Vorteile
Setzen Sie machine learning Modelle über UbiFunctionein, ohne dass Sie über Kenntnisse im Bereich Data Science verfügen müssen.
Erkennen Sie Anomalien frühzeitig und handeln Sie, bevor Ausfälle Ihren Betrieb stören.
Die Wartung sollte auf Basis tatsächlicher Nutzungsdaten und nicht willkürlicher Zeitintervalle geplant werden.
Unerwartetes Geräteverhalten lässt sich sofort mit auf gleitenden Durchschnitten basierenden Warnmeldungen erkennen.
Beginnen Sie mit Schwellenwertregeln und entwickeln Sie diese im Laufe der Datenreife zu vollständigen ML-Pipelines.
Datenerfassung, -verarbeitung, -visualisierung und -vorhersage werden an einem Ort vereint.
IoT in Aktion
So funktioniert es
Ubidots Machine Learning verbindet Ihre industriellen Anlagen mit einer leistungsstarken Analyse-Pipeline – und wandelt so Zeitreihendaten in fundierte Wartungsentscheidungen um.
Schließen Sie Sensoren für Vibration, Temperatur, Energie und Laufzeit an. Ubidots erfasst Zeitreihendaten aus beliebigen Quellen und bereitet sie zur Echtzeitanalyse auf.
Nutzen Sie synthetische Variablen und gleitende Durchschnitte, um das Geräteverhalten im Zeitverlauf zu verfolgen. Identifizieren Sie Abweichungen von normalen Betriebsmustern mithilfe der integrierten Anomalieerkennung.
Setzen Sie Python-basierte ML-Modelle über UbiFunctionein, um Ausfälle vorherzusagen, bevor sie auftreten. Lösen Sie automatische Warnmeldungen und Wartungsabläufe aus, sobald ein Risikoschwellenwert überschritten wird.
Hauptmerkmale
Die tatsächliche Maschinennutzung wird mithilfe synthetischer Variablen überwacht, um eine nutzungsbasierte Wartungsplanung zu ermöglichen.
Analysiere Schwingungsdaten im Zeit- und Frequenzbereich, um frühe Anzeichen von mechanischem Versagen zu erkennen.
Unerwartetes Geräteverhalten wird automatisch mithilfe konfigurierbarer gleitender Durchschnittsalgorithmen erkannt.
Führen Sie Python-Modelle machine learning serverlos über UbiFunctionaus, ohne die Infrastruktur verwalten zu müssen.
Sie erhalten sofortige Benachrichtigungen, wenn die Sensormesswerte die vorhergesagten sicheren Betriebsschwellenwerte überschreiten.
Hochfrequente Sensordaten von beliebigenIoT Geräten oder -Protokollen erfassen und verarbeiten.
Visualisieren Sie den Zustand Ihrer Anlagen, Prognosen und den Wartungsstatus in individuell anpassbaren Live- dashboards.
Vorhersagemodelle auf ganze Maschinenflotten anwenden – aus einer einzigen, einheitlichen Perspektive.
Verbinden Sie beliebige Sensoren, SPSen oder externe Systeme über REST API, MQTT oder native Integrationen.
Quantify Environmental nutzt drahtlose IoT Sensoren und Ubidots dashboards , um Versorgungsdaten in Echtzeit-Einblicke umzuwandeln und Industriekunden dabei zu helfen, den Wasser-, Energie- und Gasverbrauch zu überwachen, Ineffizienzen zu erkennen und zu handeln, bevor die Kosten steigen.
$Jährliche Einsparungen von über 250.000 durch optimierten Wasser-, Strom- und Gasverbrauch.
Durch die Einsparung von Millionen Litern Frischwasser und die Vermeidung von Tonnen von CO₂-Emissionen wurden messbare Nachhaltigkeitsergebnisse erzielt.
Verbesserte operative Überwachung durch Echtzeit-Einblicke in den Energieverbrauch und die Geräteperformance.
