WEBVTT
Language: de-DE

1
00:00:10.300 --> 00:00:15.189
<v Zina Walser>Grüezi miteinander und herzlich willkommen
beim Webinar Sensor in Action Predictive

2
00:00:15.189 --> 00:00:16.790
<v Zina Walser>Maintenance für die Smart Fabrik.

3
00:00:17.309 --> 00:00:19.829
<v Zina Walser>Wir freuen uns sehr, dass Sie heute mit
dabei sind.

4
00:00:20.510 --> 00:00:24.469
<v Zina Walser>Mein Name ist Zina Walser und ich werde
das heutige Webinar für Sie moderieren.

5
00:00:25.860 --> 00:00:29.479
<v Zina Walser>Bevor wir beginnen, gebe ich Ihnen noch
eine kurze Einführung in die

6
00:00:29.479 --> 00:00:31.559
<v Zina Walser>Benutzeroberfläche des Webinar-Tools.

7
00:00:32.200 --> 00:00:35.759
<v Zina Walser>Die Erfahrung hat uns hier nämlich
gezeigt, dass das Webinar-Tool am besten

8
00:00:35.759 --> 00:00:38.639
<v Zina Walser>funktioniert, wenn es über Google Chrome
geöffnet ist.

9
00:00:39.159 --> 00:00:43.400
<v Zina Walser>Sollten Sie also technische Probleme
haben, dann wissen Sie als allererstes den

10
00:00:43.400 --> 00:00:43.869
<v Zina Walser>Browser.

11
00:00:44.709 --> 00:00:48.869
<v Zina Walser>Während des Webinars gibt es zwei zentrale
Formen, wie Sie mit uns interagieren

12
00:00:48.869 --> 00:00:49.180
<v Zina Walser>können.

13
00:00:49.669 --> 00:00:52.150
<v Zina Walser>Die eine finden Sie im Webinarfenster
rechts.

14
00:00:52.549 --> 00:00:57.189
<v Zina Walser>Dort können Sie aufkommende Fragen gerne
während des Webinars anonym schriftlich

15
00:00:57.189 --> 00:01:01.470
<v Zina Walser>stellen, und wir werden diese dann nach
dem Webinar per Mail für Sie beantworten.

16
00:01:03.279 --> 00:01:07.620
<v Zina Walser>Zudem nutzen wir am Schluss gerne die
Möglichkeit, Sie nach Ihrer Meinung zu fragen.

17
00:01:08.040 --> 00:01:12.080
<v Zina Walser>Und um dieses Umfragetool kurz zu testen,
haben wir hier eine 1.

18
00:01:12.080 --> 00:01:12.879
<v Zina Walser>Frage für Sie.

19
00:01:28.970 --> 00:01:33.129
<v Zina Walser>Falls Sie nun die letzte Option angekreuzt
haben und vielleicht trotzdem irgendwann

20
00:01:33.129 --> 00:01:37.050
<v Zina Walser>am Thema interessiert sind, natürlich auch
wenn Sie die anderen beiden Optionen

21
00:01:37.050 --> 00:01:40.569
<v Zina Walser>angewählt haben, werden wir das gesamte
Webinar aufzeichnen.

22
00:01:40.730 --> 00:01:45.250
<v Zina Walser>Und Sie erhalten dann nach dem Ende des
Webinars eine E-Mail, wo Sie sowohl die

23
00:01:45.250 --> 00:01:48.650
<v Zina Walser>Webinar-Aufzeichnung als auch alle
gezeigten Folien finden.

24
00:01:49.089 --> 00:01:53.169
<v Zina Walser>Dort können Sie dann auch die Links
abrufen, die Levin Burkhardt während des

25
00:01:53.169 --> 00:01:55.610
<v Zina Walser>Webinars in den Folien verlinkt hat.

26
00:01:57.339 --> 00:02:00.660
<v Zina Walser>So, mit diesen Infor- Informationen habe
ich nun genug geredet.

27
00:02:01.220 --> 00:02:05.379
<v Zina Walser>Ich übergebe nun gerne an Levin Burkhardt
und wir starten gleich mit einem kurzen

28
00:02:05.379 --> 00:02:05.739
<v Zina Walser>Video.

29
00:04:02.800 --> 00:04:03.039
<v Speaker 2>Ja.

30
00:04:03.119 --> 00:04:04.279
<v Speaker 2>Guten Tag, liebe Zuschauer.

31
00:04:04.320 --> 00:04:10.160
<v Speaker 2>Auch von meiner Seite zum zweiten Teil
unserer WebinarSie Smart Production Sensai in

32
00:04:10.160 --> 00:04:10.600
<v Speaker 2>Action.

33
00:04:12.059 --> 00:04:16.299
<v Speaker 2>Sollten Sie das Webinar von Thomas
Stockner zu ITT Integration letzte Woche verpasst

34
00:04:16.299 --> 00:04:21.299
<v Speaker 2>haben, können Sie sich durch das Scannen
des aufgezeigten QR-Codes die Aufzeichnung

35
00:04:21.299 --> 00:04:22.399
<v Speaker 2>jederzeit anschauen.

36
00:04:23.019 --> 00:04:28.130
<v Speaker 2>Der Data Integration Layer in Ihrer
Produktion bietet die Basis für Digitalisierung

37
00:04:28.130 --> 00:04:31.779
<v Speaker 2>und somit auch für unser heutiges Thema
Sensei Predictive Maintenance.

38
00:04:32.299 --> 00:04:37.179
<v Speaker 2>Nun freue ich mich, liebe Zuschauer, Ihnen
Sensei in den nächsten 30 Minuten etwas

39
00:04:37.179 --> 00:04:38.220
<v Speaker 2>näherbringen zu dürfen.

40
00:04:40.109 --> 00:04:41.429
<v Speaker 2>Was ist Sensei überhaupt?

41
00:04:41.470 --> 00:04:45.869
<v Speaker 2>Und welche Herausforderungen in der
Industrie möchten wir mit Sensei adressieren und

42
00:04:45.869 --> 00:04:46.950
<v Speaker 2>nachhaltig optimieren?

43
00:04:50.579 --> 00:04:54.429
<v Speaker 2>Grundsätzlich unterscheiden wir heute in
der Instandhaltung zwischen drei

44
00:04:54.429 --> 00:04:55.619
<v Speaker 2>verschiedenen Strategien.

45
00:04:56.350 --> 00:05:00.910
<v Speaker 2>Die reaktive Instandhaltung ist die
klassische Instandhaltung, wie wir es heutzutage

46
00:05:00.910 --> 00:05:03.510
<v Speaker 2>oftmals in der Realität noch antreffen.

47
00:05:04.149 --> 00:05:09.350
<v Speaker 2>heißt jährliche Wartungen werden zwar
ausgeführt, jedoch gibt es zwischen den

48
00:05:09.350 --> 00:05:14.070
<v Speaker 2>Wartungen immer wieder Ausfälle von
Hardware, welche zu hohen Kosten und ungeplanten

49
00:05:14.070 --> 00:05:15.029
<v Speaker 2>Stillständen führen.

50
00:05:16.540 --> 00:05:20.619
<v Speaker 2>Schlimmer wird es auch mit zunehmendem
Alter der Anlage und den eingebauten

51
00:05:20.619 --> 00:05:21.339
<v Speaker 2>Komponenten.

52
00:05:22.230 --> 00:05:26.910
<v Speaker 2>Die Präventive Wartung wird oftmals dort
ausgeführt, wo ungeplante Stillstände

53
00:05:26.910 --> 00:05:28.510
<v Speaker 2>keinesfalls auftreten dürfen.

54
00:05:29.070 --> 00:05:34.109
<v Speaker 2>Mit dieser Strategie reduziert man zwar
die Verfügbarkeit der Anlage, jedoch sind

55
00:05:34.109 --> 00:05:36.910
<v Speaker 2>die Tätigkeiten und der Produktionsausfall
planbar.

