Direkt zum Inhalt

Benutzermenü

  • Anmelden
Demonstratoren Management Logo
Demonstratoren Management Logo
INPUT FIELD array(8) { ["data-drupal-selector"]=> string(9) "edit-term" ["type"]=> string(4) "text" ["id"]=> string(9) "edit-term" ["name"]=> string(4) "term" ["value"]=> string(0) "" ["size"]=> int(30) ["maxlength"]=> int(128) ["class"]=> array(1) { [0]=> string(9) "form-text" } } array(11) { ["data-drupal-selector"]=> string(9) "edit-term" ["type"]=> string(4) "text" ["id"]=> string(9) "edit-term" ["name"]=> string(4) "term" ["value"]=> string(0) "" ["size"]=> int(30) ["maxlength"]=> int(128) ["class"]=> array(3) { [0]=> string(9) "form-text" [1]=> string(17) "form-autocomplete" [2]=> string(21) "ui-autocomplete-input" } ["data-autocomplete-path"]=> string(80) "/search_api_autocomplete/search_content?display=search_page&&filter=term" ["autocomplete"]=> string(2) "on" ["data-search-api-autocomplete-search"]=> string(14) "search_content" }
  • Demonstratoren
  • Institutionen
  • Ansprechpartner
    Hauptnavigation
    • Demonstratoren
    • Institutionen
    • Ansprechpartner

Pfadnavigation

  1. Start
  2. Demonstratoren
  3. Predictive Quality

Predictive Quality

Fehlerprädiktion für verkettete Produktionsschritte mittels Ansätzen des maschinellen Lernens

Mobil

Fehlerprädiktion als mobile Demonstration Fehlerprädiktion als mobile Demonstration

product Fehlerprädiktion als mobile Demonstration
zurück
vor

Detailbeschreibung

Daten in der Produktion – was fange ich mit Ihnen an? Mit Methoden des maschinellen Lernens ist es möglich, aus vorhandenen, historischen Datensätzen Erkenntnisse zu gewinnen und zukünftige Ereignisse vorherzusagen. Beides ist wohl in jedem Bereich von großem Nutzen, in dem Daten vorhanden sind, auch und insbesondere in der Produktion. Der Demonstrator „Predictive Quality“ von Digital in NRW veranschaulicht die Einspar- und Verbesserungspotentiale in verketteten Produktionsschritte, die sich durch die steigende Verfügbarkeit von Daten und lernenden Systemen wie Decision Trees, auftun.

Der Demonstrator, der sich in Gestalt einer Tablet-App oder PC-Anwendung zeigt, wird mit allen verfügbaren Daten jedes Produktionsschrittes gefüttert. Dazu gehören die Prozessparameter, Daten von Bauteilprüfungen zwischen den einzelnen Prozessschritten und das Resultat der Qualitätsprüfung am Ende der Prozesssequenz. Durch letztere wird ein Decision Tree konditioniert – dieser lernt welche Einflussgrößen in welcher Ausprägung in welchem Produktionsschritt vorhanden waren, bei Gutteilen und Ausschuss. Wenn der Decision Tree ausreichend trainiert wurde, ist er in der Lage, nach jedem Teilprozess eine Vorhersage mit einer bestimmten Sicherheit zu treffen, ob das Bauteil die finale Qualitätskontrolle erfolgreich passieren wird oder nicht. So können Ausschussteile früh im Prozess identifiziert und aussortiert werden.

Fehler kosten Geld. Je später sie entdeckt werden, desto mehr. Der Demonstrator „Predictive Quality“ veranschaulicht, wie Fehlerprädiktion in der Produktion Einsparungen von Ressourcen und Aufwänden ermöglicht. Maschinen- und Nacharbeitszeiten können optimiert, Bauteile mit schlechten Aussichten frühzeitig dem Recyceln zugeführt und somit die Prozessqualität durch nachvollziehbare, datenbasierte Entscheidungshilfen gesteigert werden.

Fehler sind gut. Nur durch sie können wir lernen und uns verbessern. Der richtige Umgang mit Fehlern ist entscheidend und ermöglicht es, Prozesse effizienter und besser zu gestalten. Der Demonstrator zeigt wie, indem er nicht nur Fehler prognostiziert, sondern Erkenntnisse darüber generiert, wo die Ursachen für Ausschuss liegen. Wie ein Decision Tree aus Ihren Produktionsprozessen lernt und wie Sie von ihm lernen, wie sie ihre Produktion verbessern und weiterentwickeln können, das veranschaulicht der Demonstrator „Predictive Quality“ von Digital in NRW.

