Maximo integracja IoT: przewodnik dla inżynierów i menedżerów

Tak, IBM Maximo można bezpośrednio zintegrować z platformami IoT. Robi się to przez konektory protokołów (MQTT, OPC UA, REST), które przesyłają dane z czujników do Maximo Asset Monitor, a stamtąd do modułu Manage w ramach Maximo Application Suite (MAS). Wynik jest natychmiastowy: dane z urządzeń trafiają do meterów w Maximo w czasie rzeczywistym, co odblokowuje predykcyjne utrzymanie i automatyczne tworzenie zleceń.

Zanim zaczniesz, sprawdź trzy rzeczy:

• Czy każde urządzenie ma unikalny Asset ID w Maximo i zdefiniowane metery (np. temperatura, wibracje, ciśnienie)?
• Który protokół obsługuje Twoja sieć OT: MQTT dla telemetrii bezprzewodowej czy OPC UA dla PLC/SCADA?
• Czy masz dostęp do Maximo Asset Monitor (MAS) lub planujesz integrację przez REST API do Maximo 7.6.x?

Porada profesjonalisty: Zacznij od jednego krytycznego aktywa, np. pompy lub sprężarki, i przeprowadź POC w ciągu 4–8 tygodni. To wystarczy, żeby pokazać zarządowi konkretne KPI i uzyskać budżet na pełne wdrożenie. Synaptix-platform oferuje wsparcie przy takim pilotażu, skracając czas konfiguracji konektorów i mapowania danych.

Rekomendowany następny krok: wybierz jedno urządzenie krytyczne, zmapuj jego tagi sensorów na metery w Maximo i uruchom prosty model detekcji anomalii. Reszta artykułu pokazuje, jak to zrobić krok po kroku.

Kluczowe wnioski

Integracja Maximo z IoT jest wykonalna w ciągu 4–8 tygodni dla POC, pod warunkiem poprawnego mapowania meterów, wyboru właściwego protokołu oraz zaangażowania reliability engineerów od pierwszego dnia.

Spis treści

• Co zyskujesz dzięki połączeniu Maximo z IoT?
• Jak wygląda architektura integracji od czujnika do Maximo?
• Który protokół wybrać: MQTT, OPC UA, Modbus czy REST?
• Jak krok po kroku przeprowadzić integrację Maximo z IoT?
• Jak używać modułów MAS: Monitor, Health & Predict i Watson Studio?
• Jak poprawnie mapować dane i zabezpieczyć integrację IoT?
• Ile trwa wdrożenie i co wpływa na koszty?
• Jak wygląda integracja w praktyce: utilities, produkcja i wizualizacja 3D?
• Jak Synaptix-platform przyspiesza integrację Maximo z IoT?
• Dlaczego warto zacząć od POC i angażować reliability engineerów od początku
• Synaptix-platform: wdrożenie POC integracji Maximo z IoT
• Źródła

Co zyskujesz dzięki połączeniu Maximo z IoT?

Integracja Maximo z IoT to nie tylko techniczny projekt IT. Dla menedżerów operacyjnych to bezpośrednie przełożenie na budżet serwisowy i dostępność maszyn.

Konkretne korzyści operacyjne:

• Monitoring w czasie rzeczywistym skraca średni czas reakcji na awarię (MTTR), bo operator widzi odchylenie parametru, zanim dojdzie do zatrzymania linii.
• Predykcyjne utrzymanie (Maximo predictive maintenance) pozwala estymować pozostały czas pracy urządzenia (RUL) i planować przeglądy wtedy, gdy naprawdę są potrzebne, a nie według sztywnego kalendarza.
• Automatyczne zlecenia serwisowe tworzone przez Maximo Manage po przekroczeniu progu alertu eliminują ręczne raportowanie usterek przez operatorów.
• Dashboardy KPI w Maximo Asset Monitor agregują dane z wielu aktywów, co daje menedżerom widok floty w jednym miejscu.

Przykład z sektora utilities: w oczyszczalni wody pompa z czujnikami wibracji i temperatury przesyła odczyty co 30 sekund przez MQTT do Maximo Asset Monitor. Maximo Health i Predict dostarczają gotowe szablony predykcyjne, które łączą dane OT i IT, pomagając reliability engineerom priorytetyzować aktywa i estymować RUL. Zamiast wymieniać pompę co 6 miesięcy, zespół serwisowy interweniuje dokładnie wtedy, gdy model wskazuje zbliżającą się awarię.

