Daten ohne Grenzen
Rein datenbasierte Modelle erkennen starke Korrelationen. Außerhalb bekannter Produktionsbedingungen kann ihr Verhalten jedoch unzuverlässig werden.
Technologie
KI, der Sie vertrauen können. Wissenschaftlich fundiert, in der Praxis bewährt.
jora.twin verbindet maschinelles Lernen, physikalisches Prozesswissen und die Erfahrung des Bedienpersonals zu robusten Modellen für die industrielle Optimierung in Echtzeit.
Von Signalen zu Prozessverständnis
Aus Anlagendaten entsteht ein dynamisches Modell der gesamten Produktionslinie, ergänzt durch Physik und Prozesswissen.
ANLAGENSIGNALE
Ein dynamisches Linienmodell
Daten + Physik + Prozesswissen
Rohstoff
Verarbeitung
Qualität
Warum ein einzelner Ansatz nicht ausreicht
Daten, Physik und Erfahrung lösen jeweils nur einen Teil der Aufgabe.
Physik ohne Anpassung
Physikalische Modelle geben Struktur. Sie für jede Linie, jedes Material und jeden Betriebszustand zu kalibrieren und aktuell zu halten, kann jedoch aufwendig sein.
Erfahrung ohne Skalierung
Anlagenbediener und Ingenieure verstehen Kontext und Ausnahmen. Dieses Wissen lässt sich jedoch schwer bei jeder Schicht und Entscheidung konsistent anwenden.
Hybride Intelligenz
jora.tech verbindet Daten, Physik und Prozesswissen zu KI-Modellen für eine intelligentere Extrusion.
Die drei Wissensquellen verstärken sich gegenseitig: Daten erfassen das tatsächliche Linienverhalten, Physik begrenzt es auf plausible Entwicklungen und Prozesswissen definiert relevante Ziele, Ausnahmen und Betriebsbedingungen.
Daten
Historische und aktuelle Signale zeigen dynamische Abhängigkeiten zwischen Sensoren, Aktoren, Umgebungsbedingungen und Qualitätsmessungen.
Physik
Bekannte Zusammenhänge, Erhaltungsprinzipien und kausale Strukturen setzen Leitplanken und verbessern das Modellverhalten entlang der gesamten Prozesskette.
Prozesswissen
Ingenieure und Anlagenbediener definieren Betriebszustände, Randbedingungen, Qualitätsziele und praktikable Handlungsmöglichkeiten für die jeweilige Linie.
Dynamik entlang der Linie
Die gesamte Produktionslinie modellieren
Produktqualität entsteht in einer zeitabhängigen Prozesskette. Material bewegt sich, Energie wird zu- und abgeführt, Anlagenstufen beeinflussen sich und Störungen breiten sich verzögert aus. jora.twin bildet diese Verzögerungen und Abhängigkeiten in einem dynamischen Gesamtmodell ab.
Zeitlich abgestimmte Modellierung
Ordnen Sie Signale dem Materialfluss zu und erfassen Sie Verzögerungen und Wechselwirkungen zwischen den Prozessstufen.
Betrieblicher Kontext
Unterscheiden Sie Betriebszustände und berücksichtigen Sie unterschiedliche Produkte, Rezepturen und Anlagenzustände.
Prognose und Validierung
Prognostizieren Sie Prozessverhalten und Produkteigenschaften über einen sinnvollen Zeitraum. Vergleichen Sie die Prognosen nach der Inbetriebnahme kontinuierlich mit dem tatsächlichen Verhalten.
Eine Materialänderung wirkt sich zeitverzögert auf Rohstoffzufuhr, Verarbeitung und Produktqualität aus. jora.twin ordnet diese Signale in einem dynamischen Modell zeitlich ein.
DEM MATERIAL FOLGEN
Rohstoff
Eingangsänderung
Verarbeitung
Verzögerung
Produktqualität
Spätere Wirkung
Ein zeitlich abgestimmtes Modell
Signale werden dem Materialfluss und den Prozessverzögerungen zugeordnet.
Von der Prognose zur Reaktion
Vorhersagen in Handlungen übersetzen
Eine nützliche Prognose ist der erste Schritt. jora.twin bewertet mögliche Reaktionen anhand von Produktionszielen und Betriebsgrenzen. Anschließend ermittelt die Plattform die Sollwertänderungen, die das erwartete Ergebnis am wirksamsten verbessern.