56
00:05:38.350 --> 00:05:42.679
<v Speaker 2>Allerdings gibt es einen massiv erhöhten
Wechsel von Aggregaten, welcher vielleicht

57
00:05:42.679 --> 00:05:47.000
<v Speaker 2>gar nicht nötig ist, und verursacht so
wiederum enorme Instandhaltungskosten.

58
00:05:47.929 --> 00:05:52.130
<v Speaker 2>Ein Sensstand zwischen den
Wartungsfenstern kann ich kann auch nicht zu 100 %

59
00:05:52.130 --> 00:05:53.000
<v Speaker 2>ausgeschlossen werden.

60
00:05:54.390 --> 00:05:59.000
<v Speaker 2>Durch die Digitalisierung und dessen
Systeme und Technologien, wie beispielsweise

61
00:05:59.290 --> 00:06:03.489
<v Speaker 2>künstliche Intelligenz befindet sich die
Industrie auch in der Instandhaltung in

62
00:06:03.489 --> 00:06:04.130
<v Speaker 2>einem Wandel.

63
00:06:04.769 --> 00:06:09.980
<v Speaker 2>Wir wollen zu jeder Zeit einen Überblick
über die eingesetzten Aggregate haben und

64
00:06:09.980 --> 00:06:14.980
<v Speaker 2>dort Wartungsaufwendungen betreiben, wo
wir auch wirklich Notwendigkeit sehen.

65
00:06:15.489 --> 00:06:19.890
<v Speaker 2>Dazu benötigen wir Daten, und zwar nicht
irgendwelche Daten, sondern die richtigen

66
00:06:19.890 --> 00:06:20.329
<v Speaker 2>Daten.

67
00:06:21.049 --> 00:06:26.679
<v Speaker 2>Ist diese Basis geschaffen, können wir
vorausschauende Wartung betreiben und dort

68
00:06:26.679 --> 00:06:31.179
<v Speaker 2>unsere Instandhaltungsaufwendungen
einsetzen, wo es auch wirklich notwendig ist, und

69
00:06:31.179 --> 00:06:32.410
<v Speaker 2>zwar zum richtigen Zeitpunkt.

70
00:06:36.649 --> 00:06:42.049
<v Speaker 2>Um dies zu erreichen, hat Siemens im Jahr
2022 das Portfolio mit Sensi Predictive

71
00:06:42.049 --> 00:06:43.049
<v Speaker 2>Maintenance erweitert.

72
00:06:43.910 --> 00:06:50.510
<v Speaker 2>Das Unternehmen beschäftigt sich seit 2014
damit, Software as a Service mit Software

73
00:06:50.510 --> 00:06:54.670
<v Speaker 2>as a Service Mehrwert für den Kunden im
Bereich Asset Intelligence zu generieren.

74
00:06:55.309 --> 00:06:59.190
<v Speaker 2>Sensei PDM, also Sensei Predictive
Maintenance, ist also ein cloud-basiertes

75
00:06:59.190 --> 00:07:03.109
<v Speaker 2>Softwareprodukt für den spezifischen
Anwendungsfall Predictive Maintenance.

76
00:07:06.279 --> 00:07:10.950
<v Speaker 2>Wichtig ist, dass diese Predictive
maintenance Lösung nicht nur darauf ausgerichtet

77
00:07:10.950 --> 00:07:15.269
<v Speaker 2>ist, ungesplante Ausfallzeiten zu
reduzieren und die Betriebszeit zu erhöhen,

78
00:07:15.589 --> 00:07:20.149
<v Speaker 2>sondern wir nutzen sie auch, um den
Wartungsaufwand zu reduzieren, wie zum Beispiel

79
00:07:20.149 --> 00:07:24.470
<v Speaker 2>allgemein weniger Inspektionen
durchzuführen, heißt rechtzeitige Durchführung der

80
00:07:24.470 --> 00:07:24.950
<v Speaker 2>Wartung.

81
00:07:25.470 --> 00:07:30.350
<v Speaker 2>Wir fokussieren uns auf das Wesentliche
und ermöglichen dadurch eine reduzierte

82
00:07:30.350 --> 00:07:35.230
<v Speaker 2>Ersatzteilhaltung, eine effizientere
Ressourcennutzung bei gleichbleibender oder

83
00:07:35.230 --> 00:07:36.540
<v Speaker 2>sogar besserer Qualität.

84
00:07:37.549 --> 00:07:41.950
<v Speaker 2>Wir nutzen Predictive Maintenance Sensor
auch, um Betriebskosten zu senden, zum

85
00:07:41.950 --> 00:07:45.589
<v Speaker 2>Beispiel weniger Verbrauchsmaterial und
weniger Ausschuss.

86
00:07:46.649 --> 00:07:53.160
<v Speaker 2>Und last but not least wirken wir dem
Fachkräftemangel entgegen und nutzen sie dazu,

87
00:07:53.200 --> 00:07:54.720
<v Speaker 2>die Nachhaltigkeit zu verbessern.

88
00:07:55.239 --> 00:08:00.839
<v Speaker 2>Dadurch können Sie mit bis zu 50 % weniger
Maschinenstillstände und einer erhöhten

89
00:08:00.839 --> 00:08:04.200
<v Speaker 2>Produktivität der Instandhaltung von bis
zu 30 % rechnen.

90
00:08:07.779 --> 00:08:10.500
<v Speaker 2>Sensei arbeitet asset agnostisch.

91
00:08:11.380 --> 00:08:16.540
<v Speaker 2>Das bedeutet, dass die Software unabhängig
vom Hersteller, von der Art der Anlage

92
00:08:16.540 --> 00:08:21.959
<v Speaker 2>oder der Hardware und dessen Funktion eine
Vielfalt von unterschiedlicher Hardware,

93
00:08:22.019 --> 00:08:23.890
<v Speaker 2>Anlagen und Maschinen überwachen kann.

94
00:08:27.540 --> 00:08:29.420
<v Speaker 2>Wo kann Sensei denn nun helfen?

95
00:08:29.940 --> 00:08:34.859
<v Speaker 2>Die Lösung kann in allen Bereichen in eine
Factory eingesetzt werden, heißt, dass

96
00:08:34.859 --> 00:08:40.250
<v Speaker 2>wir nicht nur Assets aus Fertigungsanlagen
überwachen können, die hier als primäre

97
00:08:40.250 --> 00:08:45.010
<v Speaker 2>Produktions dargestellt wird, sondern auch
sämtliche Aggregate aus einer

98
00:08:45.010 --> 00:08:51.260
<v Speaker 2>beispielsweise einer Verpackungsanlage,
aus einem Lagersystem bis hin zu Assets in

99
00:08:51.260 --> 00:08:55.520
<v Speaker 2>der Gebäudetechnologie, wie beispielsweise
Klimaanlagen, Rheinraumlüfter und so

100
00:08:55.520 --> 00:08:55.849
<v Speaker 2>weiter.

101
00:08:56.510 --> 00:09:01.989
<v Speaker 2>Alle diese Assets können problemlos und
nahtlos auch über andere Systeme in Sensei

102
00:09:01.989 --> 00:09:02.750
<v Speaker 2>integriert werden.

103
00:09:06.429 --> 00:09:08.919
<v Speaker 2>Ich spreche nun schon die ganze Zeit von
Assets.

104
00:09:09.239 --> 00:09:13.960
<v Speaker 2>Eine der häufigsten Fragen, die ich dazu
höre, ist: Was ist denn ein Asset

105
00:09:13.960 --> 00:09:14.440
<v Speaker 2>überhaupt?

