[et_pb_section fb_built=“1″ theme_builder_area=“post_content“ _builder_version=“4.27.5″ _module_preset=“default“][et_pb_row _builder_version=“4.27.5″ _module_preset=“default“ theme_builder_area=“post_content“ custom_padding=“||1px|||“][et_pb_column _builder_version=“4.27.5″ _module_preset=“default“ type=“4_4″ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.27.5″ _module_preset=“default“ theme_builder_area=“post_content“ hover_enabled=“0″ sticky_enabled=“0″ custom_padding=“||25px|||“]<\/p>\n
Die unbeaufsichtigte Produktion stellt den H\u00f6hepunkt der industriellen Automatisierung dar. Maschinen laufen nachts, am Wochenende und ohne menschliche Anwesenheit. Dieses Versprechen des Lights-out-Manufacturing besticht durch seine Produktivit\u00e4tsgewinne. Aber wie kann man die OEE aufrechterhalten, wenn niemand da ist, um auf Probleme zu reagieren? In diesem Artikel untersuchen wir die besonderen Herausforderungen der Leistungs\u00fcberwachung in der autonomen Produktion und die L\u00f6sungen zur Gew\u00e4hrleistung eines optimalen ROI auch ohne Bediener vor Ort. Techniken des maschinellen Lernens, des \u00fcberwachten Lernens und der Datenanalyse verwandeln diesen Anspruch in industrielle Realit\u00e4t in diesem schnell wachsenden Bereich. <\/p>\n
In der konventionellen Produktion erkennt der Bediener Anomalien: ungew\u00f6hnliche Ger\u00e4usche, verd\u00e4chtige Vibrationen, ein falsch positioniertes Werkst\u00fcck. Sein sofortiges Eingreifen begrenzt den Schaden. In der unbeaufsichtigten Produktion bleiben diese Signale unbemerkt. Eine kleine Abweichung kann sich zu einem gro\u00dfen Ausfall ausweiten, bevor es jemand bemerkt. Automatisch erfasste Daten m\u00fcssen diese menschliche Wachsamkeit durch maschinelles Lernen und explorative Datenanalyse ersetzen. <\/p>\n
Die Reaktionszeit verl\u00e4ngert sich dramatisch. Ein Stau, der mit einem anwesenden Bediener in zwei Minuten behoben werden kann, kann die Maschine f\u00fcr Stunden blockieren, wenn er nicht anwesend ist. Dieser Verlust an Verf\u00fcgbarkeit f\u00fchrt zu einem Anstieg des ROI und macht die erwarteten Gewinne aus der autonomen Produktion zunichte. Ohne eine angemessene \u00dcberwachung und ein effektives, auf Lernen basierendes Vorhersagemodell wird der Lights-out eher zu einer Falle als zu einem Vorteil. Die Wahrscheinlichkeit unerkannter Zwischenf\u00e4lle steigt mit jeder Stunde ohne \u00dcberwachung. <\/p>\n
Eine \u00fcberwachte Maschine profitiert von st\u00e4ndigen Anpassungen. Der Bediener gleicht Materialschwankungen aus, passt die Parameter f\u00fcr verschiedene Produkte an und antizipiert den Bedarf. Bei einer unbeaufsichtigten Produktion muss die Maschine diese Variabilit\u00e4t selbst bew\u00e4ltigen. Die Toleranzen werden enger, die Fehlertoleranz sinkt. Jede Dimension des Prozesses muss durch Lernalgorithmen beherrscht werden, die die Datenstrukturen analysieren. <\/p>\n
Qualit\u00e4t wird zu einem kritischen Thema. Ohne menschliche Sichtkontrolle k\u00f6nnen sich Fehler \u00fcber Hunderte von Teilen wiederholen, bevor sie entdeckt werden. Die Ausschussrate explodiert und die Qualit\u00e4tskomponente des OEE bricht zusammen. Die unbeaufsichtigte Produktion erfordert eine perfekte Beherrschung des Prozesses im Vorfeld und eine strenge Analyse der Produktionsdaten Tag f\u00fcr Tag. Maschinelles Lernen erkennt abnormale Varianz in den Parametern und identifiziert abweichende Datenpunkte. <\/p>\n
IoT-Sensoren sind das R\u00fcckgrat der unbeaufsichtigten Produktion. Sie ersetzen die Sinne des abwesenden Bedieners: Vibrationen, Temperaturen, Stromverbrauch, Druck, Durchfluss. Jeder kritische Parameter wird kontinuierlich und automatisch gemessen. Die Daten flie\u00dfen in eine komplexe Matrix von Werten, die von Lernalgorithmen analysiert werden. Der so entstandene Datensatz wird in Vorhersagemodelle eingespeist. <\/p>\n
Diese Instrumentierung geht weit \u00fcber das einfache Z\u00e4hlen von Teilen hinaus. Die Sensoren erkennen Abweichungen, bevor sie zu einer Panne werden. Zum Beispiel ein allm\u00e4hlicher Anstieg der Motortemperatur, eine zunehmende Vibration, ein steigender Kraftstoffverbrauch – all dies sind Warnsignale, die genutzt werden k\u00f6nnen. Jeder Datenvektor tr\u00e4gt dazu bei, ein vollst\u00e4ndiges Bild des Maschinenzustands zu zeichnen, um das Lernen der Modelle zu unterst\u00fctzen. Die Anzahl der \u00fcberwachten Merkmale kann mehrere hundert betragen. <\/p>\n
Rohdaten sind nicht genug. Algorithmen m\u00fcssen die Datenstr\u00f6me in Echtzeit analysieren und die richtigen Warnungen zum richtigen Zeitpunkt nach pr\u00e4zisen Regeln ausl\u00f6sen. Zu viele Alarme ertr\u00e4nken die Informationen, zu wenige lassen die wirklichen Probleme durch. Die Kalibrierung dieser Schwellenwerte und die Reduzierung des Rauschens bestimmen die Effektivit\u00e4t des Monitorings. Die Funktion jedes Alarms muss klar definiert werden, indem historische Muster gelernt werden. <\/p>\n
Alarmmeldungen m\u00fcssen die richtigen Personen \u00fcber die richtigen Kan\u00e4le erreichen. SMS, mobile Benachrichtigung, automatischer Anruf: Die Kritikalit\u00e4t des Ereignisses bestimmt die Art des Kontakts. Ein Maschinenstillstand mitten in der Nacht rechtfertigt einen Anruf, eine geringf\u00fcgige Abweichung kann bis zum Bericht am Morgen warten. Diese Priorisierungstechnik vermeidet Alarmm\u00fcdigkeit durch das Erlernen von Priorit\u00e4ten und die intelligente Verteilung von Benachrichtigungen. <\/p>\n
\u00dcberwachungsplattformen zentralisieren die Daten aller Maschinen in einem einheitlichen Dashboard. Von einem Smartphone oder einem Computer aus kann der Manager den Produktionsstatus in Echtzeit einsehen. Der TRS wird angezeigt, Stillst\u00e4nde werden gemeldet, Trends werden in Form von aussagekr\u00e4ftigen Grafiken dargestellt, die durch kontinuierliches Lernen bereichert werden. Die Wahrscheinlichkeitsverteilung von St\u00f6rungen wird angezeigt, um Risiken zu antizipieren. <\/p>\n
Diese Sichtbarkeit aus der Ferne ver\u00e4ndert die Arbeitsbeziehungen. Es ist nicht mehr notwendig, physisch anwesend zu sein, um zu wissen, was vor sich geht. Der Bereitschaftsdienst wird \u00fcberschaubar, Entscheidungen werden in Kenntnis der Sachlage getroffen. Die unbeaufsichtigte Produktion bleibt dank dieser fortschrittlichen \u00dcberwachungstechnik auch dann unter Kontrolle, wenn sie kilometerweit von der Fabrik entfernt ist. <\/p>\n
\u00dcberwachtes Lernen revolutioniert die \u00dcberwachung in der autonomen Produktion. Diese Technik trainiert ein Modell auf Basis von gekennzeichneten historischen Daten: vergangene Ausf\u00e4lle, normale Bedingungen, identifizierte Abweichungen. Der Lernalgorithmus lernt, die Vorl\u00e4ufersignaturen zu erkennen und sagt zuk\u00fcnftige Ausf\u00e4lle mit einer berechneten Wahrscheinlichkeit voraus. Die verschiedenen Fehlerklassen werden automatisch identifiziert. <\/p>\n
