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

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

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

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

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

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

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

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

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

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

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

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

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

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

PROCMON. Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse. Christian W. Frey. christian.frey@iosb.fraunhofer.

PROCMON. Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse. Christian W. Frey. christian.frey@iosb.fraunhofer. PROCMON Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse Christian W. Frey 2011 PROCMON Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse 1. Motivation

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

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

ML-Werkzeuge und ihre Anwendung

ML-Werkzeuge und ihre Anwendung Kleine Einführung: und ihre Anwendung martin.loesch@kit.edu (0721) 608 45944 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig

Mehr

Predictive Modeling Markup Language. Thomas Morandell

Predictive Modeling Markup Language. Thomas Morandell Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML

Mehr

Alanda Eine offene Plattform für datenbasierte Anwendungen

Alanda Eine offene Plattform für datenbasierte Anwendungen Alanda Eine offene Plattform für datenbasierte Anwendungen Dr.-Ing. Frank Alsmeyer e.v. 5. Symposium Informationstechnologien für Entwicklung und Produktion in der Verfahrenstechnik 3.-4. April 2008, Aachen

Mehr

https://wkoforum.at/innovation Dr. Gerald Stöger WKOÖ - TIM Dr. Raimund Mitterbauer WKNÖ - TIP

https://wkoforum.at/innovation Dr. Gerald Stöger WKOÖ - TIM Dr. Raimund Mitterbauer WKNÖ - TIP WEB 2.0 Plattform Forum:Innovation https://wkoforum.at/innovation eine Kooperation von WKOÖ und WKNÖ Dr. Gerald Stöger WKOÖ - TIM Dr. Raimund Mitterbauer WKNÖ - TIP TIM & TIP 1 TIM Technologie- und Innovations-Management

Mehr

Intelligente Zustandsüberwachung von Kompressoren InKom Transfertag, Kreishaus Gütersloh, 18. August 2015. www.its-owl.de

Intelligente Zustandsüberwachung von Kompressoren InKom Transfertag, Kreishaus Gütersloh, 18. August 2015. www.its-owl.de Intelligente Zustandsüberwachung von Kompressoren InKom Transfertag, Kreishaus Gütersloh, 18. August 2015 www.its-owl.de Intelligente Zustandsüberwachung von Kompressoren InKom Einführung Zielsetzung Ergebnisse

Mehr

Industrie 4.0 22.07.2014

Industrie 4.0 22.07.2014 Industrie 4.0 Georg Weissmüller 22.07.2014 Senior Consultant Fertigungsindustrie Agenda Überblick Industrie 4.0/Anwendungsfälle Intelligenter Service Augmented Reality Diskussion 2014 SAP AG or an SAP

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

Gesamtbericht. Dr.-Ing. P. Deeskow. Dipl.-Ing. C. Mehrkens. Dipl.-Ing. G. Artinger. Dipl.-Ing. E. Lenz. Dr.-Ing. J. Wolf. R. Faber. Dr.-Ing.

Gesamtbericht. Dr.-Ing. P. Deeskow. Dipl.-Ing. C. Mehrkens. Dipl.-Ing. G. Artinger. Dipl.-Ing. E. Lenz. Dr.-Ing. J. Wolf. R. Faber. Dr.-Ing. VATTENFALL EnEff: Wärme: bei Wartung und Verfügbarkeit von Fernwärmeerzeugungs anlagen Projekt Nr. 032 7450 A Das diesem Bericht zugrunde liegende Vorhaben wurde mit Mitteln des Bundesministeriums für

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

Intelligente Software-Mentoren für mehr Wirtschaftlichkeit in der Papierproduktion

Intelligente Software-Mentoren für mehr Wirtschaftlichkeit in der Papierproduktion Ausschuss minimieren, Qualität erhöhen Intelligente Software-Mentoren für mehr Wirtschaftlichkeit in der Papierproduktion Die EXPERT 5i -Module von ISRA PARSYTEC, weltweit führender Anbieter von Oberflächeninspektionssystemen

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

18.06.13. Vorstellung: Technologie.Daten.Management. Symate GmbH

18.06.13. Vorstellung: Technologie.Daten.Management. Symate GmbH 18.06.13 Vorstellung: Technologie.Daten.Management Symate GmbH Kurzporträt Symate Seite 2 Kurzporträt Symate Softwarehersteller und Dienstleister für Technologiedatenmanagement. Neue Sicht auf maschinelle