Przejście z utrzymania reaktywnego na predykcyjne w sektorze utilities typowo redukuje liczbę nieplanowanych przestojów i obniża koszty serwisu, bo części wymienia się na podstawie rzeczywistego zużycia, nie harmonogramu.

Dla menedżerów kluczowe jest to, że ROI z integracji IoT w Maximo jest mierzalny już na poziomie POC: wystarczy porównać liczbę nieplanowanych przestojów przed i po wdrożeniu na wybranym aktywie.

Jak wygląda architektura integracji od czujnika do Maximo?

Wzorcowa architektura składa się z czterech warstw. Każda ma inne zadanie i inne wymagania techniczne.

Warstwa edge (bramka/gateway): czujniki przemysłowe rzadko komunikują się bezpośrednio z chmurą. Bramka edge zbiera surowe odczyty z urządzeń przez Modbus RTU, OPC UA lub sygnały analogowe, wstępnie je agreguje i konwertuje na format gotowy do przesłania. Tu też można filtrować szum i redukować przepustowość.

Warstwa komunikacji: z bramki dane wędrują do brokera przez MQTT (lekki, idealny do telemetrii z wielu czujników) lub przez OPC UA (gdy potrzebna jest semantyka danych i bezpieczeństwo na poziomie OT). REST API pojawia się przy integracji z systemami wyższych warstw.

Warstwa ingest/broker: broker MQTT (np. Eclipse Mosquitto lub IBM Watson IoT Platform) odbiera strumień danych i kieruje go do Maximo Asset Monitor. Tu następuje pierwsza transformacja: surowe tagi sensorów muszą zostać przemapowane na metery zdefiniowane w Maximo. Dokumentacja IBM opisuje kroki administracyjne konfiguracji konektora IoT i ustanawiania połączeń z Maximo Asset Monitor.

Warstwa Maximo (MAS): Maximo Asset Monitor przyjmuje dane, zapisuje je do meterów w Manage i udostępnia dashboardy czasu rzeczywistego. Stamtąd Health & Predict uruchamia modele predykcyjne.

Synaptix-platform wchodzi między warstwę brokera a Maximo: moduł GridSense obsługuje monitoring aktywów w czasie rzeczywistym i analitykę strumieniową, a AutomateFlow automatyzuje transformacje danych i routing dokumentów do Maximo lub SAP. To skraca czas konfiguracji konektorów, szczególnie gdy masz heterogeniczne źródła danych.

Decyzja o tym, gdzie przetwarzać dane (edge vs. cloud), zależy od latencji i przepustowości: jeśli potrzebujesz reakcji poniżej 100 ms, przetwarzaj lokalnie na bramce; jeśli masz stabilne łącze i nie zależy Ci na czasie rzeczywistym poniżej sekundy, cloud processing w MAS jest prostszy w utrzymaniu.

Porada profesjonalisty: Przy pierwszym POC nie buduj pełnej architektury edge. Użyj prostego brokera MQTT w chmurze i bezpośredniego konektora do Maximo Asset Monitor. Złożoność edge dodaj dopiero, gdy POC potwierdzi wartość biznesową.

Który protokół wybrać: MQTT, OPC UA, Modbus czy REST?

Wybór protokołu zależy od typu urządzenia i wymagań sieci OT. Nie ma jednej odpowiedzi dla całej instalacji.

• MQTT to domyślny wybór dla czujników IoT przesyłających telemetrię bezprzewodowo. Lekki, działa na ograniczonych zasobach, obsługuje tysiące urządzeń przez jednego brokera. Idealny do czujników temperatury, wibracji i ciśnienia w sieci Wi-Fi lub LTE.
• OPC UA stosuj wszędzie tam, gdzie masz sterowniki PLC lub systemy SCADA. Oferuje modelowanie semantyczne danych i wbudowane mechanizmy bezpieczeństwa (podpisywanie i szyfrowanie wiadomości). Standard przemysłowy przy integracji z liniami produkcyjnymi.
• Modbus (RTU lub TCP) to protokół starszych urządzeń: liczniki energii, napędy, proste czujniki przemysłowe. Nie ma wbudowanego bezpieczeństwa, ale jest wszechobecny w instalacjach sprzed 2010 roku.
• REST/HTTP pojawia się przy integracji systemów wyższych warstw: ERP, CMMS, zewnętrzne API pogodowe lub systemy billingowe. Nie nadaje się do wysokoczęstotliwościowej telemetrii.

