Werkzeugbruch-Vorhersage in Echtzeit

In diesem Projekt implementierten wir einen Algorithmus, der in Echtzeit Werkzeugbrüche während der Bearbeitung von metallischen Bauteilen vorhersagt. Die Erkennung ist im operativen Einsatz und läuft auf den Titan-Zerspanungsanlagen bei Premium Aerotec.

Das System wird mit einer echtzeitfähigen Datenanbindung live auf der Zerspanungsmaschine betrieben. Eingangsdaten sind die Drehmomente der Spindel, an der das Bearbeitungswerkzeug montiert ist.

Die trainierten Modelle sind in der Lage, 75 % aller Werkzeugbrüche vorherzusagen, die durchschnittliche Vorhersagezeit ist 20 Sekunden. Wir haben gezeigt, dass Werkzeugbrüche im industriellen Betrieb mit maschinellen Verfahren vermieden werden können.

Vorkenntnisse

* Grundkenntnisse zu Data Science oder Machine Learning
* Grundkenntnisse zu Python- und Data-Science-Tools

Lernziele

* Machine-Learning-Methoden und Algorithmen für Zeitreihen
* Herausforderungen für Echtzeit-Algorithmen
* Von der Idee bis zum operativen Einsatz

 

Speaker

 

Thomas Manhardt
Thomas Manhardt ist Data Scientist bei der Premium Aerotec GmbH. Der studierte Informatiker hat sich auf das Analysieren großer Datenmengen spezialisiert. Er unterstützt das Data-Science-Team in Big-Data- und Machine Learning-Projekten im Rahmen von Industrie 4.0 und IoT.

Gold-Sponsor

Novatec

Silber-Sponsoren

ETECTURE
inovex
inovex
HO Computer
Intel
Phytec

Bronze-Sponsoren

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden