Nach einer aktuellen Studie kosten ungeplante Ausfallzeiten die Industrie jährlich schätzungsweise 50 Milliarden US-Dollar. Kaspersky Machine Learning for Anomaly Detection hilft, Abweichungen in Produktionsprozessen frühzeitig zu erkennen und so Ausfallzeiten zu reduzieren. Kaspersky MLAD gehört zu den TOP Produkten des Jahres 2022 für Sicherheit. Bei der Leserwahl des Computer & Automation Magazins belegte Kaspersky MLAD Platz 3 in der Kategorie „Safety and Security“.
Die Lösung ist mit Machine-Learning-Algorithmen ausgestattet, die die Telemetrie von Maschinensensoren in Echtzeit analysieren. Sobald sich die Parameter des Herstellungsprozesses (Tags) unerwartet verhalten, werden Warnungen ausgelöst. Der innovative Ansatz wurde kürzlich auch durch ein US-Patent bestätigt.
Anomalien durch Machine Learning entdecken
Die Lösung ist mit Machine-Learning-Algorithmen ausgestattet, die die Telemetrie von Maschinensensoren analysieren. Sie warnt vor Maschinenfehlern, 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.
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.
Ausfallzeiten kosten Milliarden US-Dollar
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. 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.
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/