106
00:09:15.239 --> 00:09:18.799
<v Speaker 2>Wir bei Siemens haben für Sensor
Predictive Maintenance eine genaue Vorstellung

107
00:09:18.799 --> 00:09:24.080
<v Speaker 2>davon, was ein Asset und wie die
Definition für Assets für ein Kunde aussehen kann.

108
00:09:25.409 --> 00:09:25.559
<v Speaker 2>Dies in Kunden individuell zu betrachten.

109
00:09:29.400 --> 00:09:34.719
<v Speaker 2>Grundsätzlich ist ein Asset ein Teil in
der Produktionsumgebung, worauf

110
00:09:34.719 --> 00:09:37.239
<v Speaker 2>Störmeldungen und Störfälle erhoben werden
können.

111
00:09:37.960 --> 00:09:43.239
<v Speaker 2>Dieses Teil kann eine physische Maschine,
respektive eine Hardware, wie

112
00:09:43.239 --> 00:09:48.880
<v Speaker 2>beispielsweise ein Motor oder ein in sich
geschlossenes System, wie beispielsweise

113
00:09:48.880 --> 00:09:51.159
<v Speaker 2>ein Schmierkreislaufsteuersystem sein.

114
00:09:52.960 --> 00:09:57.760
<v Speaker 2>Zudem sollte es unabhängig von anderen
Assets ausgetauscht oder repariert werden

115
00:09:57.760 --> 00:09:58.080
<v Speaker 2>können.

116
00:10:03.450 --> 00:10:07.679
<v Speaker 2>Durch die Nutzung und Anwendung und
stetiger Weiterentwicklung der Software

117
00:10:07.679 --> 00:10:14.200
<v Speaker 2>profitieren Produktionen und die, die in
der Produktion überwachten Assets aus dem

118
00:10:14.200 --> 00:10:16.799
<v Speaker 2>Asset-spezifischen Know-how aus diversen
Industrien.

119
00:10:17.890 --> 00:10:22.890
<v Speaker 2>Mittlerweile gibt es mehr als 500
verschiedene Asset-Typen, die zur Konfiguration

120
00:10:22.890 --> 00:10:27.090
<v Speaker 2>ihrer Assets bereits genutzt werden können
und somit einen unglaublich schnellen

121
00:10:27.090 --> 00:10:28.570
<v Speaker 2>Erfolg der Analyse zulässt.

122
00:10:29.090 --> 00:10:31.570
<v Speaker 2>Profitieren Sie von dieser schnellen
Integration.

123
00:10:39.549 --> 00:10:42.190
<v Speaker 2>Wie lernen wir von den
Zustandsindikatoren?

124
00:10:42.630 --> 00:10:48.109
<v Speaker 2>Zunächst erfassen wir Daten der Anlage
respektive des spezifischen Assets, wie hier

125
00:10:48.109 --> 00:10:49.950
<v Speaker 2>abgebildet, beispielsweise ein Motor.

126
00:10:51.159 --> 00:10:56.090
<v Speaker 2>Dazu bedienen wir uns optimalerweise immer
an bereits vorhandenen Datenquellen.

127
00:10:56.530 --> 00:11:01.289
<v Speaker 2>Das kann ein bestehendes Leitsystem oder
auch eine bestehende Steuerung, die

128
00:11:01.289 --> 00:11:05.330
<v Speaker 2>Datenpunkte zur Verfügung stellt oder auch
ein Condition Monitoring System sein.

129
00:11:06.260 --> 00:11:10.219
<v Speaker 2>Sei es Temperatur, Stromstärke,
Drehmomentvibration oder Druck.

130
00:11:10.739 --> 00:11:14.820
<v Speaker 2>Alles, was für den Zustand der Anlage
respektive des Essens relevant ist, wird in

131
00:11:14.820 --> 00:11:15.700
<v Speaker 2>Sensor integriert.

132
00:11:17.460 --> 00:11:23.299
<v Speaker 2>Dazu geschalten werden Betriebszustände
wie Drehzahl oder auch andere

133
00:11:23.299 --> 00:11:27.099
<v Speaker 2>Kontrollparameter, wie beispielsweise
Anlage läuft oder die Anlage läuft nicht.

134
00:11:27.739 --> 00:11:32.820
<v Speaker 2>Ebenfalls integrieren wir bestehende
Maintenance-Informationen, um auch diese Daten

135
00:11:32.820 --> 00:11:34.739
<v Speaker 2>für individuelle Modelle nutzen zu können.

136
00:11:36.630 --> 00:11:41.789
<v Speaker 2>Aus diesen Daten generieren wir nun einen
sogenannten einzigartigen digitalen

137
00:11:41.789 --> 00:11:46.989
<v Speaker 2>Fingerabdruck des normalen Assets
Verhaltens, heißt, wir erfassen den Normalzustand

138
00:11:46.989 --> 00:11:47.590
<v Speaker 2>der Anlage.

139
00:11:48.390 --> 00:11:53.890
<v Speaker 2>Anstatt uns auf Branchen oder
Maschinenbauspezifische Erwartungen zu verlassen,

140
00:11:54.450 --> 00:12:01.250
<v Speaker 2>erfahren wir ab einem bestimmten Zeitpunkt
des Lebensdauer der Lebensdauer der

141
00:12:01.250 --> 00:12:05.609
<v Speaker 2>Anlage, was normal ist, und pflegen diese
entsprechenden Sensai ein.

142
00:12:05.849 --> 00:12:07.719
<v Speaker 2>Das ermöglicht uns einen Vergleich.

143
00:12:11.780 --> 00:12:16.780
<v Speaker 2>Haben wir diesen digitalen Fußabdruck des
Normalzustandes erstellt, vergleichen wir

144
00:12:16.780 --> 00:12:18.469
<v Speaker 2>kontinuierlich mit Live-Daten.

145
00:12:19.059 --> 00:12:24.299
<v Speaker 2>Dadurch können wir Unterschiede zwischen
normalen und aktuellen anstehenden Daten

146
00:12:24.299 --> 00:12:28.969
<v Speaker 2>sehr schnell erkennen und Veränderungen
verfolgen, sobald sie auftreten.

147
00:12:30.479 --> 00:12:35.400
<v Speaker 2>Entsprechende Fälle werden gemeldet und
die Nutzer werden darüber informiert, das

148
00:12:35.400 --> 00:12:37.039
<v Speaker 2>Ganze vollautomatisiert.

149
00:12:38.169 --> 00:12:43.640
<v Speaker 2>Der Algorithmus respektive das Machine
Learning Framework in Sensei ermöglicht so

150
00:12:43.640 --> 00:12:48.729
<v Speaker 2>ein automatisiertes Lernen der
Zustandsindikatoren und damit eine Weiterentwicklung

151
00:12:48.729 --> 00:12:49.409
<v Speaker 2>des Systems.

152
00:12:53.890 --> 00:12:58.609
<v Speaker 2>Die Sensi Attention Engine ist ein
zentraler Bestandteil der Predictive

153
00:12:58.609 --> 00:12:59.549
<v Speaker 2>Maintenance-Lösung.

154
00:13:00.049 --> 00:13:04.640
<v Speaker 2>Sie nutzt fortschrittliche
KI-Technologien, um Wartungen von Maschinen effizienter

155
00:13:04.640 --> 00:13:06.169
<v Speaker 2>und intelligenter zu gestalten.

156
00:13:07.500 --> 00:13:11.979
<v Speaker 2>Wir arbeiten hier mit einer intelligenten
Priorisierung von Informationen.

