Begrüßung Vorstellung TIM Vorstellung der F&E-Experten Fachinput Fragen

Größe: px
Ab Seite anzeigen:

Download "Begrüßung Vorstellung TIM Vorstellung der F&E-Experten Fachinput Fragen"

Transkript

1 TIM - Technologie- und Innovations-Management Wels, Fertigung & Instandhaltung 2010 Begrüßung Vorstellung TIM Vorstellung der F&E-Experten Fachinput Fragen Fertigung & Instandhaltung 2010

2 Technologie- und Innovations-Management Eine Initiative von umgesetzt von Auftrag: umfangreiche, kostenlose Beratung und Begleitung bei Innovationsvorhaben und der Einführung neuer Technologien in oö. Unternehmen. Fertigung & Instandhaltung 2010 Beratung bei Innovationsvorhaben Analyse des Entwicklungsbedarfs Technologie- /Patentrecherche Finden geeigneter F&E - Partners Expertenberatung (F&E - Partner) Förderberatung Projektbegleitung Beratung bei Patentanmeldung Unterstützung bei Innovationsprojekten Fertigung & Instandhaltung 2010

3 100% Förderquote Universitäten Betriebserweiterung 0% Grundlagenforschung technisches Risiko Markt Fertigung & Instandhaltung ,- TIM Expertenberatung Förderung: 100% von maximal 700,- (Maximale Förderung: 700,-) Inhalt: Analyse IST-Status, Umfeldrecherche, Testmessungen, Funktionskonzepte, etc. Formale Kriterien: Mitglied der Wirtschaftskammer OÖ 3.500,- TIM Machbarkeits- und Transferprojekt Förderung: 50% von maximal 3.500,- (Maximale Förderung: 1.750,-) Inhalt: Entwurf und Ausarbeitung von Lösungskonzepte, Erstellung von Prototypen, etc. Formale Kriterien: KMU* ohne Beteiligungsregel, Mitglied der Wirtschaftskammer OÖ 5.000,- FFG Innovations-Scheck Förderung: 100% von maximal 5.000,- (Maximale Förderung: 5.000,-) Inhalt: Studien zur Umsetzung innovativer Ideen, Prototypenentwicklung, etc. Formale Kriterien: KMU*, kein Projekt mit dem jeweiligen Forscher in den letzten 5 Jahren ,- FFG Feasibility-Studie Förderung: 75% von maximal ,- (Maximale Förderung: ,-) Inhalt: Überprüfung der technischen Machbarkeit einer Idee Formale Kriterien: KMU* Fertigung & Instandhaltung 2010

4 Was ist der Stand der Technik zu meiner Anforderung und ist dieser ausreichend? Welche neuen Lösungsansätze gibt es für meine Aufgabenstellung und wie kann ich diese verwenden? Welche Strukturierung meines Vorhabens wäre sinnvoll? Wie kann ich meine Entwicklung am besten fördern lassen? In welcher Form binde ich einen F&E-Partner am besten ein? usw. Fertigung & Instandhaltung Kontaktaufnahme mit TIM 2. Besuchstermin im oö. Unternehmen DENKEN SIE LAUT! Projektgestaltung mögliche Förderungen 3. Vereinbarung konkreter nächster Schritte, z.b. Termin mit F&E-Partner Patentrecherche Förderantrag TIM ist von Land OÖ und WKO Oberösterreich finanziert und daher für oö. Unternehmen KOSTENLOS! Fertigung & Instandhaltung 2010

5 Enterprise Europe Network (www.een.at/marktplatz) Ergebnis- und Technologieverwertung ist das größte Service-Netzwerk weltweit zur Projektpartnersuche & Ergebnisverwertung In über 40 Ländern, ca. 550 Partner-Organisationen in Oberösterreich: Wirtschaftskammer OÖ / Europa Info Center CATT Innovation Management GmbH EEN Service Partnersuche Durchführung (europäisches) F&E Projekt EEN Service Ergebnis- und Technologieverwertung Fertigung & Instandhaltung 2010 Wirtschaftskammer OÖ Service Center Tel.: 05/ Fax: 05/ CATT Innovation Management GmbH Tel.: 0732/ Fax: 0732/ Fertigung & Instandhaltung 2010

6 Technologiefrühstück Prozessanalyse, Condition Monitoring und Fehlerfrüherkennung Dr. Thomas Natschläger Software Competence Center Hagenberg DI Andrea Schrems Linz Center of Mechatronics Überblick Informationsanalyse Prozessdaten Prozessanalyse durch Identifikation Wissensextraktion durch Data Mining Condition Monitoring und Fehlerfrüherkennung Kooperationsprojekt Zustandsüberwachung Pumpe Hören Überwachen von Verschleißteilen Monitoring durch Prozessmodelle Prozessdaten zur Kostenreduktion Umsetzung an Hand konkreter Beispiele Kurzer Methodenüberblick machine learning framework Fehlerdiagnose und Physikalisches Interpretationstool

7 Informationsanalyse Prozessdaten Prozessanalyse durch Identifikation Wissensextraktion durch Data Mining Prozessanalyse: Basis Messdaten eines kontinuierlichen Prozesses

8 Prozessanalyse durch Identifikation Informationsanalyse Black Box 1. Erkennen von Mustern und Strukturen in Prozessdaten d.h. Regelmäßigkeiten, die sich gegenseitig bedingen, die sich beeinflussen 2. Abbilden (Systematisieren) der Regelmäßigkeiten in mathematischen Beziehungen zwischen den abhängigen Prozessgrößen Um Wissen zu generieren Um spezifisches Expertenwissen allgemein und standardisiert abzubilden Um Eingriffsmöglichkeiten und ihre Wirkrichtungen zu erkennen Prozessanalyse durch Identifikation Wozu brauchen wir das? NUTZEN Durch die systematische Prozessanalyse erhalten wir Modelle zur Prozess- und Verfahrensoptimierung Design von virtuellen Sensoren Modelle fürs Condition Monitoring zustandsgesteuerte Instandhaltung Fehlerfrüherkennung z. B. um Produktionsausfälle zu vermeiden x 10 4

9 Prozessanalyse durch Identifikation Black Box Zugang: Prozesswissen aus Messdaten generieren Input= einfließende Information Prozessaktion y Struktur von Teilprozessen abstraktes Schema eines zeitkontinuierlichen Prozesses Zeitachse t Output= resultierende Information ProzessINTERaktionen erkennen und modellieren Messdaten speichern wertvolle ProzessInformation Prozessanalyse durch Identifikation Phasenmodell der Prozessanalyse - Identifikation online offline Phase 1: Daten erfassen Informationsanalyse Strukturen erkennen Modelle generieren für Messgröße für Fehlercharakteristiken Phase 2: Info erkennen Zustandserkennung Monitoring Detektion Ursachenforschung Simulation Phase 3: Info vergleichen, auswerten

10 Prozessanalyse durch Identifikation Verwertbarer Nutzen: Annahme: Information über das Innenleben eines Prozesses Ein kontinuierlicher Prozess kann durch seine Messdaten beschrieben werden: N Informationsmenge { ( ) {1,..., }, {1,..., },, } i j Abtastrate S = x t IR i n j N n IN N IN Gesucht werden mathematische Beschreibungen um das Prozessverhalten abzubilden durch optimale Wahl der Inputgrößen unter Verwendung der Originalprozessgrößen (z. B. keine PCA). Merkmale des Black-Box-Modells: y = f( x,..., x ) yˆ = f% ( x%,..., x% ) x% S k with 1 kp i i k% 1 k% p% k% % j f% % i : IR IR Datenbasierte Selektion von Inputgrößen, deren Zusammenhang zu y physikalisch interpretiert werden kann #Messgrößen N p N Prozessanalyse durch Identifikation Engine Analyse Testbench von Motorprüfstandsdaten Mit freundlicher Genehmigung des Instituts für Design und Regelung mechatronischer Systeme, Johannes Kepler Universität, Linz Information über die inneren Strukturen? Ursache Effekt

11 Prozessanalyse durch Identifikation Analyse eines Walzprozesses (SVAI) Ausgangsbasis: mehr als 500 Messkanäle, Black Box Zielkanal in den Trainingsdaten: Gesucht: Wer beeinflusst das Verhalten dieser Prozessvariablen, welches physikalisch interpretierbare Systemmodell steckt dahinter? Zielkanal in den Testdaten Siemens VAI WICHTIG: Für die Prozessanalyse ist der Informationsgehalt der Messung ausschlaggebend! Prozessanalyse durch Identifikation Konkretes Beispiel: Zielkanal mit geringer Anregung in den Trainingsdaten Trainingsdaten Testdaten zur Validation Die gleiche Prozessgröße an unterschiedlichen Betriebspunkten. Frage: Kann eine Systematik gefunden werden, die das Verhalten dieser Zielgröße in ausreichenden Maße beschreibt?

