Industrie: Machine Learning sagt Ausfallzeiten voraus

Anzeige

Beitrag teilen

Kaspersky Machine Learning for Anomaly Detection sagt Ausfallzeiten in Industrie-Umgebungen voraus. Damit lassen sich Abweichungen in den Produktionsprozessen frühzeitig erkennen und Ausfallzeiten reduzieren.

Die Lösung ist mit Machine-Learning-Algorithmen ausgestattet, die die Telemetrie von Maschinensensoren analysieren. Sie warnt vor Maschinenfehl7ern, indem Warnungen ausgelöst werden, sobald sich die Parameter des Herstellungsprozesses (Tags) unerwartet verhalten. Kaspersky Machine Learning for Anomaly Detection bietet darüber hinaus eine funktionsreiche visuelle Oberfläche für die detaillierte Analyse der Anomalien sowie Tools, mit denen das Produkt in vorhandene Systeme integriert werden kann, um Warnungen an die Dashboards der Nutzer zu senden.

Anzeige

Industrieanlagen vertragen meist keine Ausfälle

In industriellen Umgebungen ist ein reibungsloser Ablauf unabdingbar; Fehlfunktionen der Gerätschaften, Bedienungsfehler oder Cyberangriffe auf die industriellen Steuerungssysteme müssen vermieden werden. Im Falle des Falles kann jedoch eine frühzeitige Erkennung dabei helfen, die Kosten für Ausfallzeiten, die Verschwendung von Rohstoffen und die Auswirkungen anderer schwerwiegender Folgen zu senken. Nach Schätzungen von Kaspersky ermöglicht eine Reduzierung der Ausfallzeiten um 50 Prozent jährliche Einsparungen von bis zu 1 Mio. US-Dollar für ein großes Kraftwerk oder 2,5 Mio. US-Dollar für eine Ölraffinerie.

Neuronales Netzwerk für Machine Learning

Das neuronale Netzwerk von Kaspersky Machine Learning for Anomaly Detection analysiert in Echtzeit die Telemetrie verschiedener Sensoren, die im Produktionsprozess verwendet werden. Die Lösung erkennt bereits geringfügige Abweichungen, wie beispielsweise eine Änderung der Signaldynamik oder Signalkorrelationen, und benachrichtigt die Nutzer, bevor die Werte ihre Grenzbereiche erreichen und die Leistung beeinflussen. Dadurch können Anlagenbetreiber vorbeugende Maßnahmen ergreifen. Um Anomalien erkennen zu können, lernt das neuronale Netzwerk das normale Verhalten der Maschine aus historischen Telemetriedaten. Sollte sich ein Parameter des Produktionsprozesses ändern, weil zum Beispiel eine neue Art von Rohmaterial eingeführt oder ein Teil der Maschine ersetzt wird, kann ein Bediener das Machine-Learning-Training erneut ausführen, um das neuronale Netzwerk zu aktualisieren. Zusätzlich zu einem Machine-Learning-basierten Detektor können auch individuelle Diagnoseregeln für bestimmte Fälle hinzugefügt werden.

Anzeige

Kaspersky Machine Learning for Anomaly Detection

Kaspersky Machine Learning for Anomaly Detection kann in der Infrastruktur der vorhandenen Anlage eingesetzt werden und erfordert keine Installation zusätzlicher Sensoren. Um Daten zu erhalten und die Anomalien zu melden, stellt Kaspersky Machine Learning for Anomaly Detection eine Verbindung zu industriellen Steuerungssystemen wie SCADA her. Alternativ kann die Lösung in Kaspersky Industrial CyberSecurity for Networks integriert werden. Das Produkt unterstützt nativ gängige Protokolle wie OPC UA, MQTT, AMQP sowie REST, wodurch es auf Systemen mit unterschiedlichen Geräten anwendbar ist.

Kaspersky Machine Learning for Anomaly Detection

Kaspersky Machine Learning for Anomaly Detection Konsole (Bild: Kaspersky).

Kaspersky Machine Learning for Anomaly Detection bietet eine visuelle Oberfläche für die Analyse erkannter Anomalien. Aufgrund der visualisierten Diagramme aller überwachten Prozesse kann ein Experte sehen, was wann und in welchem Teil des Systems schiefgelaufen ist.

Unverzichtbares Tool für eine reibungslose Produktion

„Fortschrittliche Machine-Learning-Algorithmen und die Fähigkeit, sich an bestimmte industrielle Prozesse anzupassen, machen Kaspersky Machine Learning for Anomaly Detection zu einem unverzichtbaren Tool für eine reibungslose Produktion“, so Andrey Lavrentyev, Head of Technology Research Department bei Kaspersky. „Die Lösung ergänzt Monitoring-Dienste und das Fachwissen der Maschinenbediener um die Fähigkeit, Anomalien in einer komplexen Umgebung zu erkennen. Unabhängig davon, was die Abweichungen verursacht, können Ausfallzeiten, Geräteausfälle und Katastrophen mithilfe frühzeitiger Warnungen verhindert werden. Wir entwickeln die Technologie seit mehreren Jahren und freuen uns, heute die allgemeine Verfügbarkeit des vollwertigen Produkts bekannt zu geben, damit Kunden diese Vorteile nutzen können.“

Mehr bei Kaspersky.com

 


Über Kaspersky

Kaspersky ist ein internationales Cybersicherheitsunternehmen, das im Jahr 1997 gegründet wurde. Die tiefgreifende Threat Intelligence sowie Sicherheitsexpertise von Kaspersky dient als Grundlage für innovative Sicherheitslösungen und -dienste, um Unternehmen, kritische Infrastrukturen, Regierungen und Privatanwender weltweit zu schützen. Das umfassende Sicherheitsportfolio des Unternehmens beinhaltet führenden Endpoint-Schutz sowie eine Reihe spezialisierter Sicherheitslösungen und -Services zur Verteidigung gegen komplexe und sich weiter entwickelnde Cyberbedrohungen. Über 400 Millionen Nutzer und 250.000 Unternehmenskunden werden von den Technologien von Kaspersky geschützt. Weitere Informationen zu Kaspersky unter www.kaspersky.com/


 

Passende Artikel zum Thema

Datenqualität für Machine Learning und künstliche Intelligenz

IDC Studie: Sicherstellung der Datenqualität sowie Erfassung und Klassifizierung relevanter Daten bremse datengetriebene Geschäftsmodelle in Deutschland aus - auch für ➡ Weiterlesen

Datenjagd für besseres Machine Learning 

Künstliche Intelligenz bzw. Machine Learning hat in den letzten zehn Jahren einen enormen Aufschwung erlebt. Viele Branchen investieren jetzt massiv ➡ Weiterlesen

Ransomware-Akteure mit Partnerprogramm

Ransomware-Angriffe bestehen aus einem Ökosystem an Akteuren. Es gibt Werbung für und Bereitstellung von Dienstleistungen und Partnerschaften auf spezialisierten Dark-Web-Marktplätzen ➡ Weiterlesen

47 Prozent mehr DDoS-Angriffe in Q1/2021

47 Prozent mehr DDoS-Angriffe im ersten Quartal 2021. Anstieg im Januar wohl auf Preisfall bei Kryptowährungen zurückzuführen. Anzahl an DDoS-Angriffen ➡ Weiterlesen