Das \u00fcberwachte Lernmodell wird mit der Zeit immer besser. Jeder neue Vorfall erweitert die Trainingsdatenbank. Der Algorithmus verfeinert seine Vorhersagen, reduziert falsch positive Meldungen und erkennt Muster, die f\u00fcr das menschliche Auge unsichtbar sind. Diese Funktion des kontinuierlichen Lernens verwandelt Rohdaten in umsetzbare Intelligenz, um die OEE aufrechtzuerhalten. Verst\u00e4rktes Lernen optimiert die Strategien zur Reaktion auf Vorf\u00e4lle. <\/p>\n
Die verschiedenen Arten des \u00fcberwachten Lernens werden je nach Fall angewendet: Klassifizierung, um die Art des wahrscheinlichen Ausfalls zu identifizieren, Regression, um die Zeit bis zum Ausfall abzusch\u00e4tzen. Jedes Modell, das aus dem Lernen hervorgeht, bringt seinen spezifischen Wert in das Arsenal der autonomen \u00dcberwachung ein. Mischungsmodelle identifizieren Subpopulationen in den Daten. <\/p>\n
Die Hauptkomponentenanalyse vereinfacht die \u00dcberwachung komplexer Maschinen. Diese mathematische Technik reduziert eine Matrix aus Hunderten von Variablen durch Singul\u00e4rwertzerlegung auf einige wesentliche Komponenten. Die Varianz der Daten konzentriert sich auf die wichtigsten Dimensionen, was die Erkennung von Anomalien erleichtert. Das Erlernen dieser Komponenten wird mit zunehmender Erfahrung verfeinert. <\/p>\n
Die Reduzierung der Dimensionen verhindert eine Informations\u00fcberlastung. Anstatt f\u00fcnfzig Parameter einzeln zu \u00fcberwachen, fasst der Algorithmus den Maschinenzustand in einigen Schl\u00fcsselindikatoren zusammen. Dieser komponentenbasierte Ansatz erm\u00f6glicht eine deutliche Reduzierung der Komplexit\u00e4t, w\u00e4hrend die wesentlichen Informationen erhalten bleiben. Ausrei\u00dfer fallen in diesem reduzierten Raum sofort auf, wenn die Varianz die normalen Schwellenwerte \u00fcberschreitet. Die Manhattan-Distanz kann die euklidischen Metriken erg\u00e4nzen, um bestimmte Anomalien zu erkennen. <\/p>\n
In der un\u00fcberwachten Produktion identifiziert diese Komponentenanalyse die subtilen Abweichungen, die einfache Schwellenwerte \u00fcbersehen w\u00fcrden. Eine Ver\u00e4nderung in der Korrelation zwischen Variablen, eine Ver\u00e4nderung des \u00fcblichen Musters: Diese schwachen Signale werden durch diese Technik der statistischen Reduktion in Kombination mit maschinellem Lernen erkennbar. <\/p>\n
Assoziationsregeln decken die verborgenen Verbindungen zwischen Produktionsereignissen auf. Wenn ein Fehler an Maschine A h\u00e4ufig vor einem Ausfall an Maschine B auftritt, f\u00fchrt diese Assoziation zu einer vorbeugenden Wartung. Diese Regeln ergeben sich aus der Analyse von historischen Daten und bereichern die Vorhersagemodelle. <\/p>\n
Pr\u00e4diktive Modelle berechnen die Ausfallwahrscheinlichkeit f\u00fcr jedes Ger\u00e4t. Diese lernenden Algorithmen beziehen die Wartungshistorie, die Nutzungsbedingungen und das Alter der Komponenten mit ein. Das Ergebnis ist ein Risiko-Score, der die Entscheidungen \u00fcber vorbeugende Ma\u00dfnahmen lenkt. Die Einteilung der Ger\u00e4te in Risikoklassen erleichtert die Priorisierung. <\/p>\n
Die so erstellte Risikomatrix priorisiert die Instandhaltungsma\u00dfnahmen. Ausr\u00fcstungen mit hoher Ausfallwahrscheinlichkeit werden verst\u00e4rkt \u00fcberwacht oder es werden geplante Ma\u00dfnahmen ergriffen. Dieser Ansatz mit einem lernenden statistischen Modell optimiert die Zuweisung von Wartungsressourcen und maximiert die Verf\u00fcgbarkeit in der unbeaufsichtigten Produktion. Die Marktsegmentierung von Ersatzteillieferanten kann ebenfalls von diesen Analysen profitieren. <\/p>\n