Anwendungsmodule entdecken →Konzeptueller Prognosevergleich: Mögliche Sollwertanpassungen werden anhand eines Zielbereichs und der Betriebsgrenzen bewertet.
REAKTIONEN BEWERTEN
Zielbereich
Beobachtet
Jetzt
Prognosehorizont
Reaktion innerhalb der Grenzen wählen
Konzeptgrafik zur Auswahl einer Reaktion; keine gemessenen Produktionsdaten.
Plattformarchitektur
Für die industrielle Praxis entwickelt
jora.twin wurde von Beginn an als modulare, skalierbare Softwareplattform konzipiert. Die containerisierte Architektur mit Microservices unterstützt eine schnelle Bereitstellung – vor Ort oder in der Cloud. Die Plattform bindet vorhandene IT- und OT-Systeme ein, um Integrationsaufwand zu reduzieren und bestehende Infrastruktur zu nutzen.
Die Betriebsebene umfasst Daten-, Modell- und Anwendungsebene. Anlagendaten versorgen die Modelle; die Modelle liefern Prognosen und optimierte Handlungsempfehlungen an die Anwendungen.
Betriebsebene
Vor Ort oder in der Cloud
Anwendungsebene
Schnittstellen & Betriebsentscheidungen
Modellebene
Prognosen & Optimierung
Datenebene
Anlagensignale & Qualitätsdaten
Eine modulare Architektur verbindet Anlagendaten, Modelle und Anwendungen in der gewählten Betriebsumgebung.
04
Betriebsumgebung
Passen Sie die Architektur an Anlagenanforderungen, Netzwerkzonen, Latenz und organisatorische Vorgaben an.
03
Anwendungsebene
Stellen Sie Ergebnisse über jora.twin, bestehende Dashboards, Bedienabläufe oder die Steuerung bereit.
02
Modellebene
Trainieren, validieren, versionieren und überwachen Sie die dynamischen Modelle für Prognosen, Anomalieerkennung und Optimierung.
01
Datenebene
Verbinden Sie Prozessdatenarchive, Datenbanken, Qualitätssysteme und aktuelle Anlagensignale. Zeitliche Zuordnung und Betriebskontext bleiben erhalten.
Von der Forschung in die Produktion
Wissenschaft und Validierung
Die zugrunde liegenden Methoden entstanden in mehrjähriger Forschung und industrieller Zusammenarbeit, unter anderem mit Unterstützung der Österreichischen Forschungsförderungsgesellschaft FFG. Der Ansatz wird am tatsächlichen Produktionsverhalten validiert und innerhalb klarer Grenzen betrieben.
Technische Fragen
Häufige technische Fragen
Wie viele historische Daten werden benötigt?
Das hängt von Abtastrate, Prozessdynamik, Produktabdeckung, verfügbaren Qualitätsdaten und der enthaltenen relevanten Variation ab. In der Praxis können Daten von wenigen Tagen bis zu mehreren Monaten erforderlich sein. Der Pre-Check bewertet dies konkret für Ihre Linie.
Was passiert, wenn sich der Prozess verändert?
Die Modellleistung wird laufend überwacht. Überschreitet die Abweichung zwischen Prognose und tatsächlichem Prozess einen definierten Grenzwert, kann ein erneutes Training erforderlich sein. Unser geführter Trainingsassistent sorgt dafür, dass dies kontrolliert und nachvollziehbar erfolgt.
Kann jora.twin vor Ort betrieben werden?
Ja, für viele Unternehmen ist das die bevorzugte Variante. Auch eine Cloud-Implementierung ist möglich. Die modulare, containerisierte Architektur von jora.twin unterstützt eine einfache Bereitstellung auf unterschiedlichen Hosting-Lösungen.
Wie werden automatisierte Eingriffe begrenzt?
Automatisierte Eingriffe sind auf validierte Ziele, Randbedingungen, Änderungsraten und Betriebsgrenzen beschränkt. Der Automatisierungsgrad wird für den jeweiligen Anwendungsfall vereinbart.
Betrachten wir Ihre Linie
Sprechen Sie mit uns über Ihren Prozess
Besprechen Sie mit uns die Ziele, Randbedingungen und Daten hinter der Produktionsentscheidung, die Sie verbessern möchten.