157
00:13:12.349 --> 00:13:16.820
<v Speaker 2>Statt alle möglichen Fien anzuzeigen,
filtert die Engine gezielt die Informationen

158
00:13:16.820 --> 00:13:22.299
<v Speaker 2>heraus, die für den Nutzer am
relevantesten oder am dringendsten sind, so wird die

159
00:13:22.299 --> 00:13:27.380
<v Speaker 2>Informationsflut reduziert, die
Aufmerksamkeit auf das Wesentliche gelenkt und in

160
00:13:27.380 --> 00:13:32.179
<v Speaker 2>Kategorien Anomalien, Trends, Grenzwerte
oder auch Prognosen gegliedert.

161
00:13:33.200 --> 00:13:38.799
<v Speaker 2>Der Aufmerksamkeitsindex Attentionindex in
diesem Falle ist eine Engine, welche für

162
00:13:38.799 --> 00:13:43.830
<v Speaker 2>jedes Asset oder Anlage einen sogenannten
Attention Index berechnet.

163
00:13:44.710 --> 00:13:49.190
<v Speaker 2>Diese basiert auf aktuellen und
historischen Verhaltensmustern der Maschine,

164
00:13:49.510 --> 00:13:55.030
<v Speaker 2>Benutzerinteraktionen und Feedback
respektive Kritikalität der Anlage,

165
00:13:55.070 --> 00:13:57.789
<v Speaker 2>Konfigurationseinstellungen und
Produktionsplänen.

166
00:13:59.179 --> 00:14:03.219
<v Speaker 2>Die Engine lernt kontinuierlich aus den
Interaktionen mit den Nutzern.

167
00:14:03.780 --> 00:14:08.099
<v Speaker 2>Dadurch wird sie mit der Zeit immer
präziser darin, relevante Informationen,

168
00:14:08.179 --> 00:14:09.820
<v Speaker 2>Wartungsinformationen bereitzustellen.

169
00:14:10.799 --> 00:14:16.440
<v Speaker 2>Durch klare und umsetzbare Erkenntnisse
hilft die Engine, den Unterhalt Teams

170
00:14:16.440 --> 00:14:22.239
<v Speaker 2>gezielter zu agieren und zu reagieren, sei
es bei vorbeugenden maßnahmen oder bei

171
00:14:22.239 --> 00:14:23.679
<v Speaker 2>der Behebung von Problemen.

172
00:14:24.640 --> 00:14:25.900
<v Speaker 2>Was ist daran besonders?

173
00:14:26.440 --> 00:14:30.840
<v Speaker 2>Die Sensei Attention Engine geht über die
klassische Zustandsüberwachung hinaus.

174
00:14:33.659 --> 00:14:36.179
<v Speaker 2>Sie bietet nicht nur einen
Gesundheitsstatus von Maschinen.

175
00:14:37.140 --> 00:14:40.919
<v Speaker 2>Sondern zeigt auf, wo sofortiger
Handlungsbedarf besteht.

176
00:14:45.510 --> 00:14:48.659
<v Speaker 2>Zusätzlich gibt es in Sensei den Sensi
Copilot.

177
00:14:49.059 --> 00:14:52.260
<v Speaker 2>Das ist die zweite künstliche Intelligenz.

178
00:14:53.619 --> 00:14:58.929
<v Speaker 2>Der Sensi Copilot von Siemens ist ein
KI-gestützter virtueller Assistent für die

179
00:14:58.929 --> 00:15:04.369
<v Speaker 2>Industrielle, für die industrielle
Instandhaltung und der Teil der Sensi Predictive

180
00:15:04.369 --> 00:15:05.570
<v Speaker 2>Maintenance Plattform ist.

181
00:15:06.750 --> 00:15:12.390
<v Speaker 2>Er wurde dazu entwickelt, um Wartungsteams
bei der Analyse, Diagnose und Optimierung

182
00:15:12.390 --> 00:15:17.390
<v Speaker 2>von Maschinenzuständen zu unterstützen,
und das auf eine intuitive dialogbasierte

183
00:15:17.390 --> 00:15:23.869
<v Speaker 2>Weise, wie sie es alle heutzutage von
GetGPT oder auch anderen basierten generativen

184
00:15:23.869 --> 00:15:24.570
<v Speaker 2>Eyes kennen.

185
00:15:28.580 --> 00:15:30.640
<v Speaker 2>Was sind die Herausforderungen für
Wartungsteam?

186
00:15:31.159 --> 00:15:34.200
<v Speaker 2>Wir haben heutzutage eine mangelnde
Datenkompetenz.

187
00:15:34.239 --> 00:15:38.960
<v Speaker 2>Das heißt, dass die Mitarbeiterin in
Wartungsteams in der Fertigung meist nicht

188
00:15:38.960 --> 00:15:44.280
<v Speaker 2>ausgebildete Datenwissenschaftler sind und
im Daily Business keine Zeit dafür haben,

189
00:15:44.799 --> 00:15:48.640
<v Speaker 2>Diagramme oder andere Unterlagen zu
studieren und zu interpretieren.

190
00:15:49.669 --> 00:15:54.190
<v Speaker 2>Weiter geht wichtiges Wissens Wissen über
die Zeit über den Mandel der Zeit

191
00:15:54.190 --> 00:15:54.669
<v Speaker 2>verloren.

192
00:15:55.789 --> 00:16:01.190
<v Speaker 2>Erfahrene Ingenieure gehen in den
Ruhestand und werden durch unerfahrene jüngere

193
00:16:01.190 --> 00:16:02.390
<v Speaker 2>Mitarbeiter ersetzt.

194
00:16:03.229 --> 00:16:06.190
<v Speaker 2>Es gibt häufiger auch Mitarbeiterwechsel
als früher.

195
00:16:06.549 --> 00:16:09.950
<v Speaker 2>Und wir haben bekanntlich einen
Fachkräftemann auf dem Arbeitsmarkt.

196
00:16:10.229 --> 00:16:15.260
<v Speaker 2>Nicht zu vergessen, die älteren
Technologien, worauf unsere Fachkräfte heutzutage

197
00:16:15.309 --> 00:16:16.710
<v Speaker 2>gar nicht mehr ausgebildet werden.

198
00:16:18.020 --> 00:16:23.260
<v Speaker 2>Zuletzt gibt es oftmals keine einfache
Möglichkeit mehr, Informationen automatisiert

199
00:16:23.260 --> 00:16:27.099
<v Speaker 2>zu erfassen und aufzubewahren, um diese
später weitergeben zu können.

200
00:16:29.940 --> 00:16:34.260
<v Speaker 2>Genau das setzt der Maintenance-C-Pilot
von Siemens Sensei an.

201
00:16:34.700 --> 00:16:39.530
<v Speaker 2>Die generative künstliche Intelligenz
interpretiert die erfassten Daten, was ihnen

202
00:16:39.530 --> 00:16:40.929
<v Speaker 2>enorm viel Zeit erspart.

203
00:16:41.500 --> 00:16:46.380
<v Speaker 2>Bedienbar ist der Copilot wie eine andere
generative KI, beispielsweise vorhin schon

204
00:16:46.380 --> 00:16:47.659
<v Speaker 2>erwähnt JetGPT.

205
00:16:49.380 --> 00:16:54.460
<v Speaker 2>Um Wartungsentscheidungen treffen zu
können, stellen Sie einfach Fragen und Sie

206
00:16:54.460 --> 00:16:56.380
<v Speaker 2>erhalten die gewünschten Antworten.

207
00:16:57.760 --> 00:16:58.989
<v Speaker 2>Egal in welcher Sprache.

208
00:17:00.210 --> 00:17:04.810
<v Speaker 2>Weiter muss erwähnt werden, dass die
dadurch entstehende Datenbasis und dessen

209
00:17:04.810 --> 00:17:09.569
<v Speaker 2>Qualität enormen Einfluss auf die Wartung
haben wird.