Jeder Schritt des Vorhersageprozesses basiert auf zuverl\u00e4ssigen Daten. Die Qualit\u00e4t der Vorhersagen h\u00e4ngt direkt von der Qualit\u00e4t der Eingabedaten und des durchgef\u00fchrten Lernprozesses ab. Ein unvollst\u00e4ndiger oder fehlerhafter Datenvektor verzerrt das gesamte Modell. <\/p>\n
In der klassischen Produktion entspricht die \u00d6ffnungszeit den Anwesenheitszeiten der Teams. Im Lights-Out kann die Maschine 24 Stunden am Tag, 7 Tage die Woche laufen. Diese Ausweitung der verf\u00fcgbaren Zeit ver\u00e4ndert die Berechnung der OEE und die damit verbundenen Ziele grundlegend. Die Referenzwerte m\u00fcssen durch das Erlernen der tats\u00e4chlichen Leistung neu kalibriert werden. <\/p>\n
Auch die Definition von geplanten Stillst\u00e4nden \u00e4ndert sich. Ohne Bediener fallen einige Aufgaben weg: Pausen, Schichtwechsel, Briefings. Andere kommen hinzu: Nachf\u00fcllen von Material, geplante vorbeugende Wartung. Der Umfang des TRS muss diese neue Realit\u00e4t widerspiegeln und jede Etappe des autonomen Prozesses einbeziehen. <\/p>\n
Die Referenzrate in der \u00fcberwachten Produktion beinhaltet oft implizit die Mikrointerventionen des Bedieners. Im autonomen Modus muss die Maschine diese Rate allein erreichen. Die tats\u00e4chlichen Zykluszeiten k\u00f6nnen von den festgelegten Standards abweichen. Die Produktionsfunktion \u00e4ndert ihren Charakter und erfordert ein neues Erlernen der Referenzen. <\/p>\n
Rekalibrieren Sie Ihre Referenzen f\u00fcr den Lights-out-Kontext. Messen Sie die tats\u00e4chliche Leistung im Stand-alone-Modus \u00fcber einen signifikanten Zeitraum. Diese neuen Daten werden eine relevante OEE-\u00dcberwachung erm\u00f6glichen. Das Berechnungsmodell passt sich an die Besonderheiten der un\u00fcberwachten Produktion an, indem es die neuen Bedingungen lernt. <\/p>\n
Ohne einen Bediener, der die Stillst\u00e4nde qualifiziert, muss die Maschine sich selbst diagnostizieren. Moderne Automaten erkennen zahlreiche Ursachen: Sensorfehler, Stau, Materialende, Sicherheitsalarm. Diese automatische Qualifizierung flie\u00dft direkt in die Verlustanalyse in Ihrer \u00dcberwachungsmatrix ein. <\/p>\n
Unerkannte Stillst\u00e4nde bleiben der Schwachpunkt. Wenn die Maschine ohne klare Ursache stoppt, erfordert die Untersuchung eine sp\u00e4tere menschliche Intervention. Der Klassifikationsalgorithmus verbessert sich durch Lernen: Jeder gel\u00f6ste Fall bereichert das Modell f\u00fcr die Zukunft und st\u00e4rkt die F\u00e4higkeit zur Selbstdiagnose. <\/p>\n
Vorausschauende Wartung macht in der unbeaufsichtigten Produktion Sinn. Auf den Ausfall zu warten ist keine Option, wenn niemand da ist, um zu reparieren. Die Analyse von Maschinendaten erm\u00f6glicht es, Ausf\u00e4lle vorherzusagen und vor einem ungeplanten Stillstand zu intervenieren. Die Reduzierung von Ausf\u00e4llen wird durch vorausschauendes Lernen zum Hauptziel. <\/p>\n
Algorithmen des maschinellen Lernens identifizieren Vorl\u00e4ufersignaturen. Sie lernen durch \u00fcberwachtes Lernen aus der Vergangenheit und verfeinern ihre Vorhersagen. Diese k\u00fcnstliche Intelligenz wird zum Expertenauge, das fehlt, wenn kein Bediener anwesend ist. Der Vektor der \u00fcberwachten Parameter wird st\u00e4ndig durch das Erlernen neuer Muster erweitert. <\/p>\n