12 Prozessanalyse durch Identifikation OHNE multivariate Korrelationsanalyse Lineares Regressionsmodell 9 Inputvariablen Modellqualität = 30% Strukturanalyse MIT multivariater Korrelationsanalyse Nutzen der optimierten Prozessanalyse: 1. Weniger, aber aussagekräftigere Inputgrößen 2. Verbesserte globale Modellqualität 3. Physikalische Sinnhaftigkeit der blind selektierten Prozessgrößen Linear Regression Model 2 Inputvariablen Modellqualität = 99% Informationsanalyse Prozessdaten Prozessanalyse durch Identifikation Wissensextraktion durch Data Mining

13 Was ist der Grund für diese Ereignisse? Einteilung des Sensorsignals in Kategorien Normale Werte: ErhöhteWerte: 161 Extreme Werte: 57 SPS-Schrittnummer aus der Vergangenheit Anzahl des Vorkommens einer SPS- Schrittnummer in der letzten Zeit

14 Maschinelles Lernen Data Mining Daten Lernalgorithmus Modell OrderDuration OrderNumber ProcessNumbType ShiftStart ShiftDuration TNB TW TB TO TT TR TN StandstillCou StandstillCou StandstillCou EA PE QR _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _T5_LL _T5_LL _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_ _Audi_ _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_ _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _VW/P

15 OrderDuration OrderNumber ProcessNumber TypeShiftStart ShiftDuration TNBTWTBTOTTTRTNStandstillCountTO StandstillCountTT StandstillCountTR EAPEQR _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _T5_LL _T5_LL _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B6_Karmann _Audi_B6_Karmann _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B6_Karmann _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _VW/Porsche_Colorado_LL_MVLS Prozessoptimierung durch Wissensextraktion Interpretation des Modells Sehr bedeutsam für Sensor 1 ist das häufige Auftreten von SPS- Schrittnummer 214 in Kombination mit anderen führt zu neuem Wissen In der SPS-Steuerung waren bestimmte Bedienfälle / Bedienvorgänge nicht ausgeschlossen welches umgesetzt den Prozess optimiert SPS-Steuerung geändert, wodurch sich die Lebensdauer des Systems erhöht, da die Extremsituationen nicht mehr auftreten Prozessoptimierung durch Wissensextraktion Umsetzung Interpretation Bewertung Verbesserter Prozess Maschinelles Lernen + Schlussfolgerungen, neues Wissen Modell / Struktur Produktionsdaten Hintergrundwissen, (Prozessexpertise)

16 Bildung von Ablagerungen

17 Nicht direkt messbar Definition über die Stopfenposition (rote Linie) 100 FG gültig Schm. Wechsel Füllgrad Stopfenst.IST Stopfenst.SOLL Gießgeschw. St.Reinigen Merkmale des Gießprozesses Art der Anlage, Verteiler Gießleistung Kokille Chemische Analyse Zu verschiedenen Zeitpunkten Zusammensetzung Einschlüsse Merkmale der Sekundärmetallurgie Behandlungsabfolgen Behandlungsdauern, Ruhezeiten

18 Interpretierbarkeit spielt wesentliche Rolle Fuzzy-Logic basierte Ansätze Entscheidungsbäume Regelbasen Beispiel: Untersuchung von Interaktionen z. B. Quadratische Modelle

19 Untersuchung von verschiedensten Szenarien Überblick geben Stahlgruppen Anlagen Detailanalysen Einflüsse Modelle Verifizieren von Hypothesen Condition Monitoring und Fehlerfrüherkennung Kooperationsprojekt: Zustandsüberwachung Pumpe Hören Überwachen von Verschleißteilen Monitoring durch Prozessmodelle

20 Frühzeitiges Erkennen von Verschleiß, um geplante Wartungsarbeiten durchführen zu können (im Gegensatz zu ungeplanten Stillständen) Flexibles Modul zur Fehlerfrüherkennung und Zustandsüberwachung von Pumpen Motoren Getrieben... Ein einfacher Sensor reicht bei einer Pumpe aus, um die Störfälle klar zu unterscheiden Selbst ohne Kenntnis der Störbilder funktioniert eine Erkennung der Abweichung vom Normalzustand Es wird erkannt das ein unspezifischer Fehler vorliegt Hinzufügen von Expertenwissen (Wissen aus Messreihen) kann den genauen Fehler bestimmen Datengetriebener Ansatz Durch Analyse von Daten, Modelle für den Normalbetrieb zu erstellen, und diese dann als Prediktoren verwenden.

21 Fehlererkennung ohne die Störbilder zu kennen Druckverlauf Geglättetes Fehlersignal verschlissene Pumpe Eingelaufene Pumpe Neue Pumpe Fehlererbestimmung mit Kenntnis der Störbilder Einfacher Sensor reicht aus, um Störfälle automatisch unterscheiden zu können: Unterscheidung Pumpe im Normalzustand und einer Pumpe mit Verschleißerscheinungen: Erkennungsrate => 99.3% Kann man den Betrieb unter Extrembedingungen erkennen? Erkennungsrate => 99.9% Unterscheidung Pumpe im Normalzustand und einer Pumpe, die Extrembedingungen ausgesetzt wurde: Erkennungsrate => 99.8%

22 Condition Monitoring und Fehlerfrüherkennung Kooperationsprojekt: Zustandsüberwachung Pumpe Hören Überwachen von Verschleißteilen Monitoring durch Prozessmodelle Hören Überwachen von Verschleißteilen Was das menschliche Ohr hört und wie Algorithmen das standardisiert umsetzen Experte hört den Klang der Maschine Interne Statusabfrage: Typischer Klang? Wenn ja, ok! Wenn nicht, was sagt mir das? Unrunder Lauf? ausgeschlagenes Lager? fehlende Schmierung?. Expertensystem: gutes Klangmuster ist gespeichert Erfahrungswerte was Abweichungen vom typischen Klang bedeuten, sind auch gespeichert dadurch ist die logischen Verknüpfung von Effekt und Ursache möglich bei neuem Klangmuster wird das Wissen mittels Erfahrung erweitert

23 Hören Überwachen von Verschleißteilen Methodik: Akustik Körperschall Zustandserkennung im Frequenzbereich Überwachen von Verschleißteilen Transformation: Zeitbereich <-> Frequenzbereich jeweilige Vorzüge, was wird wo sichtbar Zeitbereich Fouriertransformation Frequenzbereich Vibration - Körperschall: Radiale oder Axiale Beschleunigung Spektrum: Frequenzen und deren Amplituden, Seitenbänder Cepstrum: Quefrenzen und Seitenbänder, Trennt Ursache und Effekt, die im Frequenzbild vermischt sind

24 Überwachen von Verschleißteilen Onlineüberwachung, Lernen und Überwachen am Demonstrator Onlineanzeige des aktuellen Betriebszustands (weiß = kein Fehler, orange = Fehler) Offline trainierte Entscheidungsgrenze Online aufgenommene Daten der 4 Lager Überwachen von Verschleißteilen Zustandsüberwachung Kolbenkompressor Ventilschäden online erkennen Source: Hoerbiger Kompressortechnik Transformation der zeitlichen Messgrößen in informationsreiche Diagnosegrößen

