Ein Technologie- und Softwareunternehmen hilft seinen Kunden bei der schnelleren und effizienteren Umstellung von älterer Technologie auf eine moderne DeltaV™ Automatisierungsarchitektur, die den Betrieb modernisiert und digitalisiert. Die Softwarelösung nutzt Cloud Computing und Künstliche Intelligenz (KI). So lassen sich bis zu 70 Prozent der Systemkonfiguration automatisieren, Fehler und manuelle Umstellungsarbeiten reduzieren und die Kapitalkosten um bis zu 15 Prozent senken.
Unternehmen, die ihre Leit- und Sicherheitssysteme modernisieren wollen, beginnen oft mit einem jahrzehntealten Code. Dieser muss auf die aktuelle Software umgestellt werden. Das manuelle Konvertieren und Dokumentieren ist ein mühsames Verfahren. Es erhöht den Zeitaufwand und Kapitalbedarf für solche Projekte drastisch.
Die Software kombiniert eine umfangreiche Wissensbasis aus ähnlichen Modernisierungsprojekten mit der Erfahrungsbibliothek von Emerson. So lassen sich kontinuierlich aktualisierte KI-Modelle entwickeln. Für die Software bedeutet jedes modernisierte Leitsystem Input, der Lernalgorithmen erzeugt, die bei der Umwandlung von älterem Code immer intelligenter und schneller werden.
Weltweiter Zugriff
Projektteams werden bereits vor Beginn von Migrationsprojekten von der eingesetzten KI über die technischen Anforderungen informiert. Das erleichtert die Planung. Die KI-Engine analysiert native Dateien von bestehenden dezentralen Prozessleitsystemen, sicherheitsgerichteter Systeminstrumentierung oder Backups von PLC-Steuerungen. Dabei nutzt sie eine globale Bibliothek mit Tausenden von erfolgreichen Projekten, um technische Aufgaben zu sortieren, auszuwählen und zu automatisieren. Das Modernisierungsprojekt wird automatisch vollständig dokumentiert und wesentliche Teile lassen sich im DeltaV Leitsystem generieren. Somit stehen die neuesten Funktionen zur Verfügung und moderne Standards finden Anwendung.
Projektteams haben weltweit Zugriff auf die neuesten Funktionen und Bibliotheken dieses sicheren, cloud-nativen Tools. Und mit eingebettetem maschinellem Lernen wachsen die Bibliotheken und verbessern sich, da die Projekte im Laufe der Zeit immer effizienter werden.