Die vorausschauende Wartung erzeugt optimale Interventionsfenster. Anstatt einen Ausfall mitten in der Nacht zu erleiden, planen Sie den Austausch einer verschlissenen Komponente w\u00e4hrend der Gesch\u00e4ftszeiten. Diese Technik maximiert die Verf\u00fcgbarkeit. Jeder Produktionstag wird zuverl\u00e4ssiger, da die Lebenszyklen der Anlagen erlernt werden. <\/p>\n
Ber\u00fccksichtigen Sie diese Eingriffe in Ihrer OEE-Berechnung als geplante Ausfallzeiten. Ihre scheinbare Vermehrung darf den tats\u00e4chlichen Gewinn nicht verdecken: Die Reduzierung der Ausfallzeiten verbessert die Gesamtproduktivit\u00e4t. Die Wartungsdaten flie\u00dfen in das Vorhersagemodell zur\u00fcck, um dessen Genauigkeit durch kontinuierliches Lernen zu verbessern. <\/p>\n
Die unbeaufsichtigte Produktion stellt h\u00f6here Anforderungen an die Sicherheit. Feuer, Leckagen, elektrische St\u00f6rungen: Diese Risiken bestehen mit oder ohne Bediener. Automatische Erkennungssysteme werden unerl\u00e4sslich. Der Sicherheitsaspekt darf nicht vernachl\u00e4ssigt werden und profitiert auch von den Erfahrungen aus fr\u00fcheren Vorf\u00e4llen. <\/p>\n
Automatische Sicherheitsabschaltungen sch\u00fctzen Anlagen und Geb\u00e4ude. Ihre Ausl\u00f6sung wirkt sich auf die OEE aus, verhindert jedoch weitaus kostspieligere Sch\u00e4den. Der \u00dcberwachungsalgorithmus integriert diese kritischen Parameter mit einer angemessenen Gewichtung, die aus dem Lernprozess resultiert. <\/p>\n
Was passiert, wenn das \u00dcberwachungssystem ausf\u00e4llt? In der unbeaufsichtigten Produktion ist dieser Ausfall kritisch. Redundante Systeme gew\u00e4hrleisten die Kontinuit\u00e4t der \u00dcberwachung. Jeder Datenvektor durchl\u00e4uft mehrere Wege. <\/p>\n
Testen Sie diese Backups regelm\u00e4\u00dfig. Ein Backup-System, das nie \u00fcberpr\u00fcft wird, kann am erforderlichen Tag nicht funktionieren. Die Zuverl\u00e4ssigkeit der \u00dcberwachung ist eine Voraussetzung f\u00fcr das Vertrauen in die autonome Produktion und die G\u00fcltigkeit der Daten, die f\u00fcr das Lernen gesammelt werden. <\/p>\n
Die unbeaufsichtigte Produktion beseitigt den Bedarf an OEE-\u00dcberwachung nicht, sondern ver\u00e4ndert ihn. \u00dcberwachungstechnologien ersetzen die menschliche Wachsamkeit. IoT-Sensoren, \u00fcberwachte Lernalgorithmen und vorausschauende Wartung erm\u00f6glichen es, die Leistung auch ohne Pr\u00e4senz vor Ort aufrechtzuerhalten. <\/p>\n
Komponentenanalyse und Dimensionsreduktion vereinfachen die \u00dcberwachung komplexer Systeme. Pr\u00e4diktive Lernmodelle berechnen die Ausfallwahrscheinlichkeit. Assoziationsregeln decken die Verbindungen zwischen Ereignissen auf. Jede Technik tr\u00e4gt zur Reduzierung von Ausfallzeiten und zur Optimierung der Gesamtproduktivit\u00e4t bei. <\/p>\n
Ein gut kontrolliertes Lights-out-Manufacturing verbessert die gesamte OEE. Die \u00d6ffnungszeiten verl\u00e4ngern sich, die Kosten sinken, die Produktion wird regelm\u00e4\u00dfiger. Der \u00dcbergang zu einer autonomen Produktion wird Schritt f\u00fcr Schritt vorbereitet, Daten f\u00fcr Daten, Lernen f\u00fcr Lernen. <\/p>\n
<\/p>\n
[\/et_pb_text][et_pb_accordion _builder_version=“4.27.5″ _module_preset=“default“ theme_builder_area=“post_content“ hover_enabled=“0″ sticky_enabled=“0″][et_pb_accordion_item title=“Wie hoch ist der angestrebte ROI in der unbeaufsichtigten Produktion?“ _builder_version=“4.27.5″ _module_preset=“default“ theme_builder_area=“post_content“ open=“on“ hover_enabled=“0″ sticky_enabled=“0″]<\/p>\n