Porada profesjonalisty: Przy POC z mieszanym środowiskiem OT użyj bramki z obsługą wielu protokołów (np. Kepware lub podobne rozwiązanie przemysłowe), która tłumaczy Modbus i OPC UA na MQTT przed wysłaniem do brokera. Unikasz wtedy osobnych konektorów dla każdego protokołu w Maximo.

Jak krok po kroku przeprowadzić integrację Maximo z IoT?

To jest serce całego projektu. Poniżej checklist techniczny podzielony na fazy.

Faza 0: definicja celów POC

1. Wybierz 1–3 aktywa krytyczne (najwyższy koszt awarii lub najczęstsze przestoje).
2. Zdefiniuj hipotezę predykcyjną: „Jeśli wibracja przekroczy X mm/s przez Y minut, grozi awaria łożyska.“
3. Ustal KPI dla POC: redukcja alertów fałszywych o określony procent, czas do pierwszego automatycznego zlecenia, dokładność estymacji RUL.
4. Zidentyfikuj właściciela danych po stronie OT i reliability engineera, który zna historię awarii aktywów.

Faza 1: inwentaryzacja sensorów i mapowanie meterów

1. Sporządź listę wszystkich tagów sensorów dla wybranych aktywów (sensor_id, jednostka, częstotliwość próbkowania).
2. Zmapuj każdy tag na meter w Maximo: sensor_id → nazwa metra, jednostka → unit w Maximo, timestamp → reading_time.
3. Skonfiguruj Asset Data Dictionary w Maximo Asset Monitor, definiując typy meterów i zakresy prawidłowych wartości.
4. Sprawdź, czy każde urządzenie ma unikalny Asset ID w Maximo Manage.

Surowe dane IoT muszą zostać przemapowane na metery Maximo przez konektor IoT lub Asset Data Dictionary. Bez poprawnego mapowania meterów wyniki predykcyjne i dashboardy będą bezużyteczne.

Faza 2: konfiguracja konektora i bezpieczeństwo

1. Zainstaluj i skonfiguruj brokera MQTT lub serwer OPC UA.
2. Skonfiguruj konektor IoT w Maximo Asset Monitor zgodnie z dokumentacją IBM.
3. Włącz mutual TLS dla połączeń brokerskich i skonfiguruj tokeny API dla konektora Maximo.
4. Przetestuj strumień danych: wyślij dane testowe z symulatora i sprawdź, czy pojawiają się w meterach Maximo.

Faza 3: walidacja i normalizacja danych

• Sprawdź kompletność danych: czy brakuje odczytów, czy są wartości poza zakresem?
• Zastosuj transformacje: normalizacja jednostek (np. °F → °C), filtrowanie szumu, interpolacja brakujących próbek.
• Zweryfikuj zapis do Maximo Manage: czy metery aktualizują się zgodnie z oczekiwaną częstotliwością?

Faza 4: modele predykcyjne i automatyzacja zleceń

1. Uruchom gotowy szablon w Maximo Health & Predict (detekcja anomalii lub estymacja RUL).
2. Jeśli potrzebujesz modelu niestandardowego, zbuduj go w Watson Studio i opublikuj przez API z powrotem do Maximo. Repozytorium IBM maximo-predictive-maintenance pokazuje pełny przepływ: budowa modelu → eksport jako pakiet Python → publikacja wartości RUL do Maximo.
3. Skonfiguruj reguły automatycznego tworzenia zleceń w Maximo Manage po przekroczeniu progu alertu.
4. Przeprowadź testy akceptacyjne: porównaj predykcje modelu z historycznymi awariami.

Porada profesjonalisty: Nie buduj modeli predykcyjnych od zera na etapie POC. Wbudowane szablony Maximo Health & Predict pozwalają przetestować hipotezy w dni, nie tygodnie. Własne modele w Pythonie dodaj dopiero, gdy szablon pokaże, że hipoteza jest trafna.

Jak używać modułów MAS: Monitor, Health & Predict i Watson Studio?

Maximo Application Suite składa się z kilku modułów, które pełnią różne role w integracji IoT.