25 Überwachen von Verschleißteilen Zustandsüberwachung Kolbenkompressor Optimale Kombination von Prozessmerkmalen zur Zustandsklassifikation Condition Monitoring und Fehlerfrüherkennung Kooperationsprojekt: Zustandsüberwachung Pumpe Hören Überwachen von Verschleißteilen Monitoring durch Prozessmodelle

26 Monitoring durch Prozessmodelle Unterschied zwischen Prozessanalyse Prozessüberwachung Zielstellung Innere Strukturen analysieren (Wie) Zusammenhänge erkennen (Warum) Prozesswissen extrahieren (Aha-Effekt) physikalisch motivierte Modelle Prozesse laufend überwachen (Zustandskontrolle) Normalverhalten und fehlerhaftes Verhalten unterscheiden können Fehlerursachen erkennen Fehlerbehebung erleichtern Instandhaltungsprozesse unterstützen Statistische, physikalische, abstrakte Modelle Monitoring durch Prozessmodelle Datenbasierte Modelle generieren: Informationspool Datenbasis ausreichende Systemanregung globale und lokale (betriebspunktabhängige) Modelle Modellvielfalt (strukturell) Prozess, Anlage Data recording Structure Identifikation Inputsets 1 p Datenaufbereitung x,..., x 1 n y = y y y (1) (2) ( N ) (,,..., ) M : = yˆ = g x,..., x i j j, i k k 1 m i Anforderungen ans Monitoring : statisches und dynamisches Systemverhalten überwachen unterschiedliche Zeitkonstanten berücksichtigen Prozessmodelle verwalten und ergänzen Modellbildung 1 q Validation Monitoring: Fehler - Detektion - Isolation

27 Monitoring durch Prozessmodelle Anwendungsbeispiel: SVAI, Überwachung von metallurgischen Anlagen Gesucht sind Approximation für die reale Messgröße = Zielgröße Begriff: Bestapproximierende. Abhängig vom Qualitätskriterium z. B. minimale Anzahl von Inputkanälen kleinster Abweichung Messung und Modell globales oder lokales Modell gültig für welche Betriebsmodi z. B. Datenbasis wird auf bestimmte Betriebskriterien eingeschränkt Monitoring durch Prozessmodelle Zielgröße = Messkanal [2:0] Evaluierung auf Testdaten Ein PCR-Modell mit linearer Variablenselektion Ein lineares Regressionsmodell mit nicht-linearer Variablenselektion

28 Monitoring durch Prozessmodelle Fehlerdiagnose für Zielgröße [2:0] kann folgendermaßen realisiert werden: 3 Modelle mit genügende hoher Approximationsqualität haben die folgende Struktur: Model 1: [2:0] = f 1 ([1:0], [2:1], [6:27]) Model 2: [2:0] = f 2 ([4:8], [5:22], [7:26]) Model 3: [7:26] = f 3 ([4:13], [7:27], [10:16]) Das Resultat der Fehlerdetektion ist wiederum abhängig von : Modellstruktur and Kombination der Modelle Einfluss der einzelnen Prozessgrößen im Modell Benutzte Monitoringparameter Monitoring durch Prozessmodelle Fehlerdiagnose Model 2 Model 1 Model 3 Model 2 Auswirkung eines Fehlers in [7:26] Auswirkung eines Fehlers in [2:0]

29 Monitoring durch Prozessmodelle Fehlersignaturen Modell 1 Fehler in [2:0]: 1 ; Fehler in [7:26]: 1 ; Fehler in [5:22]: 1 Modell Modell 3 Fehlerisolation: Fehler in [2:0] und [7:26] können eindeutig identifiziert werden 1:0 2:0 2:1 4:8 4:13 5:22 6:27 7:26 7:27 10:16 M M M Monitoring durch Prozessmodelle Anwendung: Brennstoffzelle Vergleich (1) gemessener Kanal (2) berechneter Kanal auf Grund eines datenbas. Modells Fehlererkennung Samples [800, 870] Fehlerisolation Nach Wahrscheinlichkeit geordnet, den Fehler verursacht zu haben

30 Prozessdaten zur Kostenreduktion Beispiel aus der Papierindustrie (Voith, SCA Laakirchen) Subjektive Beurteilung der Qualität Betriebnahme einer neuen Papiermaschine Gespeicherte Daten werden kaum als Wissensbasis genutzt Mehr Kenntnisse gewünscht über Zusammenhänge zwischen Rohstoffzusammensetzung Maschinenparametern Umwelteinflüssen Rohpapierqualität Qualität des bedruckten Papiers

31 Unterstützung der Anlaufphase der neuen Papiermaschine Optimierung des Produktionsprozesses Analyse und Optimierung der Qualität des bedruckten Papiers Unterstützung laufender Analysen Werkzeug zur objektiven Beurteilung der Qualität des bedruckten Papiers mittels Bildanalyse Analyse der verschiedenen Prozessschritte Identifikation von Zusammenhängen in großen, mehrdimensionalen Datenbanken Verwendung des machine learning framework (mlf) Schnellster Hochlauf einer Papiermaschine Kostenreduktion bei Inbetriebnahme Kundenspezifisches Werkzeug (PaperMiner) Selbstständige Analysen durch Anwender Kostenreduktion im laufenden Betrieb!

32 Quantifizierung von Zusammenhängen Einige der Zusammenhänge die wir gefunden haben, waren uns bereits bekannt, aber bisher konnten wir sie nicht quantifizieren. Manche Entdeckungen sind wirklich neu und wir müssen diese genau beobachten! 20% 10% 70% Traditionelle Optimierung PaperMiner (DataMining) Know-How der Benutzer

33 Beispiel Energieoptimierung durch lokale Prognosen Optimierte Globalstrahlunsvorhersagen Jalousie (auf, ab) Wetterprognosen als Eingangsgrößen Außentemperatur Globalstrahlung Vereisungsgefahr Nachtlüftung Steuerung Sollwertschiebung Raumtemperatur Sollwertschiebung Zulufttemperatur Einsparungseffekt durch die Verwendung der Wetterprognosen 5% der Jahresheizenergie 10% der Jahreskühlenergie. Ergebnisse aus ETP-Projekt von BlueSky, Kunesch, Siemens Gebäudeautomatisierung Methodenüberblick Machine learning Framework Fehlerdiagnose und Physikalisches Interpretationstool

34 Machine learning framework (mlf) Basierend auf Mathematica und Breiter Methodenmix Automatische Modellgenerierung und -validierung Interpretierbare Modelle Vielfältige Visualisierungsmöglichkeiten Individuelle Lösungen basierend auf einem ausgereiften Produkt Unterstützt Parallelisierung PaperMiner Analysetool für Prozessoptimierung in der Papierindustriee Vergießbarkeitsanalysator Analyse von Einflüssen im Strangguss bei VA-Stahl BlueForecast Erstellung von Modellen für lokal optimierte Wetterprognosen Vorhersagemodellgenerierung im Verbund Erstellung von Modellen zur Vorhersage von Wasserpegeln

35 Analyse von verteilten Systemen Monitoring von Fahrzeugflotten Methodenüberblick Machine learning Framework Fehlerdiagnose und Physikalisches Interpretationstool

36 Methodenüberblick Entwicklungsumgebung MATLAB Entwicklung von individuellen Kundenlösungen Methodenpool von der Datenaufbereitung (Filtern, Downsamplen, Totzeitbestimmung, etc.) Variablenselektion Design von Prozesscharakteristiken Modellbildung (Prozessanalyse, Monitoring) Zustandserkennung im Zeit- und Frequenzbereich Fehlerdiagnoseroutinen Methodenüberblick LCM Tools in Algorithmen gegossenes ExpertenKnowHow Kombiniert Theorie & Praxis FDI: von der Datenaufbereitung über die Modellbildung bis zur Fehlerdiagnose (Detektion plus Fehlerisolation) im Zeitbereich PIT: Physikalisches Interpretationstool - Datenaufbereitung phy, Modellbildung phy von Prozessgröße und virtuellen Sensoren ZId: Zustandsidentifikation im Frequenz- und Zeitbereich, Extraktion von Kenngröße und Prozesscharakteristiken, die sich zur zuverlässigen Zustandsüberwachung von Verschleißteilen eignen. Umsetzung in Onlinetools

