.

Wie läuft eine Machbarkeitsstudie (PoC) ab?

In Monat 1 richten wir die Dateninfrastruktur ein und stellen alle Verbindungen her. Monat 2 widmet sich der Visualisierung und Datenerfassung, während wir in Monat 3 die KI-Modelle entwickeln und trainieren. Ab Monat 4 geht das System in den Live-Betrieb über, mit kontinuierlichen Optimierungen für beste Ergebnisse.

Welche Ergebnisse kann ich von einem PoC erwarten?

Im ersten PoC liegt der Fokus auf der Schaffung einer soliden Datengrundlage. Effizienzsteigerungen und Kostenreduktionen folgen in späteren Phasen, sobald die Modelle weiter optimiert werden. Wir empfehlen die Definition spezifischer, realistischer Ziele für den PoC.

SaaS-Modell: Echtzeit-Maschinenüberwachung für mehr Effizienz

Die 4 Phasen zum Erfolg

Unser SaaS-Modell im Überblick

Vorbereitungsphase: Datenerfassung

Die Einrichtung der Datenverbindung erfolgt eigenständig mit standardisierter Anleitung von aiomatic. Unsere Lösung unterstützt verschiedene digitale Schnittstellen - ohne zusätzliche Hardware.

Vorbereitungsphase: Konfiguration

In dieser Phase erfolgt die Vorsortierung der Datenkanäle und der Aufbau der Maschinenstruktur. Ziel ist das Definieren von hierarchischen Ebenen Ihrer Maschine (Teilbereiche, Einzelkomponenten), auf denen der Auffälligkeitsindex berechnet werden soll.

Einführung der Anwendung: Optimierungszyklen

Die Modelle werden kontinuierlich mit neuen Daten trainiert und Optimierungen gemeinsam mit uns in Bi-Weeklies besprochen. Ereignisse im Betrieb der Anlage, wie Wartungen, Fehlproduktion etc. werden erfasst und im Training berücksichtigt.

Einführung der Anwendung: Skalierung

Ein Großteil der Erfahrungen aus der Pilotanlage können auf baugleiche Anlagen übertragen werden, was eine deutliche Aufwandseinsparung mit sich bringt.

Übersicht der verschiedenen SaaS-Pakete

Silver

ab 5 €

pro Datenkanal & Monat
+ 1.999 € Set-Up*

Check-in-Meetings mit Experten von aiomatic: monatlich

Anzahl an Modelltrainings:
1 Modelltraining / Monat

Abtastzeitraum: > 60 Sekungen

Persönliche Unterstützung beim
Onboarding: 1 Stunde

Gold

ab 15 €

pro Datenkanal & Monat
+ 2.499 € Set-Up*

Check-in-Meetings mit Experten von aiomatic: 2x monatlich

Anzahl an Modelltrainings:
3 Modelltrainings / Monat

Abtastzeitraum: > 10 Sekunden

Persönliche Unterstützung beim
Onboarding: 3 Stunden

Elite

ab 25 €

pro Datenkanal & Monat
+ 4.999 € Set-Up*

Check-in-Meetings mit Experten von aiomatic: wöchentlich

Anzahl an Modelltrainings:
5 Modelltrainings / Monat

Abtastzeitraum: > Hochfrequent

Persönliche Unterstützung beim
Onboarding: 5 Stunden

Enterprise

Individuelle Preisanfrage

Ihre Lösung, um mehrere Maschinen zu überwachen & mehr Insights zu erhalten

Check-in-Meetings mit Experten

Anzahl an Modelltrainings: individuell

Abtastzeitraum: > Hochfrequent

Individuelle, persönliche Beratung
& Unterstützung

*Die Anbindung von Datenverbindungen außerhalb unseres Standard-Setups erfolgt individuell nach Aufwand zu einem Tagessatz von 960 €.

Termin buchen

Use Cases aus den verschiedenen Industrien

Gasspeicher & Verdichter

Überwachung der gesamten Anlage, insbesondere die schnell drehenden, empfindlichen Turbinen.

Ausschnitt einer Maschine zur Verarbeitung von Tierfutter

Vermahlungsmaschinen für Tierfutter

Überwachung der Lagertemperaturen und Leistungen der Antriebe für eine zuverlässige & effiziente Produktion.

Abbildung einer komplexen Beschichtungsanlage

Inline Beschichtungsanlage

Überwachung der Pumpen, die für den Wasserkreislauf in der Beschichtungsanlage benötigt werden.

Download Use Case Portfolio

FAQ

Häufig gestellte Fragen

Hier finden Sie Antworten auf die häufigsten Fragen rund um unsere Historische Datenanalyse.

Welche Daten werden für die Analyse benötigt?

Für die Analyse benötigen wir:
‍
Operationale Daten: Informationen zu Betriebsbedingungen, wie Laufzeiten, Systemlast, Produktionsraten und Umwelteinflüssen.

‍Sensor-Daten: Physikalische Messwerte wie Temperatur, Schwingungen, Geschwindigkeit oder Stromverbrauch.‍

‍Wartungs- und Fehlerdaten: Historische Aufzeichnungen zu Ausfällen, Instandhaltungsmaßnahmen und deren Zeitstempel.

Technische Spezifikationen: Angaben zu Maschinenherstellern, Modellen und Leistungsdaten.

In welchem Format sollen die Daten bereitgestellt werden?

Wir bevorzugen einheitliche Dateiformate, insbesondere:
‍
CSV-Dateien: Zeitreihendaten mit klaren Spaltenüberschriften.

‍Alternativ: Excel oder Datenbankexporte (z. B. SQL, TimescaleDB). Wichtig ist, dass alle Daten mit synchronisierten Zeitstempeln versehen sind.‍

Welche Informationen sind bei Fehler- und Wartungsdaten besonders wichtig?

Die Fehler- und Wartungsdaten sollten folgende Details enthalten:
‍
1. Zeitstempel für Beginn und Ende des Fehlers oder der Wartung

2. Beschreibung der Ursache (z. B. mechanischer Defekt, Sensorproblem)‍

3. Angaben zur Downtime (geplante vs. ungeplante Ausfälle)

4. Maßnahmen zur Behebung und deren Dauer

Welche zusätzlichen Informationen helfen bei der Datenanalyse?

‍Maschinenspezifikationen: Hersteller, Modell, Baujahr, Toleranzen und Leistungsspektren

Sensorinformationen: Position, Typ, Hersteller und mögliche Redundanzen‍

Betriebszeitmuster: Kontinuierliche oder batchweise Produktion, geplante Wartungszyklen.Diese Informationen helfen, die Daten korrekt zu interpretieren und die Analyseergebnisse zu optimieren

Weitere Fragen?

Unser Maschinenbauingenieur Joel berät Sie gerne!

Kostenlos beraten lassen

SaaS-Modell für maximale Maschinenkontrolle

Ziele einer langfristigen Maschinenüberwachung durch aiomatic

Transparente Maschineneinsicht für bessere Kontrolle über Produktionsabläufe

Vermeidung von Maschinenausfällen & Produktionsverlusten

Effizienzsteigerung durch Identifizierung von Optimierungspotenzialen