Erfolgsgeschichte
Anwendungsfälle
Tom Ulanowski
Mitbegründer
UbidotsUbidotsUbidotsUbidots nutzt UbidotsUbidotsUbidotsUbidots zur Überwachung des Energieverbrauchs an verschiedenen Standorten und unterstützt Kunden so bei der Kostensenkung durch Echtzeitdaten und Warnmeldungen.
Ergebnisse:
Steve Barker
Gründer & CEO
Prospect Control nutzt Ubidots , um Industriekunden die Fernüberwachung von Tankfüllständen zu ermöglichen und ersetzt dabei komplexe SPS/SCADA -Systeme durch eine skalierbare, webbasierte IoT Lösung.
Ergebnisse:
Darryl Schembri
Hauptgeschäftsführer
AIS Technology nutzt Ubidots zur Überwachung des Strom-, Wasser- und Gasverbrauchs in Gebäuden mit mehreren Mietern. Dies ermöglicht Echtzeit-Transparenz, automatisierte Abrechnung und schnellere Reaktion auf Ineffizienzen.
Ergebnisse:
Onofre Tamargo
CEO & Mitgründer
S4IoT nutzt Ubidots zur Fernüberwachung von Bewässerungssystemen in Stadtgärten und hilft Kunden so, Wartungskosten zu senken, Pflanzenverluste zu vermeiden und von manuellen Abläufen auf ein skalierbares, abonnementbasiertes Modell umzusteigen.
Ergebnisse:
Hilfe & Unterstützung
Haben Sie Fragen zu Ubidots? Hier finden Sie einige der häufigsten Fragen, die Ihnen den Einstieg erleichtern.
Nein. Ubidots bietet einen schrittweisen Übergang von einfachen zu fortgeschrittenen Funktionen. Sie können mit schwellenwertbasierten Warnmeldungen und Nutzungszählern auf Basis synthetischer Variablen beginnen – ganz ohne Programmierung. Mit zunehmender Datenqualität können Sie die Anomalieerkennung mittels gleitender Durchschnitte integrieren und schließlich Python-ML-Modelle über UbiFunctionbereitstellen – alles innerhalb derselben Plattform und ohne ein dediziertes Data-Science-Team.
Ubidots unterstützt vier Ansätze: nutzungsbasierte Wartung (Laufzeitverfolgung mittels synthetischer Variablen), Schwingungsüberwachung (RMS- und FFT-Analyse im Zeitbereich), Anomalieerkennung mittels gleitendem Durchschnitt (Kennzeichnung von Abweichungen von normalen Betriebsmustern) und Bereitstellung von ML-Modellen (Ausführung von Python-Klassifizierungs- oder Regressionsmodellen über UbiFunctionzur Vorhersage von Ausfällen oder zur Schätzung der Ausfallzeit).
Die Modelle werden als Python-Skripte über UbiFunction, die serverlose Ausführungsumgebung von Ubidots, bereitgestellt. Der typische Workflow: Die neuesten Sensorwerte abrufen, Daten vorverarbeiten und Merkmale wie gleitende Durchschnitte erstellen, das trainierte Modell laden, eine Vorhersage generieren und das Ergebnis in einer Ubidots Variable speichern – wo es automatisierte Benachrichtigungen auslösen oder auf einem dashboardvisualisiert werden kann.
Die wichtigsten Variablen sind der Laufzeitstatus (EIN/AUS), die Anzahl der Zyklen, die Effektivwerte oder Spitzenwerte der Vibration, die Temperatur und der Energieverbrauch. Umgebungsbedingungen wie Luftfeuchtigkeit oder Luftqualität liefern zusätzliche prädiktive Informationen. Entscheidend ist, sofort mit der Protokollierung zu beginnen – einschließlich Daten im Normalbetrieb und im Fehlerfall –, da die erfassten Fehlerereignisse die Genauigkeit der ML-Modelle im Laufe der Zeit gewährleisten.