Mehr

Unternehmen in Horizon 2020 und darüber hinaus. Siegfried Loicht 12.12.2013

Unternehmen in Horizon 2020 und darüber hinaus. Siegfried Loicht 12.12.2013 Unternehmen in Horizon 2020 und darüber hinaus Siegfried Loicht 12.12.2013 Fördersummen für die Wirtschaft In den hauptsächlich für Wirtschaftsunternehmen interessanten Säulen 2 (LEIT und KETS) und 3 (Societal

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche Neuronale Netze und Data Mining Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

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

Qualitätsberichte im MS Word-Format

Qualitätsberichte im MS Word-Format Qualitätsberichte im MS Word-Format StatSoft GmbH und STATISTICA 9.1 auf dem Forum der Control 2010 www.statsoft.de StatSoft (Europe) GmbH 2010 Michael Busch Inhalt StatSoft STATISTICA Anwendungen in der

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

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

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG Inhalt Globale und unternehmensspezifische Herausforderungen Von Big Data zu Smart Data Herausforderungen und Mehrwert von Smart Data 2

Mehr

Mit Integrated Engineering die Wettbewerbsfähigkeit sichern

Mit Integrated Engineering die Wettbewerbsfähigkeit sichern Anlagenbetrieb Prozessautomatisierung mit SIMATIC PCS 7 Mit Integrated Engineering die Wettbewerbsfähigkeit sichern siemens.com/answers Anlagenbetrieb Seite 2 Anlagenbetrieb Seite 3 Früher: Planungsmodelle

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

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

Algorithmische Modelle als neues Paradigma

Algorithmische Modelle als neues Paradigma Algorithmische Modelle als neues Paradigma Axel Schwer Seminar über Philosophische Grundlagen der Statistik, WS 2010/11 Betreuer: Prof. Dr. Thomas Augustin München, den 28. Januar 2011 1 / 29 LEO BREIMAN

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

Pressemitteilung. Produktoptimierung mittels Data-Mining BMW setzt auf ClearVu Analytics. Dortmund, 30.01.2012

Pressemitteilung. Produktoptimierung mittels Data-Mining BMW setzt auf ClearVu Analytics. Dortmund, 30.01.2012 Pressemitteilung ANSCHRIFT Joseph-von-Fraunhofer-Str.20 44227 Dortmund TEL +49 (0)231 97 00-340 FAX +49 (0)231 97 00-343 MAIL kontakt@divis-gmbh.de WEB www.divis-gmbh.de Dortmund, 30.01.2012 Produktoptimierung

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

Entwicklung von Sensoren: Modellbildung und Simulation nutzen

Entwicklung von Sensoren: Modellbildung und Simulation nutzen Entwicklung von Sensoren: Modellbildung und Simulation nutzen Swiss VPE-Workshop 19. Juni 2014 Moderation Markus Roos NM Numerical Modelling GmbH 1 phone +41 (0)44 720 13 30 / fax +41 (0)44 720 13 30 Programm

Mehr

INFORMATION WORKS Dienstleistungsprofil im Überblick

INFORMATION WORKS Dienstleistungsprofil im Überblick Qualitätskontrolle industrieller Prozesse mit dem SAS Enterprise Miner INFORMATION WORKS GmbH INFORMATION WORKS Dienstleistungsprofil im Überblick 100 % spezialisiert auf die individuelle Konzeption, Realisierung

Mehr

Systematische Software-Qualität mittels einer durchgängigen Analyse- und Teststrategie

Systematische Software-Qualität mittels einer durchgängigen Analyse- und Teststrategie Insert picture and click Align Title Graphic. Systematische Software-Qualität mittels einer durchgängigen Analyse- und Teststrategie Dr. Dieter Lederer, Geschäftsführer Vector Consulting Services GmbH

Mehr

PRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge)

PRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 Methoden der Modellbildung statischer Systeme Teil 2 (für ausgewählte Masterstudiengänge) FACHGEBIET Systemanalyse PRAKTIKUM Experimentelle Prozeßanalyse 2 VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge) Verantw. Hochschullehrer: Prof.

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard

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

Analysen sind nur so gut wie die Datenbasis

Analysen sind nur so gut wie die Datenbasis Analysen sind nur so gut wie die Datenbasis Datenaufbereitung und Sicherung der Datenqualität durch den kontextbasierten MIOsoft Ansatz. Daten gelten längst als wichtiger Produktionsfaktor in allen Industriebereichen.