210
00:17:10.250 --> 00:17:16.209
<v Speaker 2>Der Co-Pilot konsolidiert das Wissen aller
Wartungsmitarbeiter in einem System,

211
00:17:16.569 --> 00:17:21.209
<v Speaker 2>erfasst die Erkenntnisse der täglichen
Arbeiten und wird dadurch ein

212
00:17:21.209 --> 00:17:24.689
<v Speaker 2>hochintelligentes Expertenmitglied in
ihrem Wartungsteam.

213
00:17:29.140 --> 00:17:34.900
<v Speaker 2>Cedric Nicke, der CEO der Siemens
Digital-Industries, hat 2024 auch ein

214
00:17:34.900 --> 00:17:36.619
<v Speaker 2>entsprechendes Statement dazu abgegeben.

215
00:17:37.380 --> 00:17:40.939
<v Speaker 2>In der Vergangenheit mussten Menschen die
Maschinen über technische Schnittstellen

216
00:17:40.939 --> 00:17:42.660
<v Speaker 2>und Programmiersprachen steuern.

217
00:17:43.339 --> 00:17:47.660
<v Speaker 2>Das erforderte spezielles Fachwissen, war
oft komplex und auch zeitaufwendig.

218
00:17:48.510 --> 00:17:52.189
<v Speaker 2>Maschinen verstanden nur ihre eigenen
Sprachen wie beispielsweise Programmiercode,

219
00:17:52.310 --> 00:17:55.040
<v Speaker 2>Störbefehle oder spezifische
Eingabeformate.

220
00:17:56.510 --> 00:17:59.869
<v Speaker 2>Mit dem Siemens Industrial-Copilot beginnt
eine neue Ära.

221
00:18:00.430 --> 00:18:04.670
<v Speaker 2>Dank moderner KI-Technologien,
insbesondere der Verarbeitung natürlicher Sprache,

222
00:18:04.790 --> 00:18:08.630
<v Speaker 2>können Maschinen nun auf unsere
menschliche Sprache verstehen.

223
00:18:09.109 --> 00:18:14.390
<v Speaker 2>Das Zitat bringt somit auf den Punkt, dass
wir uns von einer technikzentrierten zu

224
00:18:14.390 --> 00:18:17.910
<v Speaker 2>einer menschenzentrierten Interaktion mit
Maschinen bewegen.

225
00:18:19.310 --> 00:18:22.949
<v Speaker 2>Die Siemens in Del Cop Pilots sind ein
Symbol für diesen Mantel.

226
00:18:23.709 --> 00:18:26.869
<v Speaker 2>Sie machen Technologie zugänglicher,
verständlicher und leistungsfähiger.

227
00:18:31.900 --> 00:18:37.930
<v Speaker 2>Der Case-Zyklus beschreibt den
strukturierten Ablauf zur Einführung, zur Nutzung und

228
00:18:37.930 --> 00:18:40.810
<v Speaker 2>zur Optimierung von Sensei und dessen
Technologie.

229
00:18:41.449 --> 00:18:44.050
<v Speaker 2>Gehen wir diesen Zyklus mal gemeinsam
durch.

230
00:18:45.650 --> 00:18:50.969
<v Speaker 2>Sie sehen Siemens Sensi Predictive
Maintenance als Software zentral auf dieses Folie

231
00:18:50.969 --> 00:18:51.569
<v Speaker 2>abgebildet.

232
00:18:54.089 --> 00:18:56.670
<v Speaker 2>Dazu werden Assets aus der Produktion.

233
00:18:57.979 --> 00:19:00.219
<v Speaker 2>Mit Hilfe von vorhandenen Daten.

234
00:19:00.890 --> 00:19:02.699
<v Speaker 2>Das können Condition Monitoring-Daten
sein.

235
00:19:02.780 --> 00:19:07.699
<v Speaker 2>Das können Daten aus einem bestehenden
Leitsystem sein, in Sensi Predictive

236
00:19:07.699 --> 00:19:08.739
<v Speaker 2>Maintenance integriert.

237
00:19:10.119 --> 00:19:14.069
<v Speaker 2>Und mit Kontrollparametern aus ihren
bestehenden Steuerungen in einen Kontext

238
00:19:14.069 --> 00:19:14.469
<v Speaker 2>gesetzt.

239
00:19:18.500 --> 00:19:25.140
<v Speaker 2>Der Nutzer konfiguriert gemeinsam mit uns
das System, sagt uns, wie

240
00:19:25.140 --> 00:19:31.300
<v Speaker 2>wir das System in welcher Konfiguration
aufbauen sollen, und ist somit von Anfang an

241
00:19:31.300 --> 00:19:37.900
<v Speaker 2>mit dabei, die Basis zu schaffen, um
später Sensei Nutzenbringend einsetzen zu

242
00:19:37.900 --> 00:19:38.180
<v Speaker 2>können.

243
00:19:39.969 --> 00:19:41.270
<v Speaker 2>Haben wir das gemacht.

244
00:19:41.770 --> 00:19:42.930
<v Speaker 2>Und Sensei ist live.

245
00:19:43.530 --> 00:19:48.189
<v Speaker 2>Wir Sensei basierend auf den erfassten
Assets ein Case eröffnen.

246
00:19:49.469 --> 00:19:54.630
<v Speaker 2>Gehen wir davon aus, dass bei Ihnen in der
Produktion ein Asset einen Zustand hat,

247
00:19:54.910 --> 00:19:58.109
<v Speaker 2>der nicht gemäß normal deklariert wurde.

248
00:19:59.680 --> 00:20:04.819
<v Speaker 2>Der Nutzer bearbeitet diesen Case, schaut,
wo das Problem liegt, und bringt sein

249
00:20:04.819 --> 00:20:11.239
<v Speaker 2>Feedback mit den vorhandenen Werkzeugen
von Sensai zurück in die Software und pflegt

250
00:20:11.239 --> 00:20:13.969
<v Speaker 2>diese entsprechend in Sensi ein.

251
00:20:15.540 --> 00:20:21.310
<v Speaker 2>Wie vorhin erklärt, haben wir dazu auch
den Copilot, der sie mit der generativen AI

252
00:20:21.400 --> 00:20:24.619
<v Speaker 2>sprachbasiert und auch textbasiert und
dabei unterstützen.

253
00:20:25.380 --> 00:20:32.010
<v Speaker 2>Dieser gesamte Zyklus ist so gestaltet,
dass sie ihr System nach und nach

254
00:20:32.550 --> 00:20:35.579
<v Speaker 2>besser, intelligenter und nutzbarer
machen.

255
00:20:37.310 --> 00:20:41.589
<v Speaker 2>So sieht auch die tägliche Arbeit in einer
Produktion mit Sensei aus.

256
00:20:45.199 --> 00:20:48.880
<v Speaker 2>Gerne möchte ich nun auf zwei
Erfolgsstorys mit Sensei eingehen.

257
00:20:49.520 --> 00:20:54.280
<v Speaker 2>Dazu aber erst ein kurzes Kundenvideo von
der Firma Sachsen Mk.

258
00:20:55.140 --> 00:20:55.719
<v Speaker 2>Film ab.

259
00:21:11.920 --> 00:21:13.040
<v Roland Zittel>Mein Name ist Roland Zittel.

260
00:21:13.229 --> 00:21:18.160
<v Roland Zittel>Ich bin hier am Standort Lepersdorf, der
technische Leiter und auch verantwortlich

261
00:21:18.160 --> 00:21:20.680
<v Roland Zittel>für die Projektabwicklung an unserem
Standort.

262
00:21:24.810 --> 00:21:28.520
<v Roland Zittel>Die Sachsen Schleppersdorf GmbH wurde vor
30 Jahren gegründet.

263
00:21:29.390 --> 00:21:33.819
<v Roland Zittel>Seitdem haben wir uns zu einer der größten
und modernsten Molkereien Europas

264
00:21:33.819 --> 00:21:34.199
<v Roland Zittel>entwickelt.