37 Danke für Ihre Aufmerksamkeit! Dr. Thomas Natschläger Software Competence Center Hagenberg GmbH Softwarepark 21, 4232 Hagenberg Tel: +43 (0) Dipl.-Ing. Andrea Schrems Linz Center of Mechatronics GmbH Altenbergerstrasse 69, A-4040 Linz Tel: +43(0)732/ Coming up soon SCCH Forschungsperspektive Juni 2010, 08:45 bis 16:00 Uhr WKO Oberösterreich, Hessenplatz 3, Linz Optische Qualitätsinspektion zum Angreifen Labortag am 30. Juni 2010 SCCH, Softwarepark 21, Hagenberg

Effzienzsteigerung durch intelligentes Datenmanagement

Effzienzsteigerung durch intelligentes Datenmanagement Effzienzsteigerung durch intelligentes Datenmanagement Analyse, Optimierung, Steuerung und Prognose von Prozessen Dr. Thomas Natschläger +43 7236 3343 868 thomas.natschlaeger@scch.at www.scch.at Das SCCH

Mehr

TIM. typisches Innovationsprojekt

TIM. typisches Innovationsprojekt TIM Technologie- und Innovations-Management Eine Initiative von umgesetzt von Auftrag: umfangreiche, kostenlose Beratung und Begleitung bei Innovationsvorhaben und der Einführung neuer Technologien in

Mehr

Know-how Gewinn durch Kooperation mit F&E - Einrichtungen

Know-how Gewinn durch Kooperation mit F&E - Einrichtungen Know-how Gewinn durch Kooperation mit F&E - Einrichtungen Kooperationsformen Förderinstrumente - TIM-Expertenrunden Alois Keplinger, TIM WKOÖ 01.10.2013 I TIM Praxisforum ZERSPANUNG TIM ist eine gemeinsame

Mehr

PR SAM. Intelligent Fault Prognosis Systems for Anticipative Maintenance Strategies

PR SAM. Intelligent Fault Prognosis Systems for Anticipative Maintenance Strategies Intelligent Fault Prognosis Systems for Anticipative Maintenance Strategies Intelligentes Instandhaltungsmanagement (4.0) Kein ungeplanter Stillstand durch rechtzeitige Wartung bei Nennbetrieb Intelligente,

Mehr

Making Things Right mit Industry Services

Making Things Right mit Industry Services Dirk Hoke, CEO Customer Services Making Things Right mit Industry Services siemens.com/hannovermesse Making Things Right mit Industry Services Services Seite 2 18. Februar 2014 Wachsende Herausforderungen

Mehr

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Dr. Thomas Bernard 6. Karlsruher Automations-Treff (KAT) Leit- und Automatisierungstechnik der Zukunft Karlsruhe,

Mehr

Entwicklung von Visualisierungskomponenten

Entwicklung von Visualisierungskomponenten Entwicklung von Visualisierungskomponenten Das Assistenzsystem proknows, das am Fraunhofer Institut in Lemgo entwickelt wird, ermöglicht neben der Durchführung verschiedener Assistenzfunktionen wie der

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

Industrial Data Intelligence. Datenbasierte Produktionsoptimierung

Industrial Data Intelligence. Datenbasierte Produktionsoptimierung !DI Industrial Data Intelligence Datenbasierte Produktionsoptimierung Industrial Data Intelligence Sammeln Analysieren Mit dem Industrial Data Intelligence-Angebot ermöglicht Softing Industrial die datenbasierte

Mehr

Analyzing sample based consumption measurements on mainframe systems enriched with information from source code and other sources

Analyzing sample based consumption measurements on mainframe systems enriched with information from source code and other sources Fakultät für Informatik Technische Universität München Analyzing sample based consumption measurements on mainframe systems enriched with information from source code and other sources Analyse von gesampleten

Mehr

1989 1995 Studium Telematik mit Schwerpunkt Theoretische Informatik. 1999 Promotion mit einem Thema aus dem Bereich Computationel Neuroscience

1989 1995 Studium Telematik mit Schwerpunkt Theoretische Informatik. 1999 Promotion mit einem Thema aus dem Bereich Computationel Neuroscience T. Natschläger, H. Himmelbauer, H.Schöner, F. Kokert, S. Mitter, H. Exner Information zum Referenten: Dr. Thomas Natschläger Head of Industrial Data Mining Group Software Competence Center Hagenberg Studium

Mehr

Data Mining als Arbeitsprozess

Data Mining als Arbeitsprozess Data Mining als Arbeitsprozess Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 31. Dezember 2015 In Unternehmen werden umfangreichere Aktivitäten oder Projekte im Bereich des Data Mining

Mehr

Solares Heizen Solares Kühlen Herzlich Willkommen zum TIM-Expertentag!

Solares Heizen Solares Kühlen Herzlich Willkommen zum TIM-Expertentag! Solares Heizen Solares Kühlen Herzlich Willkommen zum TIM-Expertentag! TIM ist eine gemeinsame Initiative von Land OÖ und Wirtschaftskammer OÖ Solares Heizen Solares Kühlen Solares Heizen Stand der Technik?

Mehr

Instandhaltung. Jakob Krause, Sebastian Cech. TU Dresden - Fakultät Informatik

Instandhaltung. Jakob Krause, Sebastian Cech. TU Dresden - Fakultät Informatik Ein Prototyp zur zustandsorientierten Instandhaltung Jakob Krause, Sebastian Cech TU Dresden - Fakultät Informatik Gliederung 1. Motivation 2. Der Prognoseprozess 3. Die Frameworkarchitektur 4. Implementierung

Mehr

Industrie & Wirtschaft. Unsere Business-Lösungen

Industrie & Wirtschaft. Unsere Business-Lösungen Industrie & Wirtschaft Unsere Business-Lösungen Unsere Business-Lösungen für Industrie und Wirtschaft Wir sprechen Ihre Sprache! Auch wenn die Wirtschaft boomt: Als Unternehmer bekommt man nichts geschenkt,

Mehr

Zentrales Energiemanagement für Virtuelle Kraftwerke

Zentrales Energiemanagement für Virtuelle Kraftwerke Zentrales Energiemanagement für Virtuelle Kraftwerke dataprofit Lösung Virtuelles Kraftwerk A 3 Wissenschaftsdialog Energie Reinhard Dietrich Dipl. Inf. Univ. Leiter Technik & Entwicklung dataprofit GmbH

Mehr

Session 8: Projektvorstellung Transferprojekt itsowl-tt-savez 18. August 2015, Gütersloh. www.its-owl.de

Session 8: Projektvorstellung Transferprojekt itsowl-tt-savez 18. August 2015, Gütersloh. www.its-owl.de Session 8: Projektvorstellung Transferprojekt itsowl-tt-savez 18. August 2015, Gütersloh www.its-owl.de Agenda Abschlusspräsentation itsowl-tt-savez Einführung Zielsetzung Ergebnisse Resümee und Ausblick

Mehr

Dr. rer. nat. Philip Joschko. HiTec e.v., Technologietransferverein des Fachbereichs Informatik der Universität Hamburg

Dr. rer. nat. Philip Joschko. HiTec e.v., Technologietransferverein des Fachbereichs Informatik der Universität Hamburg Dr. rer. nat. Philip Joschko HiTec e.v., Technologietransferverein des Fachbereichs Informatik der Universität Hamburg 1. Was ist Simulation? 2. Was kann ich damit erreichen? 3. Wie funktioniert Simulation

Mehr

Die Schlüssel-Lösung zur Ertragssteigerung: Enterprise PROduction Management E PROMI datenbasierte Entscheidungsunterstützung mit integrierter

