Detailbeschreibung
Problemstellung
- Unerwartete Ausfälle von Maschinen in der Produktion
- Hohe Kosten durch Stillstandszeiten
- Erhöhte Kosten durch präventive Wartung
- Defekte Bauteile werden erst während der Reparatur ersichtlich
Lösungsumsetzung
- Nutzung von Maschinellem Lernen
- Erfassung und Auswahl von signifikanten Charakteristiken beschädigter Kugellager
- Nach dem sog. Training der Algorithmen kann der Schaden, bei wiederauftreten, detektiert werden
Vorteile der Lösung
- Möglichkeit einer prädiktiven Wartung
- Erkennung konkreter Schadensfälle
Genutzte Technologien
- Maschinelles Lernen
- Künstliche Intelligenz
- Condition Monitoring
- Automatisierte Algorithmen-Toolbox
Einsatzgebiet
- Verschleißdetektion von Werkzeugen (z.B. beim Fräsen)
- Lebensdauerprognose von Bauteilen (z.B. elektromechanische Zylinder)
- Qualitätsvorhersage von Produkten (z.B. i.O., n.I.O)