Maximo Asset Monitor to warstwa ingest i wizualizacji. Przyjmuje dane z konektorów IoT, zapisuje je do meterów i udostępnia dashboardy czasu rzeczywistego. Można tu definiować alerty na podstawie progów lub anomalii statystycznych bez pisania kodu.

Maximo Health & Predict to miejsce, gdzie dzieje się predykcja. Moduł oferuje gotowe szablony do estymacji RUL (Remaining Useful Life), detekcji anomalii i modelowania krzywej życia aktywa. Maximo Health i Predict łączą dane OT i IT w jednym widoku, co pozwala reliability engineerom priorytetyzować aktywa według ryzyka awarii, nie według kalendarza. Przykładowo: szablon Predict dla pompy przyjmuje historię wibracji i temperatur, dopasowuje krzywą degradacji i zwraca szacowaną liczbę dni do awarii (days-to-failure) bezpośrednio w interfejsie Maximo.

Watson Studio i Watson Machine Learning wchodzą do gry, gdy gotowe szablony nie wystarczają. Przepływ wygląda tak: budujesz model w Watson Studio (Python, scikit-learn lub TensorFlow), eksportujesz go jako pakiet, a następnie publikujesz wartości predykcyjne z powrotem do Maximo przez API. Repozytorium IBM maximo-predictive-maintenance dokumentuje ten przepływ krok po kroku, łącznie z przykładami kodu.

Nie trzeba budować modeli predykcyjnych od zera. Wbudowane szablony Maximo pozwalają szybko przetestować hipotezy przed tworzeniem skomplikowanych modeli w Pythonie. Kluczowe jest włączenie reliability engineerów przy definiowaniu scenariuszy awarii.

Porada profesjonalisty: Zacznij od szablonu anomaly detection w Maximo Asset Monitor, a dopiero po walidacji hipotezy przejdź do szablonu RUL w Health & Predict. Każdy krok powinien mieć zdefiniowany KPI akceptacji.

Jak poprawnie mapować dane i zabezpieczyć integrację IoT?

Mapowanie danych to najczęściej niedoceniany etap. Zły naming convention w meterach Maximo potrafi unieważnić miesiące pracy nad modelem predykcyjnym.

Wzorce mapowania, które działają w praktyce:

• sensor_id → nazwa metra w Maximo (np. PUMP_01_VIB_X → meter Vibration_X_mm_s)
• timestamp (UTC) → reading_time w Maximo (zawsze UTC, konwertuj strefę czasową po stronie konektora)
• Jednostka surowa → jednostka w Maximo (np. mV → °C po kalibracji, counts → mm/s po przeliczeniu)
• Wartości poza zakresem → odrzucaj na poziomie konektora, loguj do osobnego strumienia błędów

Standardy ISO dotyczące struktury danych i interoperacyjności systemów zarządzania aktywami, opisane przez ISO, mogą pomóc przy definiowaniu naming conventions i struktury Asset Data Dictionary.

Minimalne wymagania bezpieczeństwa dla integracji IoT z Maximo:

1. Mutual TLS dla wszystkich połączeń brokerskich MQTT i OPC UA.
2. Tokeny API z ograniczonym zakresem dla konektora Maximo (nie używaj kont administratora).
3. Szyfrowanie w tranzycie i at-rest dla danych w Maximo Asset Monitor i Watson Studio.
4. Segmentacja sieci: sieć OT oddzielona od sieci IT przez DMZ lub firewall przemysłowy.
5. Polityki retencji danych: zdefiniuj, jak długo przechowujesz surowe odczyty (np. 90 dni) i przetworzone metery (np. 3 lata).
6. Logowanie i monitoring: wszystkie połączenia konektorów powinny być logowane z możliwością audytu.

Porada profesjonalisty: Na etapie POC użyj dedykowanego konta serwisowego w Maximo z uprawnieniami tylko do zapisu meterów. Nigdy nie używaj konta administratora do połączeń automatycznych.

Ile trwa wdrożenie i co wpływa na koszty?

Harmonogram zależy od złożoności środowiska OT i gotowości danych historycznych.

Typowy harmonogram:

1. POC (4–8 tygodni): 1–3 aktywa, jeden protokół, prosty model anomalii lub szablon Predict. Cel: walidacja hipotezy i pokazanie KPI zarządowi.
2. Pilotaż (2–4 miesiące): rozszerzenie na 10–50 aktywów, integracja z Maximo Manage i automatyzacja zleceń. Cel: operacyjna gotowość dla jednej lokalizacji.
3. Produkcja (3–9 miesięcy): pełna flota aktywów, integracja z ERP/CMMS, modele niestandardowe w Watson Studio, wdrożenie w wielu lokalizacjach.

Główne czynniki kosztowe:

• Liczba aktywów i sensorów (licencje MAS skalują się z liczbą urządzeń).
• Konieczność edge computing (bramki przemysłowe to dodatkowy koszt sprzętowy i konfiguracyjny).
• Integracja z ERP lub CMMS poza Maximo (SAP, inne systemy).
• Praca data scientistów przy modelach niestandardowych w Watson Studio.
• Licencje MAS: Maximo Asset Monitor, Health & Predict, Watson Studio.
• Wsparcie i utrzymanie po wdrożeniu.

Synaptix-platform działa w modelu SaaS z oddzielnymi opłatami za wdrożenie pilota, pełną platformę i wersje enterprise, zależnie od liczby modułów i skali integracji. Model ten pozwala zacząć od POC z ograniczonym budżetem i skalować dopiero po potwierdzeniu wartości.

Elementy do ujęcia w budżecie projektu:

1. Licencje MAS (Maximo Asset Monitor, Health & Predict, Watson Studio).
2. Sprzęt edge (bramki, konwertery protokołów).
3. Praca inżynierów OT przy mapowaniu tagów i konfiguracji konektorów.
4. Praca data scientistów przy modelach predykcyjnych.
5. Integracja z ERP/CMMS.
6. Szkolenia dla reliability engineerów i operatorów.
7. Wsparcie techniczne i utrzymanie (SLA).

Jak wygląda integracja w praktyce: utilities, produkcja i wizualizacja 3D?

Trzy sektory w Polsce, gdzie integracja Maximo z IoT przynosi największe korzyści.

Oczyszczalnia wody (utilities): pompy tłoczne wyposażone w czujniki wibracji, temperatury łożysk i ciśnienia przesyłają dane przez MQTT do Maximo Asset Monitor. Model predykcyjny estymuje RUL łożysk i automatycznie tworzy zlecenie serwisowe w Maximo Manage, gdy days-to-failure spada poniżej 14 dni. Operator nie musi ręcznie monitorować każdej pompy, a przeglądy planowane są na podstawie rzeczywistego zużycia.

Linia produkcyjna: czujniki drgań i temperatury na wrzecionach obrabiarek CNC przesyłają dane przez OPC UA z PLC do Maximo Asset Monitor. Detekcja anomalii wykrywa wzorce poprzedzające uszkodzenie narzędzia skrawającego i generuje alert dla utrzymania ruchu. Zamiast zatrzymywać linię na nieplanowany przestój, wymiana narzędzia odbywa się podczas zaplanowanego okna serwisowego.

Wizualizacja 3D z SIM-ON: SIM-ON to polska platforma, która łączy model 3D budynku lub instalacji z danymi z Maximo. Technik terenowy widzi na modelu przestrzennym, które urządzenie ma aktywny alert, jaki jest jego status w Maximo i gdzie fizycznie się znajduje. SIM-ON wizualizuje zasoby IBM Maximo w 3D, łącząc modele przestrzenne z metrykami z Maximo, co skraca czas lokalizacji awarii i poprawia efektywność inspekcji terenowych.

Połączenie danych IoT z modelem 3D w SIM-ON zmienia sposób pracy techników terenowych: zamiast szukać urządzenia na planie 2D, widzą je w kontekście przestrzennym z aktualnym statusem z Maximo.

Facility management: zarządcy budynków biurowych i centrów logistycznych w Polsce używają Maximo do zarządzania instalacjami HVAC, windami i systemami przeciwpożarowymi. Integracja z czujnikami IoT pozwala monitorować zużycie energii w czasie rzeczywistym, wykrywać anomalie (np. klimatyzator pracujący poza harmonogramem) i automatycznie tworzyć zlecenia serwisowe.

Porada profesjonalisty: Przy wdrożeniu SIM-ON zadbaj o spójność Asset ID między modelem 3D a Maximo od pierwszego dnia. Rozbieżności w nazewnictwie aktywów to najczęstszy powód opóźnień przy integracji wizualnej.

Jak Synaptix-platform przyspiesza integrację Maximo z IoT?