Die Schlüssel-Lösung zur Ertragssteigerung: Enterprise PROduction Management E PROMI datenbasierte Entscheidungsunterstützung mit integrierter Korrekte Entscheidungen für Qualität und Produktivität effizient finden und treffen Die Schlüssel-Lösung zur Ertragssteigerung: Enterprise PROduction Management E PROMI datenbasierte Entscheidungsunterstützung

Mehr

Datengrab oder Goldgrube: Steigerung der Prozess-Effizienz und Produktqualität mit Data-Mining-Methoden

Datengrab oder Goldgrube: Steigerung der Prozess-Effizienz und Produktqualität mit Data-Mining-Methoden Datengrab oder Goldgrube: Steigerung der Prozess-Effizienz und Produktqualität mit Data-Mining-Methoden Dr. Thomas Bernard Fraunhofer-Institut für Systemtechnik, Optronik und Bildauswertung Karlsruhe HANNOVER

Mehr

Phase 3: Prozesse. führen. 3.1 Mitarbeiter informieren 3.2 Prozessbeteiligte schulen

Phase 3: Prozesse. führen. 3.1 Mitarbeiter informieren 3.2 Prozessbeteiligte schulen Einleitung Ziel dieses Bands ist es, den Einsteigern und Profis für die Einführung des Prozessmanagements und die systematische Verbesserung von Prozessen in kleinen und mittleren Organisationen (KMO)

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

Optimierung von Produktionsprozessen und Methoden der Qualitätssicherung

Optimierung von Produktionsprozessen und Methoden der Qualitätssicherung Übersicht Kursangebot: Optimierung von Produktionsprozessen und Methoden der Qualitätssicherung Unser Angebot richtet sich an Produktionsbetriebe, die ihre Techniker mit effizienten Methoden zur Optimierung

Mehr

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden

Mehr

Condition Monitoring System WKA COMOS.

Condition Monitoring System WKA COMOS. INDUSTRIE SERVICE CONDITION MONITORING SYSTEM WKA COMOS Condition Monitoring System WKA COMOS. Zustandsorientierte Instandhaltung von Windkraftanlagen. www.istec-gmbh.de WKA COMOS SYSTEMDESIGN Ertragssteigerung

Mehr

Condition Monitoring - Industriemesstechnik - Industrieservice. Kompetenz- und Leistungsspektrum. www.messfeld.com

Condition Monitoring - Industriemesstechnik - Industrieservice. Kompetenz- und Leistungsspektrum. www.messfeld.com Condition Monitoring - Industriemesstechnik - Industrieservice Kompetenz- und Leistungsspektrum www.messfeld.com Wir als Messfeld haben uns zur Aufgabe gemacht für SIE zu arbeiten, SIE mit unserer ganzen

Mehr

WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST?" BERNADETTE FABITS

WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST? BERNADETTE FABITS WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST?" BERNADETTE FABITS HINEIN GEHÖRT DATA SCIENTIST, STATISTIKER, DATA MINER, ANALYST,. Gibt es noch mehr von denen. die arbeiten mit Big Data

Mehr

Die statistische Datenanalyse Ein Werkzeug zur Prozessoptimierung auch in der Papierindustrie.

Die statistische Datenanalyse Ein Werkzeug zur Prozessoptimierung auch in der Papierindustrie. Vortrag vom 27. Mai 2014 zur Jahrestagung der Vereinigung der Gernsbacher Papiermacher e.v. Die statistische Datenanalyse Ein Werkzeug zur Prozessoptimierung auch in der Papierindustrie. Konrad Höglauer

Mehr

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Frank Effenberger, Marco Fischer, 22.06.2015, München Agenda Firmenpräsentation Einführung Anwendungsfall Fazit Zahlen und

Mehr

Anforderungen aus der Normung

Anforderungen aus der Normung Anforderungen aus der Normung Mehrere nationale und internationale Normen fordern den Einsatz und die Verwendung von statistischen Verfahren. Mit den daraus gewonnenen Ergebnissen (insbesondere Kennzahlen)

Mehr

riskkv Scorenalyse riskkv Scoring Seite 1 von 9

riskkv Scorenalyse riskkv Scoring Seite 1 von 9 riskkv Scorenalyse riskkv Scoring Seite 1 von 9 Das Modul dient der flexiblen Erstellung, Auswertung und Verwendung von Scores. Durch vordefinierte Templates können in einer Einklicklösung bspw. versichertenbezogene

Mehr

Projektarbeit/SHK-Tätigkeit: Entwicklung graphischer Visualisierungskomponenten

Projektarbeit/SHK-Tätigkeit: Entwicklung graphischer Visualisierungskomponenten Projektarbeit/SHK-Tätigkeit: Entwicklung graphischer Visualisierungskomponenten Das Assistenzsystem proknows, das am Fraunhofer Institut in Lemgo entwickelt wird, ermöglicht neben der Durchführung verschiedener

Mehr

Data Mining für die industrielle Praxis

Data Mining für die industrielle Praxis Data Mining für die industrielle Praxis von Ralf Otte, Viktor Otte, Volker Kaiser 1. Auflage Hanser München 2004 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 22465 0 Zu Leseprobe schnell und

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe

Mehr

FLEXIBLE SOFTWAREPLATTFORM FÜR ENERGIEMANAGEMENT

FLEXIBLE SOFTWAREPLATTFORM FÜR ENERGIEMANAGEMENT FLEXIBLE SOFTWAREPLATTFORM FÜR ENERGIEMANAGEMENT Energiesymposium Energietechnik im Wandel 27. Oktober 2014 Peter Heusinger, Fraunhofer IIS Fraunhofer IIS Einführung Gründe für Energiemanagement Energiebewusst

Mehr

Risiken auf Prozessebene

Risiken auf Prozessebene Risiken auf Prozessebene Ein Neuer Ansatz Armin Hepe Credit Suisse AG - IT Strategy Enabeling, Practices & Tools armin.hepe@credit-suisse.com Persönliche Vorstellung, kurz 1 Angestellter bei Credit Suisse

Mehr

Expertise für Ihre Datenanalyse Beratung und Schulungen von StatSoft

Expertise für Ihre Datenanalyse Beratung und Schulungen von StatSoft Expertise für Ihre Datenanalyse Beratung und Schulungen von StatSoft Inhalt Inhalt Consulting / Workshops 2 Programmierung / Automatisierung 3 Validierung 3 Schulungen Softwareunabhängige Methodenschulungen

Mehr

Modellbasierende Fehlerdiagnose für Automobile und Flugzeuge

Modellbasierende Fehlerdiagnose für Automobile und Flugzeuge Modellbasierende Fehlerdiagnose für Automobile und Flugzeuge Tobias Brandenburger Proseminar Künstliche Intelligenz Gliederung: 1. Motivation 2. Begriff: Fehleranalyse 3. Qualitative Modelle 4. KI-Methoden

Mehr

ProDaMi Entscheidungsunterstützung im Produktionsumfeld mit Data- Mining-Werkzeugen

ProDaMi Entscheidungsunterstützung im Produktionsumfeld mit Data- Mining-Werkzeugen ProDaMi Entscheidungsunterstützung im Produktionsumfeld mit Data- Mining-Werkzeugen Dr. Thomas Bernard, Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB, Karlsruhe Stichworte Data

Mehr

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Digitalisierung als Chance: Digitale Potentiale erkennen und mit BPM unterstützen. Dr. Andreas Kronz, Leiter Professional Services, Scheer GmbH

Digitalisierung als Chance: Digitale Potentiale erkennen und mit BPM unterstützen. Dr. Andreas Kronz, Leiter Professional Services, Scheer GmbH Digitalisierung als Chance: Digitale Potentiale erkennen und mit BPM unterstützen Dr. Andreas Kronz, Leiter Professional Services, Scheer GmbH Digitize Your Business Die Digitale Transformation stellt