Ansprechpartner
Lars Gussen
Werkzeugmaschinenlabor WZL der RWTH Aachen
Standort
Verwandte Demonstratoren zu "Predictive Quality "
  • Gesamtansicht Demonstrator

    3DDD - Prozess -überwachung und –analyse

    Retrofit eines 3D Druckers durch ein modularen Sensorsystems. Cloudanbindung wie Maschnielles Lernen zur Bauteilvorhersage
    Eschberger Weg 46, 66121 Saarbrücken
  • Condition Monitoring Demonstrator (Säge)

    Condition Monitoring Demonstrator (Säge)

    Der Predictive Maintenance Demonstrator an der Bandsäge der Lernfabrik CiP ermöglicht es, von der Datenaufnahme bis zur Datenauswertung alle wesentlichen Schritte auf dem Weg zu "Smarten Maschinen für eine Smarte Instandhaltung" aufzuzeigen.
    Otto-Berndt-Straße 2, 64287 Darmstadt
  • Smart Filter Cube Frontal Ansicht

    Smart Filter Cube

    Mobile Demo, welche die Sensor-basierte Smartifizierung von Komponenten anhand eines Wasserfiltrierungssystem aufzeigt. Eignet sich als Diskussionsgrundlage für Daten-basierte Geschäftsmodelle für smarte Produkte und Retrofitting von Altanlagen.
    Nobelstr. 12, 70569 Stuttgart
  • fischertechnik-Modellfabrik mit Monitoring im ERP

    Otto´s vernetzte Bolzenfabrik Produktionsplanung & -monitoring

    Industrie 4.0-Vernetzung in Echtzeit einer Modellfabrik auf Basis fischertechnik mit einem Open Soucre ERP auf Basis odoo
    Otto-von-Guericke-Universität, VLBA Lab, Universitätsplatz 12, 39106 Magdeburg
  • Intelligenter Spiegel

    Intelligenter Spiegel

    Mensch-Maschine-Interaktionsschnittstelle basierend auf ML-Algorithmen
    Universitätsstraße 25, 33615, Bielefeld
  • Stetige Vernetzung - Ein Mehrwert für KMUs

    KI beim Fügen von Kunststoff von Metall

    Die Modellfabrik Vernetzung erforscht Prozessparameter und Einflussfaktoren beim Einsatz von künstlichen, neuronalen Netzen.
    TU Ilmenau
  • ForschungsKUBUS

    KI-EscapeROOM

    Anwendungen der Künstlichen Intelligenz spielerisch erfahren und verstehen
    Körschtalstraße 26, 73770 Denkendorf
  • SmartFactoryOWL - Blick von der Empore

    SmartFactoryOWL

    SmartFactoryOWL
    SmartFactoryOWL, Campusallee 3, 32647 Lemgo
  • Der Ventilatoren-Koffer mit einer detaillierten Anzeige. © Ann-Kristin Teigelkamp

    Der Ventilatoren-Koffer (Mittelstand 4.0-Kompetenzzentrum Lingen)

    Der Demonstrator zeigt beispielhaft, wie „Predictive Maintenance“ (deutsch: Vorausschauende Wartung“) in einem System integriert werden kann und was sich dahinter verbirgt.
    Albrechtstraße 30, 49076 Osnabrück
  • Ein Chip der die Maschinendaten erfassen kann. © münsterLAND.digital e.V.

    Echtzeitüberwachung des Maschinenzustands mit Hilfe von Sensorik - Maschinendaten in Echtzeit erfassen und analysieren

    Durch die Erfassung von Maschinendaten, lassen sich Abweichungen des Normalzustands erkennen und Gegenmaßnahmen können eingeleitet werden. Der Demonstrator veranschaulicht ein konkretes Beispiel.
    Hafenweg 16, 48155 Münster
  • Die Anlage

    Die Industrie 4.0 Anlage der SmartFactory-KL

    Die herstellerübergreifende Industrie 4.0-Produktionsanlage zeigt, wie hochgradig wandlungsfähige Fertigung bis hin zu Losgröße 1 effizient realisiert wird.
    Trippstadter Str. 122 67663 Kaiserslautern Deutschland
  • Terminal mit Benutzeroberfläche zur Datenanalyse

    Erfolg und Wettbewerbsfähigkeit im Tourismus

    Interaktive Analysen und Managementtools für Unternehmen
    Geschäftsstelle „Mittelstand 4.0 – Kompetenzzentrum Rostock“, Deutsche-Med-Platz 1, 18057 Rostock
  • Kugellagerdemonstrator

    Kugellagerdemonstrator - KI-Demonstrator zur vorzeitigen Schadenserkennung

    Der Demonstrator zeigt Methoden des maschinellen Lernens am Beispiel einer Schadensdetektion von Kugellagern
    ZeMA gGmbH, Eschberg Weg 46, 66121 Saarbrücken

Rechtliches

  • Datenschutzerklärung
  • Impressum
  • Kontakt