Synaptix-platform to silnik AI zaprojektowany do integracji danych maszynowych, modeli predykcyjnych i przepływów dokumentów w środowiskach przemysłowych. W kontekście integracji Maximo z IoT platforma pełni rolę warstwy pośredniej, która skraca czas konfiguracji i redukuje złożoność.

Funkcje istotne dla integracji z Maximo:

• GridSense: monitoring aktywów w czasie rzeczywistym z analityką strumieniową, wykrywaniem anomalii i dashboardami KPI.
• AutomateFlow: automatyzacja przetwarzania dokumentów (OCR, NLP) z routingiem do SAP i Maximo, co eliminuje ręczne wprowadzanie danych serwisowych.
• PWA dla techników: mobilna aplikacja do obsługi zleceń w terenie, zintegrowana z Maximo Manage.
• Dedykowane konektory: obsługa MQTT, OPC UA, Modbus i M-Bus bez konieczności pisania kodu konektora od zera.
• Integracja z CMMS/ERP: gotowe połączenia z Maximo i SAP.

Orientacyjne czasy wdrożenia:

1. Moduł POC (GridSense + jeden konektor): 4–6 tygodni.
2. Pełna integracja enterprise (wszystkie moduły, wiele lokalizacji): 3–6 miesięcy.

Synaptix-platform uzupełnia MAS tam, gdzie MAS wymaga dodatkowej konfiguracji: transformacje danych między formatami OT a Maximo, lokalne wsparcie techniczne w Polsce i przyspieszenie POC dzięki gotowym szablonom konektorów.

Typowe profile klientów w Polsce korzystających z podobnych rozwiązań to przedsiębiorstwa z sektora utilities (wodociągi, energetyka), przemysłu ciężkiego (hutnictwo, chemia) oraz operatorzy facility management zarządzający dużymi portfelami nieruchomości.

Porada profesjonalisty: Przed rozmową z dostawcą przygotuj listę: liczba aktywów do monitorowania, używane protokoły OT, systemy docelowe (Maximo, SAP), oczekiwany czas POC i budżet na pilotaż. To skróci pierwszą rozmowę techniczną o połowę.

Dlaczego warto zacząć od POC i angażować reliability engineerów od początku

Największy błąd przy wdrożeniach IoT w Maximo to próba zintegrowania całej floty aktywów od razu. Projekty, które zaczynają od 200 urządzeń, często kończą się po 12 miesiącach bez działającego modelu predykcyjnego. POC z jednym aktywem, przeprowadzony w kilku tygodniach, daje więcej: weryfikuje hipotezę, pokazuje zarządowi liczby i buduje zaufanie zespołu OT do nowego systemu.

Reliability engineerowie są tu kluczowi, ale często angażowani za późno. To oni wiedzą, jakie wzorce poprzedzają awarię łożyska w konkretnej pompie, jakie dane historyczne są wiarygodne, a jakie zanieczyszczone błędami kalibracji. Bez ich wiedzy model predykcyjny będzie technicznie poprawny, ale operacyjnie bezużyteczny.

Te trzy liczby powiedzą Ci więcej o jakości integracji niż jakikolwiek raport techniczny.

Synaptix-platform: wdrożenie POC integracji Maximo z IoT

Jeśli zarządzasz aktywami przemysłowymi i chcesz uruchomić predykcyjne utrzymanie w Maximo, ale nie masz czasu na wielomiesięczną konfigurację konektorów, Synaptix-platform skraca ten czas do kilku tygodni dla pierwszego modułu POC.

Platforma obsługuje MQTT, OPC UA, Modbus i M-Bus, integruje się z Maximo i SAP, i dostarcza gotowe konektory oraz dashboardy KPI bez pisania kodu od zera. Model SaaS oznacza, że płacisz za wdrożenie pilota i licencję, a nie za wieloletnią umowę z góry.

Przed pierwszą rozmową przygotuj: listę aktywów do monitorowania, używane protokoły OT i oczekiwany KPI dla POC. Następnie odwiedź stronę Synaptix-platform, żeby zobaczyć szczegóły modułów i umówić się na rozmowę techniczną.

Źródła

Poniżej najważniejsze zasoby techniczne do dalszego zgłębiania integracji Maximo z IoT.

• Health - Predict - MAS 9.0 Overview Lab
• Mqtt
• Opcfoundation

Rekomendacja

• SynaptixPlatform