Mehr

Data Mining zur Prozessoptimierung

Data Mining zur Prozessoptimierung Data Mining zur Prozessoptimierung Dr. Michael Heizmann Dipl.-Ing. Christian Kühnert Dr. Thomas Bernard VDI-Fachtagung Prüfprozessmanagement im Fahrzeug- und Maschinenbau 2012 Leonberg, 24.10.2012 Datengrab

Mehr

LOKALE BERATUNG, INDIVIDUELLE LÖSUNGEN, INTERNATIONALES KNOW-HOW

LOKALE BERATUNG, INDIVIDUELLE LÖSUNGEN, INTERNATIONALES KNOW-HOW LOKALE BERATUNG, INDIVIDUELLE LÖSUNGEN, INTERNATIONALES KNOW-HOW Innovation & Innovationshürden Innovation ist einer der wichtigsten Wertetreiber der Wirtschaft im 21. Jahrhundert und beeinflusst maßgeblich

Mehr

Horizon 2020: Das KMU-Instrument EU-Förderung für marktnahe Innovationen

Horizon 2020: Das KMU-Instrument EU-Förderung für marktnahe Innovationen Horizon 2020: Das KMU-Instrument EU-Förderung für marktnahe Innovationen Nina Gibbert-Doll Hessen Trade & Invest GmbH Enterprise Europe Network Hessen 3. Juli 2015 Wetzlar Innovationskette KMU-Instrument

Mehr

Rechnergestützter VLSI-Entwurf

Rechnergestützter VLSI-Entwurf Schaltungsanalyse Dipl.-Ing. e-mail: rgerndt@iam.de Seite ANA/1 Analyse - Übersicht Überprüfen des Entwurfs auf: - Funktion - Zeitverhalten - Kosten - Leistungsaufnahme - EMV -... Vergleich der Spezifikation

Mehr

electures Ein Review zur vorliegenden Forschung

electures Ein Review zur vorliegenden Forschung electures Ein Review zur vorliegenden Forschung Universität Zürich DeLFI 09 electures - Anwendungen, Erfahrungen, Forschungsperspektiven Berlin, 14.September 2009 Agenda Motivation Vorgehen Ergebnisse

Mehr

Data Mining-Projekte

Data Mining-Projekte Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein

Mehr

Integrierte modellgestützte Risikoanalyse komplexer Automatisierungssysteme

Integrierte modellgestützte Risikoanalyse komplexer Automatisierungssysteme Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner Integrierte modellgestützte Risikoanalyse komplexer Automatisierungssysteme Dipl.-Ing. Michael

Mehr

DoE als Werkzeug zur systematischen Prozessoptimierung in der Silikatkeramik

DoE als Werkzeug zur systematischen Prozessoptimierung in der Silikatkeramik DKG-Jahrestagung 2011 28. - 30. März 2011 Saarbrücken DoE als Werkzeug zur systematischen Prozessoptimierung in der Silikatkeramik Dipl.-Ing. (FH) Miriam Peuker Ir. Marcel Engels FGK Forschungsinstitut

Mehr

Digital. Digital Customer Experience Management Ein integrierter Lösungsansatz mit der Adobe Marketing Cloud

Digital. Digital Customer Experience Management Ein integrierter Lösungsansatz mit der Adobe Marketing Cloud Digital Digital Customer Experience Management Ein integrierter Lösungsansatz mit der Adobe Marketing Cloud Jürgen Kübler, Leiter Realisierung Digitales Leistungsangebot #digitaljourney Inhaltsverzeichnis

Mehr

Bausteine zur Erhöhung der Verfügbarkeit von WEA. 12. November 2014 Potsdam

Bausteine zur Erhöhung der Verfügbarkeit von WEA. 12. November 2014 Potsdam Bausteine zur Erhöhung der Verfügbarkeit von WEA 12. November 2014 Potsdam 1. Unternehmen PC-Soft Unternehmensprofil International tätiger Lösungsanbieter ganzheitlicher Softwaresysteme für das anlagennahe

Mehr

C/C++ Entwickler Embedded Systems (m/w)

C/C++ Entwickler Embedded Systems (m/w) Sie sind ein begeisterter C++ Entwickler und brennen darauf, Ihr Können in die Entwicklung innovativer Produkte auf der Basis von Embedded Linux einzubringen? Bei uns entwickeln Sie in einem dynamischen

Mehr

OUTSOURCING ADVISOR. Analyse von SW-Anwendungen und IT-Dienstleistungen auf ihre Global Sourcing Eignung. Bewertung von Dienstleistern und Standorten

OUTSOURCING ADVISOR. Analyse von SW-Anwendungen und IT-Dienstleistungen auf ihre Global Sourcing Eignung. Bewertung von Dienstleistern und Standorten Outsourcing Advisor Bewerten Sie Ihre Unternehmensanwendungen auf Global Sourcing Eignung, Wirtschaftlichkeit und wählen Sie den idealen Dienstleister aus. OUTSOURCING ADVISOR Der Outsourcing Advisor ist

Mehr

CAE-Simulation für den Maschinenbau

CAE-Simulation für den Maschinenbau CAE-Simulation für den Maschinenbau Was wir gerne für Sie tun: Beratung: Die richtigen Dinge tun Simulationen auf dem CAD und optimal kombinieren. Engineering als fachkundiges Beobachten der Simulationsmodelle.

Mehr

Evaluation der Selbstlernmodule Dokumentation des Evaluationsprozesses - Pilotphase im Cluster Dresden - April 2010

Evaluation der Selbstlernmodule Dokumentation des Evaluationsprozesses - Pilotphase im Cluster Dresden - April 2010 Sächsisches E-Competence Zertifikat Evaluation der Selbstlernmodule Dokumentation des Evaluationsprozesses - Pilotphase im Cluster Dresden - April 2010 [Dokumentation des Evaluationsprozesses Zielsetzung,

Mehr

Fuzzy-Systeme zur Unterstützung von Entscheidungen in land- und forstwirtschaftlichen Logistik-Prozessen

Fuzzy-Systeme zur Unterstützung von Entscheidungen in land- und forstwirtschaftlichen Logistik-Prozessen Fuzzy-Systeme zur Unterstützung von Entscheidungen in land- und forstwirtschaftlichen Logistik-Prozessen Steve Schneider Logistik- und Fabriksysteme Fraunhofer Institut für Fabrikbetrieb und -automatisierung

Mehr

Neuerungen Analysis Services

Neuerungen Analysis Services Neuerungen Analysis Services Neuerungen Analysis Services Analysis Services ermöglicht Ihnen das Entwerfen, Erstellen und Visualisieren von Data Mining-Modellen. Diese Mining-Modelle können aus anderen

Mehr

Innovationsmanagement

Innovationsmanagement POCKET POWER Innovationsmanagement 2. Auflage 3 Inhalt Wegweiser 6 1 7 Was ist Innovationsmanagement? 1.1 Zum Begriff der Innovation 1.2 Entwicklung des Innovations managements 1.3 Ziele des Innovationsmanagements

Mehr

Testmanagement. Q-Day. Frank Böhr Fraunhofer IESE frank.boehr@iese.fraunhofer.de

Testmanagement. Q-Day. Frank Böhr Fraunhofer IESE frank.boehr@iese.fraunhofer.de Frank Böhr Fraunhofer IESE frank.boehr@iese.fraunhofer.de Agenda Warum Testmanagement? Was sind die wichtigsten Schritte beim Testmanagement? Wie funktioniert Testmanagement Toolunterstützung Page 1/15

Mehr

Pflichtmodul Projektstudium im WiSe 2014/15

Pflichtmodul Projektstudium im WiSe 2014/15 Pflichtmodul Projektstudium im WiSe 2014/15 Informationsveranstaltung Prof. Dr. Schumann Allgemeine Informationen zum Projektstudium Alle Projektarbeiten umfassen: Ergebnisdokumentation in Form einer Hausarbeit

Mehr

SysInventor. Jakobstr. 64 D-78464 Konstanz. Kontakt: info1@sysinventor.de. Phone +49 (0) 7531 35116 Fax +49 (0) 7531 35116