Mehr

Simulation der SW-Systemzuverlässigkeit in Automatisierungssystemen auf Grundlage von SW-Komponenten

Simulation der SW-Systemzuverlässigkeit in Automatisierungssystemen auf Grundlage von SW-Komponenten Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner Simulation der SW-Systemzuverlässigkeit in Automatisierungssystemen auf Grundlage von SW-Komponenten

Mehr

Gasmotoren zur Verstromung von

Gasmotoren zur Verstromung von Optische Diagnostik für die modellbasierte Fehlerdiagnose von Gasmotoren zur Verstromung von Bio- und Deponiegas TU-Wien Dipl.-Ing. Andreas Voigt GE Jenbacher Dipl.-Ing. Johann Hirzinger ProcessEng Engineering

Mehr

BHS Getriebeservice. Für gesteigerten Erfolg

BHS Getriebeservice. Für gesteigerten Erfolg BHS Getriebeservice. Für gesteigerten Erfolg BHS Service von Voith. Schnell, flexibel, kompetent Höchste Verfügbarkeit und effiziente Anlagen sind das A und O für jeden Betreiber. Dieses Ziel ist unsere

Mehr

Data Center Infrastructure Management (DCIM) Entscheidungen basierend auf Fakten steigern die Effizienz

Data Center Infrastructure Management (DCIM) Entscheidungen basierend auf Fakten steigern die Effizienz For the factories of the 21 st century Building Technologies / Data Center Infrastructure Management (DCIM) Entscheidungen basierend auf Fakten steigern die Effizienz siemens.com/dcim Datencenter die Fabriken

Mehr

Zukunftstechnologie Multisensorische Mustererkennung

Zukunftstechnologie Multisensorische Mustererkennung Zukunftstechnologie Multisensorische Mustererkennung mit Beispielen aus der Drucktechnologie Prof. Dr.-Ing. Volker Lohweg Institut Industrial IT Arbeitsgebiet Industrielle Signalverarbeitung Fachbereich

Mehr

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung Next Best Product Kundenspezifische Produktangebote in einer Multichannel Umgebung - Mag. Thomas Schierer - Erste Bank der oesterreichischen Sparkassen AG Agenda Erste Bank Allgemeine Information CRM in

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

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

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

Der Entwicklungsprozess. Oder wie entwickle ich ein eingebettetes System?

Der Entwicklungsprozess. Oder wie entwickle ich ein eingebettetes System? Der Entwicklungsprozess Oder wie entwickle ich ein eingebettetes System? Einleitung Problemstellung erläutern, Eine Entwicklungsprozess ist ein Prozess, der beschreibt, wie man eine Entwicklung anzugehen

Mehr

Seminar aus Informatik

Seminar aus Informatik 2012-06-15 Intrusion Detection Systems (IDS) Ziel: Erkennung von Angriffen und Ausbrüchen Host Based IDS Läuft auf dem Host Ist tief im System verankert Hat Zugriff auf: Prozessinformationen Netzwerkverkehr

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

PRAXISNAHER UMGANG MIT SCHUTZRECHTEN Intensivschulung für Fortgeschrittene

PRAXISNAHER UMGANG MIT SCHUTZRECHTEN Intensivschulung für Fortgeschrittene EINLADUNG, 26. + 27. NOVEMBER 2015 PRAXISNAHER UMGANG MIT SCHUTZRECHTEN Intensivschulung für Fortgeschrittene innovation is our business. www.biz-up.at DAS TRAINERTEAM Dr. Udo Gennari Diplomstudium Chemie,

Mehr

Die intelligente Sicht auf Ihre Kundendaten

Die intelligente Sicht auf Ihre Kundendaten Die intelligente Sicht auf Ihre Kundendaten Business Case Ein tiefgehendes Verständnis der Kunden, ihrer Bedürfnisse und Kaufgewohnheiten ist im heutigen wirtschaftlichen Umfeld - das durch intensive Anbieter-Konkurrenz,

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

Statistische Prozesskontrolle in der Holzverarbeitung ein Brückenschlag zu Bioenergie

Statistische Prozesskontrolle in der Holzverarbeitung ein Brückenschlag zu Bioenergie Statistische Prozesskontrolle in der Holzverarbeitung ein Brückenschlag zu Bioenergie BioUp Fachtag 2015 Biomasse: Forschung - Normung Technik Themenblock: Prozessoptimierung Wien, 22.April 2015 Martin

Mehr

Einführung in die Statistik mir R

Einführung in die Statistik mir R Einführung in die Statistik mir R ww w. syn t egris.de Überblick GESCHÄFTSFÜHRUNG Andreas Baumgart, Business Processes and Service Gunar Hofmann, IT Solutions Sven-Uwe Weller, Design und Development Jens

Mehr

INCA Matlab Integration Package

INCA Matlab Integration Package 31.07.2013 1 Public ETAS-PGA/EAP Humienik 2013-11-04 ETAS GmbH 2013. All rights reserved, also regarding any disposal, exploitation, INCA Matlab Integration Package 2 Public ETAS-PGA/EAP Humienik 2013-11-04

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Data Mining im Produktionsumfeld

Data Mining im Produktionsumfeld Data Mining im Produktionsumfeld Dr. Thomas Bernard Fraunhofer-Symposium Netzwert 2011 München, 28./29.11.2011 Datengrab oder Goldgrube: Steigerung der Prozess-Effizienz und Produktqualität mit Data-Mining-Methoden

Mehr

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

Was ist Big Data? Versuch einer Positionsbestimmung. Wolfgang Marquardt

Was ist Big Data? Versuch einer Positionsbestimmung. Wolfgang Marquardt Was ist Big Data? Versuch einer Positionsbestimmung Wolfgang Marquardt Vorstandsvorsitzender des Forschungszentrum Jülich 02.06.2015 Jahrestagung des deutschen Ethikrates Ganz sicher auch ein Hype hohe

Mehr

Presseinformation. Wir bewegen Ihre Produktion! Mai 2015. GLAESS Software & Automation Wir machen industrielle Optimierung möglich.

Presseinformation. Wir bewegen Ihre Produktion! Mai 2015. GLAESS Software & Automation Wir machen industrielle Optimierung möglich. Presseinformation Mai 2015 GLAESS Software & Wir bewegen Ihre Produktion! Anlagenprogrammierung, Leitsystem, BDE und SCADA sind wichtige Bausteine in der industriellen Automatisierung. Je größer und mächtiger

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

Instandhaltungsaufgaben

Instandhaltungsaufgaben Instandhaltungsaufgaben Gewährleistung einer hohen technischen Verfügbarkeit Wenig Maschinenausfälle Kurze Instandsetzungszeiten an den Maschinen Geringe Auswirkung von Maschinenstillständen auf den Fertigungsfluss

Mehr

CONTI PROTECT CONTI INSPECT Leistungsstarke Fördergurtüberwachungssysteme für ContiTech-Fördergurte

CONTI PROTECT CONTI INSPECT Leistungsstarke Fördergurtüberwachungssysteme für ContiTech-Fördergurte CONTI PROTECT Leistungsstarke Fördergurtüberwachungssysteme für ContiTech-Fördergurte Conveyor Belt Group ContiTech 2 CONTI PROTECT Leistungsstarke Fördergurtüberwachungssysteme Die ContiTech Conveyor

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

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

Die nächste Revolution in der modelgetriebenen Entwicklung?

Die nächste Revolution in der modelgetriebenen Entwicklung? Die nächste Revolution in der modelgetriebenen Entwicklung? Me Johannes Kleiber Software Engineer bei FMC Johannes.Kleiber@fmc-ag.com Themen Überblick Window Workflow Foundation Workflows modellieren WF

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

Mehr

Informatik und Informationstechnik (IT)

Informatik und Informationstechnik (IT) Informatik und Informationstechnik (IT) Abgrenzung Zusammenspiel Übersicht Informatik als akademische Disziplin Informations- und Softwaretechnik Das Berufsbild des Informatikers in der Bibliothekswelt

Mehr

NanoOnSpect. Karlsruher Automations-Treff 18.11.2013, Fraunhofer ICT

NanoOnSpect. Karlsruher Automations-Treff 18.11.2013, Fraunhofer ICT NanoOnSpect Entwicklung von online Charakterisierungstechnologien im Extrusionsprozess von nanopartikelverstärkten Kunststoffen Karlsruher Automations-Treff 18.11.2013, Fraunhofer ICT Materialqualität

Mehr

Schiffsperformance mit Kraftstoffverbrauchs- Optimizer

Schiffsperformance mit Kraftstoffverbrauchs- Optimizer Abschlussveranstaltung des MarLife Verbundforschungsprojekts Bremen, 26. November 2008 Schiffsperformance mit Kraftstoffverbrauchs- Optimizer Energie-Umwelt-Beratung e.v./-institut- Dr.- Ing. O. Philipp

