Kaspersky stellt Machine Learning for Anomaly Detection vor
Ausfallzeiten in Industrieumgebungen voraussagen
Kaspersky stellte seine Lösung Machine Learning for Anomaly Detection vor. Damit sollen sich Abweichungen in den Produktionsprozessen frühzeitig erkennen und Ausfallzeiten reduzieren lassen. Die Lösung sei mit Machine-Learning-Algorithmen ausgestattet, die die Telemetrie von Maschinensensoren analysieren.
Das neuronale Netzwerk der Lösung analysiere in Echtzeit die Telemetrie verschiedener Sensoren, die bei Produktionsprozessen in Verwendung sind. Die Lösung erkennt bereits geringfügige Abweichungen, beispielsweise eine Änderung der Signaldynamik oder Signalkorrelationen, und benachrichtigt die Nutzenden, bevor die Werte ihre Grenzbereiche erreichen und die Leistung beeinflussen, so die Kaspersky-Angabe. Dadurch sollen Unternehmen vorbeugende Maßnahmen ergreifen können.
Um Anomalien erkennen zu können, lerne 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 zum Einsatz kommt, könne ein Bedienender das Machine-Learning-Training erneut ausführen, um das neuronale Netzwerk zu aktualisieren. Zusätzlich zu einem Machine-Learning-basierten Detektor könne man auch individuelle Diagnoseregeln für bestimmte Fälle hinzufügen.
Die Machine-Learning-Lösung lasse sich in der Infrastruktur der vorhandenen Anlage einsetzen und erfordere keine Installation zusätzlicher Sensoren. Um Daten zu erhalten und die Anomalien zu melden, stellt Machine Learning for Anomaly Detection laut Kaspersky eine Verbindung zu industriellen Steuerungssystemen wie Scada her. Außerdem lasse sich die Lösung in Kasperskys Industrial CyberSecurity for Networks integrieren.
Darüber hinaus bietet die Lösung eine grafische Oberfläche für die Analyse erkannter Anomalien. Aufgrund der visualisierten Diagramme aller überwachten Prozesse sei ersichtlich, was wann und in welchem Teil des Systems schiefgelaufen ist.
Lesen Sie mehr zum Thema