SysInventor. Jakobstr. 64 D-78464 Konstanz. Kontakt: info1@sysinventor.de. Phone +49 (0) 7531 35116 Fax +49 (0) 7531 35116 Jakobstr. 64 D-78464 Konstanz SysInventor Kontakt: info1@sysinventor.de Phone +49 (0) 7531 35116 Fax +49 (0) 7531 35116 Udo Wesseler, Dipl.-Inf. Dr. Claus Braxmaier, Dipl-Phys. & Dipl.-Ing. (FH) Wir sind......ein

Mehr

Wissensmanagement. Seite 1 von 14

Wissensmanagement. Seite 1 von 14 Wissensmanagement 1 Wissensbeschreibung...2 1.1 Semantik...2 1.2 Vernetzung...7 2 Prozess des Wissenmanagements...9 2.1 Formulierung von Wissenszielen...9 2.2 Wissensidentifikation...10 2.3 Wissensentwicklung...10

Mehr

STUDIE ZU IT-RISIKOBEWERTUNGEN IN DER PRAXIS

STUDIE ZU IT-RISIKOBEWERTUNGEN IN DER PRAXIS STUDIE ZU IT-RISIKOBEWERTUNGEN IN DER PRAXIS Stefan Taubenberger und Prof. Jan Jürjens, 22. September 211 Ziele der Studie Konfirmative und explorative Studie mit folgenden Fragestellungen Welche Kriterien

Mehr

KRIWAN Condition Monitoring. Umfassender Schutz, effiziente Regelung und Diagnose für Hersteller und Betreiber von Maschinen

KRIWAN Condition Monitoring. Umfassender Schutz, effiziente Regelung und Diagnose für Hersteller und Betreiber von Maschinen KRIWAN Condition Monitoring Umfassender Schutz, effiziente Regelung und Diagnose für Hersteller und Betreiber von Maschinen Umfassender Maschinenschutz: Effizienz + Sicherheit durch Condition Monitoring.

Mehr

Zustandsüberwachung mit Monitorstrukturen

Zustandsüberwachung mit Monitorstrukturen Zustandsüberwachung mit Monitorstrukturen Fraunhofer IZM, Berlin olaf.bochow-ness@izm.fraunhofer.de +49 30 464 03 218 Seite 1 Motivation zur Zustandsüberwachung Beurteilung des Zustands / der Zuverlässigkeit

Mehr

Visualisierung modellbasierter Prozessdaten in der verfahrenstechnischen Leitwarte -

Visualisierung modellbasierter Prozessdaten in der verfahrenstechnischen Leitwarte - Visualisierung modellbasierter Prozessdaten in der verfahrenstechnischen Leitwarte - Ein Ansatz zur nutzerzentrierten Gestaltung höherer Prozessführungssysteme Tilman Barz Wissenschaftliche Aussprache,

Mehr

Einführung in Generatives Programmieren. Bastian Molkenthin

Einführung in Generatives Programmieren. Bastian Molkenthin Einführung in Generatives Programmieren Bastian Molkenthin Motivation Industrielle Entwicklung *!!*,(% % - #$% #!" + '( & )!* Softwareentwicklung Rückblick auf Objektorientierung Objektorientierte Softwareentwicklung

Mehr

Softwaretest durch HiL-Simulation und Monitoring

Softwaretest durch HiL-Simulation und Monitoring Informatik» Angewandte Informatik» Technische Informationssysteme Softwaretest durch HiL-Simulation und Monitoring Prof. Dr.-Ing. habil. Klaus Kabitzsch Innovationsforum Software Saxony und Kick-off des

Mehr

Gute Modelle Wie bewerten Sie die Ergebnisse von Modellierungsprojekten?

Gute Modelle Wie bewerten Sie die Ergebnisse von Modellierungsprojekten? Gute Modelle Wie bewerten Sie die Ergebnisse von Modellierungsprojekten? Präsentation bei MID Insight 2012 Nürnberg, 20. November 2012 Dr. Jürgen Pitschke BCS Dr. Jürgen Pitschke www.enterprise-design.eu

Mehr

Giessereitag 2014: Optimierung von Gusssimulationen für Niederdruckguss von Messingwerkstoffen. Pascal Dessarzin, 14. April 2014

Giessereitag 2014: Optimierung von Gusssimulationen für Niederdruckguss von Messingwerkstoffen. Pascal Dessarzin, 14. April 2014 Giessereitag 2014: Optimierung von Gusssimulationen für Niederdruckguss von Messingwerkstoffen Pascal Dessarzin, 14. April 2014 Inhalt: Einleitung Das Projekt im Überblick Motivation Gusssimulationen Gusssimulationen

Mehr

Softwarearchitektur als Mittel für Qualitätssicherung und SOA Governance

Softwarearchitektur als Mittel für Qualitätssicherung und SOA Governance Softwarearchitektur als Mittel für Qualitätssicherung und SOA Governance Mag. Georg Buchgeher +43 7236 3343 855 georg.buchgeher@scch.at www.scch.at Das SCCH ist eine Initiative der Das SCCH befindet sich

Mehr

Softwaretechnik. Fomuso Ekellem WS 2011/12

Softwaretechnik. Fomuso Ekellem WS 2011/12 WS 2011/12 Inhalt Projektvorstellung Übung 1 Wiederholung zusammengefasst Planungsphase Lernziele Ziele und Inhalt der Planungsphase Anlass und Aufgabestellung(Was ist dabei erförderlich) Requirement Engineering

Mehr

SKF Messgerät zum Erkennen von Funkenerosion (EDD Pen) SKF TKED 1

SKF Messgerät zum Erkennen von Funkenerosion (EDD Pen) SKF TKED 1 SKF Messgerät zum Erkennen von Funkenerosion (EDD Pen) SKF TKED 1 Elektrische Motoren werden in allen Industriebereichen genutzt. sollen zu einer bestimmten Geschwindigkeit laufen. Getriebe oder Riemen

Mehr

Institut für Computational Engineering ICE. N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t. w w w. n t b.

Institut für Computational Engineering ICE. N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t. w w w. n t b. Institut für Computational Engineering ICE N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t w w w. n t b. c h Rechnen Sie mit uns Foto: ESA Das Institut für Computational Engineering

Mehr

1 Einleitung... 1. 2 Vorstellung der Fallstudie KnowBeer... 5

1 Einleitung... 1. 2 Vorstellung der Fallstudie KnowBeer... 5 1 Einleitung... 1 2 Vorstellung der Fallstudie KnowBeer... 5 Teil I: Überblick Der Business Rules Ansatz 3 Ausgangslage... 11 3.1 Was ist das Problem?... 11 3.2 Motivation: Sinnvolle Unternehmen... 12

Mehr

Abschluss- und Studienarbeiten. Entwicklung. Elektrik / Elektronik

Abschluss- und Studienarbeiten. Entwicklung. Elektrik / Elektronik Entwicklung Elektrik / Elektronik Ihr Ansprechpartner: ANDREAS STIHL AG & Co. KG Personalmarketing Andreas-Stihl-Str. 4 71336 Waiblingen Tel.: 07151-26-2489 oder über: www.stihl.de www.facebook.com/stihlkarriere

Mehr

call.check integrative qualitätsmessung von call centern

call.check integrative qualitätsmessung von call centern integrative qualitätsmessung von call centern CALL.CHECK MISST IHRE CALL CENTER-QUALITÄT CALL.CHECK ist das standardisierte Instrument zur Messung Ihrer Call Center-Qualität. Sowohl bei Inboundals auch

Mehr

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,

Mehr

Multiprojektmanagement an der TIB Ein Erfahrungsbericht. Dr. Debora D. Daberkow 104. Bibliothekartag in Nürnberg 27. Mai 2015

Multiprojektmanagement an der TIB Ein Erfahrungsbericht. Dr. Debora D. Daberkow 104. Bibliothekartag in Nürnberg 27. Mai 2015 Multiprojektmanagement an der TIB Ein Erfahrungsbericht Dr. Debora D. Daberkow 104. Bibliothekartag in Nürnberg 27. Mai 2015 Motivation Die Ausgangssituation Das Umfeld von Bibliotheken befindet sich im