265
00:21:35.780 --> 00:21:40.619
<v Roland Zittel>Wir verarbeiten jeden Tag ungefähr 4,6
Millionen Liter Milch.

266
00:21:41.219 --> 00:21:45.609
<v Roland Zittel>Das entspricht ungefähr 170
Lkw-Alieferungen pro Tag.

267
00:21:46.339 --> 00:21:51.699
<v Roland Zittel>Und deswegen ist es so wichtig, dass
unsere Technik 24/7 funktioniert.

268
00:21:55.660 --> 00:21:59.819
<v Roland Zittel>Wir haben ein Pilotprojekt hier am
Standort Lepersdorf gestartet mit Sensei

269
00:22:00.550 --> 00:22:01.859
<v Roland Zittel>Predictive maintenance.

270
00:22:02.150 --> 00:22:06.390
<v Speaker 4>Sensei Predictive maintenance ist eine
wertvolle Ergänzung unserer bestehenden

271
00:22:06.390 --> 00:22:11.430
<v Speaker 4>Prozesse der vorbeugenden Instandhaltung,
so kann man sehr schnell erkennen, dass

272
00:22:11.430 --> 00:22:16.270
<v Speaker 4>bei der vielfältigen Anlagentechnik, die
wir im Einsatz haben, sich an bestimmten

273
00:22:16.270 --> 00:22:21.130
<v Speaker 4>Stellen Probleme entwickeln können und
schnell reagiert werden und somit

274
00:22:21.130 --> 00:22:24.310
<v Speaker 4>Produktionsausfälle stark reduziert werden
können.

275
00:22:29.680 --> 00:22:36.000
<v Roland Zittel>Wir haben keine festen Wartungspläne mehr,
sondern orientieren uns an dem Zustand

276
00:22:36.000 --> 00:22:40.250
<v Roland Zittel>der Anlage und wollen damit natürlich
Instandhaltungskosten einsparen.

277
00:22:41.400 --> 00:22:46.989
<v Speaker 4>Größte Herausforderung bei der Umsetzung
unseres Pilotprojektes war, die richtigen

278
00:22:46.989 --> 00:22:47.939
<v Speaker 4>Daten zu finden.

279
00:22:48.069 --> 00:22:53.619
<v Speaker 4>Also zu sagen, wir gucken auf
Temperaturen, gucken auf Schwingspiele, gucken auf

280
00:22:53.750 --> 00:23:00.430
<v Speaker 4>Frequenzen, um dann Anomalien erkennen zu
können und daraus die richtigen Schlüsse

281
00:23:00.430 --> 00:23:01.109
<v Speaker 4>abzuleiten.

282
00:23:02.170 --> 00:23:05.510
<v Speaker 5>Sensei Predictive Maintenance passt sehr
gut in unserem bestehenden Prozess.

283
00:23:05.949 --> 00:23:07.349
<v Speaker 5>Die App ist sehr gut bedienbar.

284
00:23:07.890 --> 00:23:11.790
<v Speaker 5>Alle Funktionen, die wichtig sind, sind
schnell zu erreichen.

285
00:23:12.069 --> 00:23:15.869
<v Speaker 5>Wir haben viele Daten, die
zusammengetragen werden und die man sich dann auch noch

286
00:23:15.869 --> 00:23:20.790
<v Speaker 5>selber auswerten kann, um zu einem Schluss
zu kommen, was das Problem ist.

287
00:23:21.310 --> 00:23:25.250
<v Speaker 5>Der SSI Copilot ist auch ein gutes Tool,
vor allem.

288
00:23:25.500 --> 00:23:29.589
<v Speaker 5>Für neue Mitarbeiter, die sich in der
Materie noch nicht so tief drin befinden.

289
00:23:29.989 --> 00:23:34.500
<v Roland Zittel>Wir können heute schon sagen, dass sich
der Pilot Sense Eye Predictive Maintenance

290
00:23:34.829 --> 00:23:35.989
<v Roland Zittel>bereits amortisiert hat.

291
00:23:36.349 --> 00:23:40.750
<v Speaker 4>Bei verschiedenen Pumpen haben wir die
Erfahrung gemacht, dass ein Austausch der

292
00:23:40.750 --> 00:23:43.150
<v Speaker 4>Pumpe eben geplant werden konnte.

293
00:23:43.189 --> 00:23:47.589
<v Speaker 4>Und damit ist der Stillstand deutlich
geringer, als wenn die Pumpe während der

294
00:23:47.589 --> 00:23:48.790
<v Speaker 4>Produktion ausfällt.

295
00:23:49.770 --> 00:23:55.140
<v Roland Zittel>Das frühzeitige Erkennen dieses Events hat
uns Einsparungen in einem niedrigen

296
00:23:55.140 --> 00:23:57.119
<v Roland Zittel>sechsstelligen Euro-Bereich gebracht.

297
00:23:57.790 --> 00:24:00.369
<v Roland Zittel>Uns gefällt an diesem Projekt.

298
00:24:00.930 --> 00:24:04.750
<v Roland Zittel>Dass Siemens das Know-how sowohl auf der
technologischen technischen Seite

299
00:24:04.750 --> 00:24:07.910
<v Roland Zittel>mitbringt, aber auch auf der Seite der
Projektabwicklung.

300
00:24:08.229 --> 00:24:13.390
<v Speaker 4>Und da haben wir bei der Zusammenarbeit
sehr, sehr gute Erfahrungen gemacht, hatten

301
00:24:13.390 --> 00:24:18.910
<v Speaker 4>permanent die Unterstützung, aber nicht
nur, dass Siemens selber durchgeführt hat,

302
00:24:18.989 --> 00:24:22.989
<v Speaker 4>sondern die Unterstützung war gleichzeitig
Training und Einführung.

303
00:24:23.560 --> 00:24:29.520
<v Speaker 4>Sodass wir selbstständig dann den Piloten
weiterführen konnten und auch erfolgreich

304
00:24:29.709 --> 00:24:31.040
<v Speaker 4>zum Abschluss bringen konnten.

305
00:24:31.800 --> 00:24:36.520
<v Speaker 4>Mit Siemens planen wir die Integration von
Sensi ins SAPPM.

306
00:24:37.380 --> 00:24:44.349
<v Speaker 4>Mit dem Ziel, dass wir Wartungsmeldungen
aus dem Sensei automatisiert im SAPPM

307
00:24:44.349 --> 00:24:49.109
<v Speaker 4>erhalten, sodass diese bei der Erstellung
von Wartungsplänen berücksichtigt werden

308
00:24:49.109 --> 00:24:49.310
<v Speaker 4>können.

309
00:24:55.989 --> 00:25:00.969
<v Speaker 2>In Bezug auf das eben gesehene Video fasse
ich hier einen expliziten Fall von Sensei

310
00:25:00.969 --> 00:25:03.160
<v Speaker 2>bei der Firma SachsenMk zusammen.

311
00:25:04.719 --> 00:25:08.130
<v Speaker 2>Das Essen in diesem Erfolgsfall ist eine
Kreiselpumpe in der

312
00:25:08.130 --> 00:25:09.770
<v Speaker 2>Membranfiltrationsanlage.

313
00:25:10.569 --> 00:25:14.869
<v Speaker 2>Sensei hat zunächst einen stetigen Trend
im Effektivwert der Schwinggeschwindigkeit

314
00:25:14.869 --> 00:25:17.800
<v Speaker 2>erkannt und aufgrund dessen einen Fall
eröffnet.

315
00:25:19.310 --> 00:25:24.310
<v Speaker 2>Die Pumpe wurde gegen ein vorhandenes
Revisionsteil mit einem mod- modifizierten

316
00:25:24.310 --> 00:25:25.310
<v Speaker 2>Zulauf getauscht.

