PlantPulse AI Platform
Wenn Sie neu sind, folgen Sie dieser Reihenfolge
- Chatbot mit unseren Dokumenten antworten lassen — mit öffentlicher Demo und Video
- Beispielfragen — was Sie fragen können
- Einzeiliges Setup → Initialpasswort ändern
- Geschäftsprozess — Nachhaltige Nutzung nach der Implementierung
"Alle Daten aus der Fabrik, für jeden, mit einem natürlichsprachigen Satz"
info
Online-Handbuch: https://kopens.gitbook.io/plantpulse-ai
PlantPulse AI Platform ist eine industrielle AI-Copilot-Plattform, die Echtzeitdaten vor Ort, AI-Analyse und Wissensmanagement integriert.
Wenn Fabrikbediener eine Frage in natürlicher Sprache stellen, führt die AI automatisch Echtzeitabfragen von Sensordaten, Anomalieerkennung, Vorhersageanalyse und technische Dokumentsuche durch und unterstützt damit sofortige und genaue Entscheidungsfindung.
Kernkennzahlen
| Element | Anzahl |
|---|---|
| Integrierte MCP-Datentools | 116 (Nur-Lese) |
| TimeSeries-Insight-Analysetools | 27 |
| Ontologie-Tools | 5 |
| RAG-Suchtools | 3 |
| Ontologie-Knotentypen | 14 |
Plattformkomponenten
| Komponente | Rolle |
|---|---|
| AI Chat Web | Benutzeroberfläche — natürlichsprachiger interaktiver AI-Copilot (eingebauter Agent) |
| Integrierte MCP | Echtzeitdaten-Gateway vor Ort (Platform server-web /api/v5/mcp, mit Ontologie) |
| Ontology | Wissensgraph der Fabrik — Analysieren von Anlagenbeziehungen und Struktur (in integrierter MCP enthalten) |
| TimeSeries-Insight | AI Anomalieerkennung + Vorhersage + Feature Store (27 Analysetools) |
| RAG | LightRAG-basierte technische Dokumentsuche — sofortiger Zugriff auf Handbücher, SOPs, Richtlinien |
| AURA | Industrie-spezialisiertes LLM — feinabgestimmtes Modell für Fertigungsdomäne |
Implementierungseffekte
| Bereich | Vorher (Bisherig) | Nachher (PlantPulse AI) |
|---|---|---|
| Statusüberblick | SCADA + Excel + Handbuch 30 Minuten bis 1 Stunde | Natürlichsprachige Abfrage 10 Sekunden |
| Anomalieerkennung | Regelbasierte Alarme (reaktiv) | AI-gestützte Früherkennung + Ursachenschätzung |
| Wartungsweise | Vorausschauende Wartung (zeitplanbasiert) | Zustandsorientierte Wartung (zustandsbasiert) |
| Dokumentsuche | Manuelle Server-Durchsuchung | Hybride AI-Suche sofort |
| AI-Kosten | Cloud-API nutzungsabhängig | Lokale Infrastruktur unbegrenzt Pauschal |
| Datensicherheit | Externe Cloud-Übertragung | Lokale Infrastruktur vollständig geschützt |
Technology Stack
| Ebene | Technologie |
|---|---|
| AI-Modelle | AURA LLM, IBM Granite TSPulse, TinyTimeMixer TTM |
| AI-Framework | MCP (Model Context Protocol), LiteLLM, LightRAG |
| Backend | Java 21 / Spring Boot 3.4, Python / FastAPI |
| Graph-DB | Neo4j |
| Vektor-DB | Qdrant |
| Relationale DB | PostgreSQL 18 |
| Zeitreihen-DB | Apache Cassandra |
| Cache | Valkey (Redis-kompatibel) |
| Objekt-Storage | MinIO (S3-kompatibel) |
| GPU | NVIDIA DGX Spark-kompatibel (Betrieb mit niedrigen Ressourcen) |
| Bereitstellung | Lokal / Edge / Cloud |
Implementierungszielgruppen
| Industrie | Wichtigste Anwendungsszenarien |
|---|---|
| Lebensmittel und Getränke | Produktionslinie-OEE-Verwaltung, Qualitätsüberwachung, Energieoptimierung |
| Chemie/Petrochemie | Frühe Prozessanomalieerkennung, Sicherheitskonformität, Anlagenzustandsverwaltung |
| Automobilkomponenten | Zustandsorientierte Wartung, Arbeitsauftrag-Qualitätsverfolgung, Linienausgleich |
| Halbleiter/Elektronik | Feine Anomalieerkennung, Ausbeute-Vorhersage, Reinraum-Umweltüberwachung |
| Stahl/Metalle | Hochtemperatur-Anlage Überwachung, Energieverwaltung, Wartungsintervall-Optimierung |