Mehr

Automatische Gesprächsauswertung im Callcenter

Automatische Gesprächsauswertung im Callcenter Einleitung Forschungsbeitrag Automatische Gesprächsauswertung im Callcenter Projekt CoachOST Dipl.-Wirtsch.-Inf. Mathias Walther Prof. Dr. Taïeb Mellouli Lehrstuhl für Wirtschaftsinformatik und Operations

Mehr

SERVICE SUCHE ZUR UNTERSTÜTZUNG

SERVICE SUCHE ZUR UNTERSTÜTZUNG SERVICE SUCHE ZUR UNTERSTÜTZUNG VON ANFORDERUNGSERMITTLUNG IM ERP BEREICH MARKUS NÖBAUER NORBERT SEYFF ERP SYSTEME Begriffsbestimmung: Enterprise Resource Planning / Business Management Solution Integrierte

Mehr

Horizont 2020: Das KMU-Instrument

Horizont 2020: Das KMU-Instrument Horizont 2020: Das KMU-Instrument Neuer Ansatz der EU zur Förderung von Innovation in KMU Dr. Uwe Schüssler Bayern Innovativ GmbH Nationale Kontaktstelle KMU für Bayern 19.11.2013 2013 Bayern Innovativ

Mehr

Universität Paderborn Die Universität der Informationsgesellschaft. Validierung und Verifikation (inkl. Testen, Model-Checking, Theorem Proving)

Universität Paderborn Die Universität der Informationsgesellschaft. Validierung und Verifikation (inkl. Testen, Model-Checking, Theorem Proving) Universität Paderborn Die Universität der Informationsgesellschaft Analyse, Entwurf und Implementierung zuverlässiger Software und (inkl., Model-Checking, Theorem Proving) Torsten Bresser torbre@uni-paderborn.de

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

GENIUS CONDITION MONITORING SYSTEM Frühwarnsystem gegen Ausfälle

GENIUS CONDITION MONITORING SYSTEM Frühwarnsystem gegen Ausfälle GENIUS CONDITION MONITORING SYSTEM Frühwarnsystem gegen Ausfälle HÜTTEN- und WALZWERKSTECHNIK SERVICE SMS SIEMAG X-Cellize Technischer Service Fehler FRÜH ERKENNEN AUSFÄLLE VERMEIDEN Das Genius Condition

Mehr

Versuchsplanung und Versuchsdesign. Prof. Dr.-Ing. Sebastian Möller

Versuchsplanung und Versuchsdesign. Prof. Dr.-Ing. Sebastian Möller Versuchsplanung und Versuchsdesign Angelika Modrzejewska Robin Henniges Usability SS2013 Prof. Dr.-Ing. Sebastian Möller Übersicht Ziel der Messung Spezifikation des Messobjektes Definition der Messgrößen

Mehr

Wissensmanagement. Inhalt

Wissensmanagement. Inhalt smanagement Themeneinführung smanagement 1 Inhalt Definitionen sarten Ziele des smanagements Aufgaben des smanagements Modelle des smanagements vernetztes Phasenmodell des smanagements Praxis des smanagements

Mehr

HYBRID CLOUD IN DEUTSCHLAND 2015/16

HYBRID CLOUD IN DEUTSCHLAND 2015/16 Fallstudie: IBM Deutschland GmbH IDC Multi-Client-Projekt HYBRID CLOUD IN DEUTSCHLAND 2015/16 Mit hybriden IT-Landschaften zur Digitalen Transformation? IBM DEUTSCHLAND GMBH Fallstudie: Panasonic Europe

Mehr

Analyse der Lysimeterrandbedingungen

Analyse der Lysimeterrandbedingungen Analyse der Lysimeterrandbedingungen Gerhard Kammerer 1 Willibald Loiskandl 1 Sabine Klepsch 2, 3 Universität für Bodenkultur Wien Department für Wasser-Atmosphäre- Umwelt 1 Universität für Bodenkultur

Mehr

Software Design Patterns. Ausarbeitung über. Security Patterns SS 2004

Software Design Patterns. Ausarbeitung über. Security Patterns SS 2004 Ausarbeitung über SS 2004 Dennis Völker [dv04@hdm-stuttgart.de] Steffen Schurian [ss59@hdm-stuttgart.de] Überblick Sicherheit sollte eine Eigenschaft moderner, verteilter Anwendungen sein, jedoch ist ein

Mehr

System Optimierung als Schlüsselfaktor für f r die Effizienzsteigerung im Antriebstrang. Innovationsforum 2010 Dipl.-Ing.

System Optimierung als Schlüsselfaktor für f r die Effizienzsteigerung im Antriebstrang. Innovationsforum 2010 Dipl.-Ing. System Optimierung als Schlüsselfaktor für f r die Effizienzsteigerung im Antriebstrang Innovationsforum 2010 Dipl.-Ing. Ulf Stenzel (FH) Überblick Inhalte 1. Was ist ein System und wo sind die Optimierungspotentiale?

Mehr

FMEA VDA. FMEA nach VDA 4 Ringbuch ist Bestandteil des Managementsystems zur Risikoanalyse für Produkte und Prozesse

FMEA VDA. FMEA nach VDA 4 Ringbuch ist Bestandteil des Managementsystems zur Risikoanalyse für Produkte und Prozesse FMEA VDA FMEA nach VDA 4 Ringbuch ist Bestandteil des Managementsystems zur Risikoanalyse für Produkte und Prozesse Integrierte Managementsysteme Rathausstr. 22 82194 Gröbenzell Tel.: 08142-504288, Fax:

Mehr

B.A.U.M.-Fachbeiratstreffen am 14. Mai 2014 Energiebezogene Softwarelösung für Gebäude am Beispiel der Accenture Smart Building Solutions

B.A.U.M.-Fachbeiratstreffen am 14. Mai 2014 Energiebezogene Softwarelösung für Gebäude am Beispiel der Accenture Smart Building Solutions B.A.U.M.-Fachbeiratstreffen am 14. Mai 2014 Energiebezogene Softwarelösung für Gebäude am Beispiel der Accenture Smart Building Solutions Referent: Oliver Paus Baujahr Neben der energetischen Sanierung

Mehr

Balanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning

Balanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning Balanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning IFT - Institute for Production Engineering and Laser Technology DI Benjamin Mörzinger Energieeffizienz: Motivation Quelle: science.sciencemag.org

Mehr

Lohnt sich Requirements Engineering?

Lohnt sich Requirements Engineering? Lohnt sich Requirements Engineering? Seminar Messbarkeit von Anforderungen am Fachgebiet Software Engineering Wintersemester 2007/2008 Betreuer: Eric Knauss Oleksandr Kazandzhi Gliederung Einleitung Messen

Mehr

Supply Chain Summit 2011 RISIKO-MANAGEMENT UND SUPPLY CHAIN

Supply Chain Summit 2011 RISIKO-MANAGEMENT UND SUPPLY CHAIN Supply Chain Summit 2011 RISIKO-MANAGEMENT UND SUPPLY CHAIN GLIEDERUNG Intro Risiko-Management Was bedeutet Risiko-Managment? Wie wird Risiko-Management umgesetzt? Nutzen von Risiko-Management Relevanz

Mehr

Prozessnahe Qualitätssicherung

Prozessnahe Qualitätssicherung 3 Pi Consulting & Management GmbH Prozessnahe Qualitätssicherung Die Prozessnahe Qualitätssicherung beschäftigt sich aus dem Blickwinkel des Kunststoffverarbeitungsprozesses mit allen Fragestellungen,

Mehr

gesucht? Junior Account Manager (m/w) Neukundenakquisition

gesucht? Junior Account Manager (m/w) Neukundenakquisition Junior Account Manager (m/w) Neukundenakquisition Das SAP Systemhaus mit Firmensitz in Plattling am Rande des Bayerischen Waldes ist ein innovativer Beratungsdienstleister, zu dessen Kernkompetenzen die

Mehr