317
00:25:26.109 --> 00:25:29.829
<v Speaker 2>Der Tausch brachte jedoch nicht den
gewünschten Erfolg, was in den Schwingungswerten

318
00:25:29.829 --> 00:25:30.670
<v Speaker 2>klar ersichtlich war.

319
00:25:31.709 --> 00:25:36.750
<v Speaker 2>anschließend hat man den modifizierten
Zulauf der Pumpe auf den originalen Zulauf

320
00:25:36.750 --> 00:25:37.569
<v Speaker 2>zurückgerüstet.

321
00:25:38.150 --> 00:25:41.829
<v Speaker 2>Dies brachte eine Verbesserung, war jedoch
immer noch nicht zufriedenstellend,

322
00:25:42.280 --> 00:25:44.910
<v Speaker 2>respektive noch nicht wie vor dem Fehler.

323
00:25:46.239 --> 00:25:50.280
<v Speaker 2>Am Ende wurde die Pumpe gegen ein
komplettes Neuteil getauscht, was die Schwingung

324
00:25:50.280 --> 00:25:53.239
<v Speaker 2>wieder auf ein nngerechtes Niveau
reduzierte.

325
00:25:54.300 --> 00:26:00.500
<v Speaker 2>Die Analyse hat ergeben, dass das Lager
verschlissen und dass ebenso das eingesetzte

326
00:26:00.500 --> 00:26:02.479
<v Speaker 2>Revisionsteil fehlerhaft war.

327
00:26:03.319 --> 00:26:08.439
<v Speaker 2>Durch die Bearbeitung dieses Cases konnten
potenzielle Schäden an der Pumpenwelle

328
00:26:09.319 --> 00:26:11.800
<v Speaker 2>plus Abtrag im Pumpenraum verhindert
werden.

329
00:26:12.239 --> 00:26:13.920
<v Speaker 2>Somit hatten wir keinen Produktverlust.

330
00:26:14.119 --> 00:26:18.439
<v Speaker 2>Wir hatten keinen Prozessstau und die
Reparatur konnte geplant durchgeführt werden.

331
00:26:19.439 --> 00:26:25.030
<v Speaker 2>Wäre die F- Filtermembran, wäre die
Filtermembranen in der Anlage besch- beschädigt

332
00:26:25.030 --> 00:26:30.160
<v Speaker 2>worden, hätte das Folgeschäden von bis zu
200.000 Franken verursachen können.

333
00:26:35.729 --> 00:26:41.020
<v Speaker 2>Bei unserem zweiten Fall geht es um die
Verstopfung einer Gasleite Gasleitung für

334
00:26:41.020 --> 00:26:42.540
<v Speaker 2>einen Ofen in der Stahlindustrie.

335
00:26:43.459 --> 00:26:47.900
<v Speaker 2>Durch die Überwachung von Prozessdaten hat
Sensei detektiert, dass das zuständige

336
00:26:47.900 --> 00:26:53.219
<v Speaker 2>Steuerventil aufgefordert wurde, sich
weiter zu öffnen, um den gewünschten Gasfluss

337
00:26:53.219 --> 00:26:54.140
<v Speaker 2>aufrechtzuerhalten.

338
00:26:56.199 --> 00:27:00.719
<v Speaker 2>Die Ventilposition ist auf dem
Diagrammausschnitt von Sensei auf der Folie ist

339
00:27:00.719 --> 00:27:01.140
<v Speaker 2>sichtlich.

340
00:27:02.050 --> 00:27:07.229
<v Speaker 2>Sensei hat einen Trend gemeldet und
anschließend einen Case mit erhöhter Priorität

341
00:27:07.229 --> 00:27:07.750
<v Speaker 2>eröffnet.

342
00:27:09.079 --> 00:27:12.800
<v Speaker 2>Das Wartungsteam hat die Zuleitung geprüft
und die Rückstände gefunden.

343
00:27:13.000 --> 00:27:15.560
<v Speaker 2>Die Leitung konnte somit geplant gereinigt
werden.

344
00:27:17.050 --> 00:27:21.890
<v Speaker 2>Wäre dies nicht identifiziert worden,
hätte es zu einer Verarbeitungsverzögerung und

345
00:27:21.890 --> 00:27:24.239
<v Speaker 2>Produktionsausfällen oder sogar
Schlimmeres geführt.

346
00:27:25.459 --> 00:27:31.060
<v Speaker 2>Sie sehen, dass bereits ab einem Fall es
sich lohnen kann, sich mit Sensi

347
00:27:31.060 --> 00:27:35.089
<v Speaker 2>auseinanderzusetzen respektive mit Sensi
Protective Maintenance zu arbeiten.

348
00:27:38.810 --> 00:27:43.849
<v Speaker 2>Siemens bietet mittlerweile coole und
interessante Möglichkeiten, Sensei noch viel

349
00:27:43.849 --> 00:27:46.130
<v Speaker 2>näher und im Detail kennenlernen zu
können.

350
00:27:46.689 --> 00:27:51.089
<v Speaker 2>Ich möchte kurz auf zwei Möglichkeiten,
welche sie nach diesem Webinar austesten

351
00:27:51.089 --> 00:27:51.930
<v Speaker 2>können, eingehen.

352
00:27:54.939 --> 00:27:59.140
<v Speaker 2>Da in unserem Webinar eine Live-Demo
schwierig durchführbar wäre, möchte ich Ihnen

353
00:27:59.140 --> 00:28:00.900
<v Speaker 2>die Sensei Gide Retour empfehlen.

354
00:28:01.500 --> 00:28:05.939
<v Speaker 2>Durch Klicken auf den Link in dieser
Präsentation öffnet sich eine Webapplikation,

355
00:28:06.380 --> 00:28:11.619
<v Speaker 2>wo sie geführt Sensei bis in die Tiefe
erkunden können und ihnen Erklärungen über

356
00:28:11.619 --> 00:28:14.739
<v Speaker 2>Funktionen, Frontend und dessen Bedienung
gegeben wird.

357
00:28:16.339 --> 00:28:20.239
<v Speaker 2>Auch unser Chatbot, die generative KI, ist
als Funktion erklärt.

358
00:28:21.270 --> 00:28:26.469
<v Speaker 2>Am Ende der Tour haben Sie die
Möglichkeit, eine Live Demo zu buchen und mit unseren

359
00:28:26.469 --> 00:28:32.109
<v Speaker 2>Experten vertieft auf die Software und
ihre individuellen Anforderungen eingehen zu

360
00:28:32.109 --> 00:28:32.349
<v Speaker 2>können.

361
00:28:33.880 --> 00:28:37.800
<v Speaker 2>Versuchen Sie es aus und kommen Sie bei
Fragen natürlich jederzeit gerne auf mich

362
00:28:37.800 --> 00:28:38.170
<v Speaker 2>zu.

363
00:28:41.939 --> 00:28:46.859
<v Speaker 2>Weiter bieten wir unter dem Dach von
Siemens Sensi Predictive Maintenance 2

364
00:28:46.859 --> 00:28:48.099
<v Speaker 2>verschiedene Podcasts.

365
00:28:48.619 --> 00:28:53.459
<v Speaker 2>Das Ziel ist, das Fachwissen inklusive
strategische Einblicke rund um Predictive

366
00:28:53.459 --> 00:28:56.579
<v Speaker 2>Maintenance, IT und Digitale
Transformation zu vermitteln.

367
00:28:57.020 --> 00:29:01.489
<v Speaker 2>Sie finden darin Interviews mit
Industrieexperten, Diskussion über Skalierung,

368
00:29:02.020 --> 00:29:06.579
<v Speaker 2>Diskussionen über den Return of Invest und
über die Methode, wie Sensei auch bei

369
00:29:06.579 --> 00:29:08.099
<v Speaker 2>ihnen integriert werden könnte.

