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 ( 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/ office@tim.at CATT Innovation Management GmbH Tel.: 0732/ Fax: 0732/ office@tim.at 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