Nutzung von unverarbeiteten SPS Daten zur Feststellung der Erzeugnisqualität

Maschinen der Kampf Schneid- und Wickeltechnik werden weltweit zum Wickeln und Schneiden verschiedener Materialien verwendet. Dabei hängt die Erzeugnisqualität in hohem Maße vom Bediener ab. Wir stellen einen Ansatz vor, wie eine KI aus diesem Prozess mit vielen Freiheitsgraden Rückschlüsse über die Produktqualität ziehen kann.
Inhalt des Vortrags ist die Vorstellung von Wickelmaschine, -prozess und Infrastruktur zur Datensammlung, die Erläuterung der Machine-Learning-Pipeline zur unüberwachten Mustererkennung und der Business Case; die Steigerung der Produktqualität. Der vorgestellte Ansatz lässt sich auf andere Prozesse übertragen. Er wurde vollständig mit quelloffener Software realisiert.

Vorkenntnisse

Es sollten grundlegende Kenntnisse in Statistik (Normalverteilung, Mittelwert, Varianz, Korrelation) vorhanden sein.

Lernziele

Wir wollen zeigen, wie bereits generierte Daten von Maschinensteuerungen genutzt werden können, um Rückschlüsse auf die Erzeugnisqualität zu ziehen. Wir möchten außerdem zeigen, dass es Machine-Learning-Ansätze gibt, die prozessagnostisch sind und daher leicht für andere Prozesse adaptiert werden können. Zuletzt möchten wir die Vorteile der Nutzung von quelloffener Software hervorheben.

 

Speaker

 

Niklas Haas
Niklas Haas ist leidenschaftlicher Data Scientist, der mithilfe von Machine Learning große Datenmengen analysiert, Muster erkennt und Einsichten generiert. Er gibt sich dabei nicht mit dem PoC zufrieden, sondern möchte das Machine-Learning-Produkt auch unbedingt ausliefern. Als studierter Karlsruher Wirtschaftsingenieur behält er bei seinen Entscheidungen zudem stets den Business Value im Hinterkopf.


Jörn Karthaus

Gold-Sponsoren

D2IQ
InterSystems

Newsletter Industrial IoT Conference

Sie möchten über die Industrial IoT Conference
auf dem Laufenden gehalten werden?

 

Anmelden