370
00:29:10.319 --> 00:29:13.839
<v Speaker 2>Folgen mit Themen wie Branchenspezifischen
Herausforderungen und tech-

371
00:29:13.839 --> 00:29:19.959
<v Speaker 2>technologischen Trends wie KI, CMS und
deren Rolle in der Instandhaltung sind

372
00:29:19.959 --> 00:29:23.630
<v Speaker 2>perfekte Informationsträger für
Entscheider und auch technische Führungskräfte.

373
00:29:24.380 --> 00:29:28.349
<v Speaker 2>In diesem Zusammenhang möchte ich explizit
die Folge von Bluescope empfehlen.

374
00:29:28.829 --> 00:29:33.189
<v Speaker 2>Darin wird über die Einführung von Sensei,
über die detaillierte Analyse eines

375
00:29:33.189 --> 00:29:38.910
<v Speaker 2>bestimmten Erfolgsfalls, über den Copilot
und über Empfehlungen für andere

376
00:29:38.910 --> 00:29:42.670
<v Speaker 2>Unternehmen im Zusammenhang mit der
Implementierung von Sensei gesprochen.

377
00:29:46.880 --> 00:29:52.839
<v Speaker 2>Gerne fas- fasse ich die wichtigsten
Punkte, wieso auch Sie in der Zukunft mit Sensi

378
00:29:52.839 --> 00:29:54.160
<v Speaker 2>arbeiten sollten zusammen.

379
00:29:57.660 --> 00:29:59.420
<v Speaker 2>Sensei ist erst agnostisch.

380
00:30:00.140 --> 00:30:05.300
<v Speaker 2>Daher kann jede beliebige
Industriemaschine, jedes beliebige System und vor allem

381
00:30:05.300 --> 00:30:07.380
<v Speaker 2>die notwendigen Aggregate überwacht
werden.

382
00:30:08.800 --> 00:30:12.800
<v Speaker 2>Dazu arbeiten wir mit den bereits
erfassten Daten, beispielsweise aus einem

383
00:30:12.800 --> 00:30:18.119
<v Speaker 2>bestehenden Leitsystem als Grundlage, was
schon viele Möglichkeiten in Sensi mit

384
00:30:18.119 --> 00:30:18.589
<v Speaker 2>sich bringt.

385
00:30:19.000 --> 00:30:25.239
<v Speaker 2>Falls nötig, können zusätzliche Sensorik
natürlich in das Komplettsystem integriert

386
00:30:25.239 --> 00:30:30.599
<v Speaker 2>werden und somit ein vollumfängliches
Predictive Management System generieren.

387
00:30:31.380 --> 00:30:36.579
<v Speaker 2>Wir kombinieren Datenquellen aus der
Automatisierung mit menschlichem Fachwissen und

388
00:30:36.579 --> 00:30:40.939
<v Speaker 2>generieren so ein nicht mehr
wegzudenkendes Werkzeug für ihre Instandhaltung.

389
00:30:42.089 --> 00:30:47.060
<v Speaker 2>Sensei nutzt maschinelles Lernen, um
automatisch Modelle von Maschinen und

390
00:30:47.060 --> 00:30:52.890
<v Speaker 2>Wartungspersonal zu generieren und
ermöglicht eine Skalierung auf Tausenden Geräten

391
00:30:53.140 --> 00:30:57.140
<v Speaker 2>und erhöht dadurch die Produktivität des
Wartungspersonals enorm.

392
00:30:59.089 --> 00:31:04.060
<v Speaker 2>Beispielsweise Firma Nissan haben wir
aktuell über 10.000 Assets angebunden.

393
00:31:05.739 --> 00:31:10.619
<v Speaker 2>Lasst uns gemeinsam mit dem
5-Schritte-Ansatz für die Implementierung ein Projekt

394
00:31:10.619 --> 00:31:15.859
<v Speaker 2>angehen und mit einem hohen ERI die
Zukunft der Wartung sicherstellen.

395
00:31:18.270 --> 00:31:20.650
<v Speaker 2>Ich bedanke mich vielmals für Ihre
Aufmerksamkeit.

396
00:31:20.910 --> 00:31:23.390
<v Speaker 2>Meine direkten Kontaktdaten finden Sie auf
die Folie.

397
00:31:24.229 --> 00:31:28.630
<v Speaker 2>Falls Sie wünschen, bei Ihnen vor Ort eine
unverbindliche Prüfung oder eine

398
00:31:28.630 --> 00:31:33.459
<v Speaker 2>Einschätzung der Situation respektive
Möglichkeiten in Bezug auf die Digitalisierung

399
00:31:33.670 --> 00:31:37.989
<v Speaker 2>und Predictive Maintenance durchzuführen,
dann dürfen Sie sich jederzeit gerne mit

400
00:31:37.989 --> 00:31:39.349
<v Speaker 2>Terminanfragen bei mir melden.

401
00:31:40.109 --> 00:31:43.209
<v Speaker 2>Natürlich ebenso bei offenen Fragen in
Bezug auf Sensei.

402
00:31:44.770 --> 00:31:45.010
<v Speaker 2>Genau.

403
00:31:45.170 --> 00:31:47.569
<v Speaker 2>Somit sind wir mit dem Webinar am Ende.

404
00:31:47.650 --> 00:31:50.050
<v Speaker 2>Und ich schicke übergeben für das
Schlusswort zurück an Ihnen.

405
00:31:50.680 --> 00:31:51.089
<v Speaker 2>Danke schön.

406
00:31:51.479 --> 00:31:51.489
<v Speaker 2>Ja.

407
00:31:51.770 --> 00:31:54.689
<v Zina Walser>Vielen Dank, Levin, für deine spannenden
Informationen.

408
00:31:55.020 --> 00:31:59.109
<v Zina Walser>Vielen Dank auch an Sie für Ihre
Aufmerksamkeit und Ihre gestellten Fragen.

409
00:31:59.670 --> 00:32:03.920
<v Zina Walser>Wie bereits am Anfang erwähnt, werden wir
diese Fragen jetzt nach dem Webinar

410
00:32:03.920 --> 00:32:05.520
<v Zina Walser>schriftlich für Sie beantworten.

411
00:32:06.160 --> 00:32:10.920
<v Zina Walser>Und wie ebenfalls am Anfang erwähnt,
erhalten Sie in circa 1, 2 Stunden eine E-Mail,

412
00:32:11.069 --> 00:32:15.680
<v Zina Walser>wo Sie sowohl die Webinar-Aufzeichnung als
auch alle gezeigten Folien abrufen

413
00:32:15.680 --> 00:32:15.959
<v Zina Walser>können.

414
00:32:16.859 --> 00:32:21.780
<v Zina Walser>Bevor wir uns nun leider verabschieden,
ähm, möchten Sie noch nach Ihrer Meinung zu

415
00:32:21.780 --> 00:32:25.449
<v Zina Walser>diesem Webinar fragen und haben hierzu
zwei Fragen vorbereitet.

416
00:32:25.900 --> 00:32:28.060
<v Zina Walser>Für Ihre Antworten sind wir sehr dankbar.

417
00:32:43.939 --> 00:32:46.979
<v Zina Walser>Damit sind wir nun am Schluss des Webinars
angelangt.

418
00:32:47.339 --> 00:32:50.819
<v Zina Walser>Ich danke Ihnen ganz herzlich für Ihre
Aufmerksamkeit und wünsche Ihnen einen

419
00:32:50.819 --> 00:32:51.420
<v Zina Walser>schönen Tag.

420
00:32:53.920 --> 00:32:59.560
<v Speaker 6>Please like and subscribe on all major
podcast channels and find out more about Sai

421
00:32:59.560 --> 00:33:02.410
<v Speaker 6>predictive maintenance at Siemens.com.