Mehr

Grundlagen für den erfolgreichen Einstieg in das Business Process Management SHD Professional Service

Grundlagen für den erfolgreichen Einstieg in das Business Process Management SHD Professional Service Grundlagen für den erfolgreichen Einstieg in das Business Process Management SHD Professional Service Der BPM-Regelkreis Im Mittelpunkt dieser Übersicht steht die konkrete Vorgehensweise bei der Einführung

Mehr

Data Mining - Wiederholung

Data Mining - Wiederholung Data Mining - Wiederholung Norbert Fuhr 9. Juni 2008 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

S I G M A. Knowledge Management in der Unternehmensberatung Eine empirische Darstellung von Six Sigma

S I G M A. Knowledge Management in der Unternehmensberatung Eine empirische Darstellung von Six Sigma S I G M A B R E A K A W A Y P E R F O R M A N C E Knowledge Management in der Unternehmensberatung Eine empirische Darstellung von Six Sigma E-mail: peter.pointner@gmx.at daniel.puehringer@gmx.at Content

Mehr

Metadaten im OutputManagement

Metadaten im OutputManagement DOXNET 2012 Metadaten im OutputManagement Baden-Baden, 26. Juni 2012 Hendrik Leder Agenda Dokumente und Metadaten OutputManagement und ECM Verarbeitung von Massendaten Lösung mit Hilfe der POSY-OutputFactory

Mehr

Validierung und Verifikation!

Validierung und Verifikation! Martin Glinz Thomas Fritz Software Engineering Kapitel 7 Validierung und Verifikation 2005-2013 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe für den persönlichen, nicht kommerziellen

Mehr

Kybernetik Systemidentifikation

Kybernetik Systemidentifikation Kberneti Sstemidentifiation Mohamed Oubbati Institut für euroinformati Tel.: +49 73 / 50 2453 mohamed.oubbati@uni-ulm.de 2. 06. 202 Was ist Sstemidentifiation? Der Begriff Sstemidentifiation beschreibt

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

Mit KI gegen SPAM. Proseminar Künstliche Intelligenz

Mit KI gegen SPAM. Proseminar Künstliche Intelligenz Mit KI gegen SPAM Proseminar Künstliche Intelligenz SS 2006 Florian Laib Ausblick Was ist SPAM? Warum SPAM-Filter? Naive Bayes-Verfahren Fallbasiertes Schließen Fallbasierte Filter TiMBL Vergleich der

Mehr

KÖNNEN STRASSEN EINEN SCHRITT VORAUS SEIN?

KÖNNEN STRASSEN EINEN SCHRITT VORAUS SEIN? KÖNNEN STRASSEN EINEN SCHRITT VORAUS SEIN? MODELLBASIERTE LÖSUNG FÜR VERKEHRSPROGNOSEN IN ECHTZEIT PTV Optima ist der Schlüssel zu erfolgreichem Verkehrsmanagement. Die modellbasierte Lösung bietet präzise

Mehr

Unic Breakfast Social Media

Unic Breakfast Social Media Unic Breakfast Social Media Social Media für Unternehmen Zürich, 19. Mai 2011 Carlo Bonati, Yvonne Miller Social Media für Unternehmen Agenda. Weshalb Social Media Management für Unternehmen relevant ist.

Mehr

Zeit- und Ressourcenplanung leicht gemacht - Unterstützung durch Simulation

Zeit- und Ressourcenplanung leicht gemacht - Unterstützung durch Simulation - für Zeit- und Ressourcenplanung leicht gemacht - Unterstützung durch Simulation Zeit- und Ressourcenplanung leicht gemacht - Unterstützung durch Simulation Thomas Hanne *, Patrick Lang, Stefan Nickel,

Mehr

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Condition Monitoring Neue Wege in die Praxis umgesetzt! Ing. DI Jutta Isopp

Condition Monitoring Neue Wege in die Praxis umgesetzt! Ing. DI Jutta Isopp Condition Monitoring Neue Wege in die Praxis umgesetzt! Ing. DI Jutta Isopp Condition Monitoring Einschätzung wie wichtig ist Condition Monitoring! Sehr wichtig Wichtig Nicht wichtig Keine Anwendung CM

Mehr

Large Scale Data Management

Large Scale Data Management Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype

Mehr