Die Ziele variieren je nach Sektor, aber ein TRS von 85 % oder mehr ist in einem gut kontrollierten Lights-out erreichbar. Das Fehlen von Pausen und Schichtwechseln gleicht die verl\u00e4ngerten Reaktionszeiten aus. Einige hochautomatisierte Linien erreichen dank der Algorithmen des \u00fcberwachten Lernens mehr als 90 %. <\/p>\n
[\/et_pb_accordion_item][et_pb_accordion_item title=“Ist die Lights-out-Produktion f\u00fcr alle Prozesse geeignet?“ _builder_version=“4.27.5″ _module_preset=“default“ theme_builder_area=“post_content“ open=“off“ hover_enabled=“0″ sticky_enabled=“0″]<\/p>\n
Nein. Stabile und sich wiederholende Prozesse sind am besten geeignet. Produktionen mit hoher Variabilit\u00e4t sind schwer vollst\u00e4ndig zu automatisieren. Das Produktionsmodell muss f\u00fcr jede Linie bewertet werden, bevor die Algorithmen erlernt werden k\u00f6nnen. <\/p>\n
[\/et_pb_accordion_item][et_pb_accordion_item title=“Wie verwalte ich Materialaufladungen ohne Betreiber?“ _builder_version=“4.27.5″ _module_preset=“default“ theme_builder_area=“post_content“ hover_enabled=“0″ sticky_enabled=“0″]<\/p>\n
Es gibt verschiedene L\u00f6sungen: Pufferlager, automatische Zuf\u00fchrsysteme, Transportroboter. Durch diese Investitionen kann die Anzahl der erforderlichen menschlichen Eingriffe reduziert werden. <\/p>\n
[\/et_pb_accordion_item][et_pb_accordion_item title=“Brauchen Sie einen st\u00e4ndigen Bereitschaftsdienst?“ _builder_version=“4.27.5″ _module_preset=“default“ theme_builder_area=“post_content“ hover_enabled=“0″ sticky_enabled=“0″]<\/p>\n
Bei gr\u00f6\u00dferen Vorf\u00e4llen ist in der Regel eine Form der Rufbereitschaft erforderlich. Die Art des Bereitschaftsdienstes h\u00e4ngt von der Kritikalit\u00e4t der Produktion und der Zuverl\u00e4ssigkeit der Ausr\u00fcstung ab. <\/p>\n
[\/et_pb_accordion_item][et_pb_accordion_item title=“Wie k\u00f6nnen Teams in der Fern\u00fcberwachung geschult werden?“ _builder_version=“4.27.5″ _module_preset=“default“ theme_builder_area=“post_content“ hover_enabled=“0″ sticky_enabled=“0″]<\/p>\n
Das Lernen umfasst die Interpretation von Warnmeldungen und Ferndiagnoseverfahren. Die Bediener m\u00fcssen lernen, sich auf Daten und Vorhersagemodelle zu verlassen, die aus dem maschinellen Lernen hervorgehen. <\/p>\n
[\/et_pb_accordion_item][\/et_pb_accordion][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":"
Die unbeaufsichtigte Produktion ist das Ergebnis der industriellen Automatisierung. Maschinen, die nachts und am Wochenende ohne menschliche Anwesenheit laufen. Das Versprechen des Lights-out Manufacturing \u00fcberzeugt durch Produktivit\u00e4tssteigerungen. Aber wie kann die Gesamtanlageneffektivit\u00e4t (OEE) aufrechterhalten werden, wenn niemand da ist, um auf Probleme zu reagieren? In diesem Artikel untersuchen wir die besonderen Herausforderungen der \u00dcberwachung von [\u2026]<\/p>\n","protected":false},"author":10,"featured_media":71559,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","ai_seo_title":"","ai_meta_description":"","ai_focus_keyword":"","footnotes":""},"categories":[149,130,150],"tags":[],"class_list":["post-80924","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-digitalisierung-und-industrie-4-0","category-industrielle-leistung","category-technologische-innovationen"],"yoast_head":"\n