Effzienzsteigerung durch intelligentes Datenmanagement
|
|
- Gerrit Beyer
- vor 8 Jahren
- Abrufe
Transkript
1 Effzienzsteigerung durch intelligentes Datenmanagement Analyse, Optimierung, Steuerung und Prognose von Prozessen Dr. Thomas Natschläger Das SCCH ist eine Initiative der Das SCCH befindet sich im
2 Überblick Prognose und Steuerung Analyse und Optimierung Datenmanagement Forschungsthemen: Knowledge Discovery Maschinelles Lernen Interpretierbare Modelle Sematically Enhanced Stream Data Mining Distributed Data Mining Sensor Netzwerke 2
3 Fragestellung Was ist der Grund für diese Ereignisse? 3
4 Maschinelles Lernen Daten Lernalgorithmus Modell 4
5 Interpretierbares Modell 5
6 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 6
7 Modellbasierte Datenanalyse Modell / Struktur Maschinelles Lernen Interpretation, Bewertung Umsetzung Neues Wissen Sensordaten Expertenwissen Optimiertes System 7
8 Stranggießen Problem: Clogging Bildung von Ablagerungen 8
9 Datenbasis Zu Analysieren / Optimieren: Vergießbarkeit Nicht direkt messbar Definition über die Stopfenposition Mögliche Einflussfaktoren (~150) Merkmale des Gießprozesses Art der Anlage, Verteiler, Gießleistung, Kokille Chemische Analyse Zu verschiedenen Zeitpunkten, Zusammensetzung, Einschlüsse Merkmale der Sekundärmetallurgie Behandlungsabfolgen, Behandlungsdauern, Ruhezeiten 9
10 Analyseumgebung Interpretierbarkeit wichtig Fuzzy-Logic, Entscheidungsbäume, Regelbasen Untersuchung von vielen Szenarien Überblick geben Stahlgruppen Anlagen Detailanalysen Einflüsse Modelle Verifizieren von Hypothesen 10
11 Projektkompetenzen voestalpine Stahl GmbH Analyse des Stranggussprozesses Integration von Expertenwissen visuelles Data Mining, Interpretation Böhler Edelstahl Qualitätsanalyse von Edelstahlprodukten unisoftware plus machine learning framework (mlf) Basis für viele Projekte im Bereich Prozessanalyse OÖGKK Data Mining im Gesundheitswesen Voith Paper, SCA Laakirchen Analyse und Optimierung Papierproduktion Analysetool PaperMiner AMS Engineering Wissensextraktion im Bereich der diskreten Fertigung Stillstandsanalyse, Fehlererkennung 11
12 Wissensbasierte Datenanalyse, 1 Modell / Struktur Maschinelles Lernen Interpretation, Bewertung Umsetzung Neues Wissen Sensordaten Expertenwissen Optimiertes System Knowledge Engineering Repräsentation Ontologien (OWL, RDF, ) Reasoning Automatisches Ableiten von neuem Wissen Repräsentation der statistischen Hypothesen Logische Ansätze Description Logic, 12
13 Wissensbasierte Datenanalyse, 3 Modell / Struktur Maschinelles Lernen Interpretation, Bewertung Umsetzung Neues Wissen Sensordaten Expertenwissen Optimiertes System Knowledge Guided Data Mining Informations- und Strukturanalyse Kausalitätsanalysen, Plausibilitätsanalysen Technologien Fuzzy Logic Baysche Netzwerke Knowledge Discovery Kausalitätsanalysen, Plausibilitätsanalysen Technologien Automated Reasoning Ontology Population 13
14 Überblick Prognose und Steuerung Analyse und Optimierung Datenmanagement Forschungsthemen: Maschinelles Lernen Hochgenaue Modelle Sematically Enhanced Transfer Learning Reservoir Computing Stream Data Mining Computational Model Environment Sensor Netzwerke 14
15 Modellbasierte Steuerung Virtual Sensor Umsetzung Interpretation Bewertung Präzisere Maschinen Maschinelles Lernen + Modellbasierte Steuerung OrderDuration OrderNumber ProcessNumber Type ShiftStart ShiftDuration TNB TW TB TO TT TR TN StandstillCountTO StandstillCountTT StandstillCountTR EA PE QR _T5_LL _T5_LL _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B6_Karmann _Audi_B6_Karmann _Audi_B6_Karmann _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _VW/Porsche_Colorado_LL_MVLS Modell / Struktur Hintergrundwissen, (Prozessexpertise) Daten: -Produktion -Experimente 15
16 Vorhersage Systeme Umsetzung Interpretation Bewertung Optimale Entscheidungen Maschinelles Lernen + Vorhersagelogik OrderDuration OrderNumber ProcessNumber Type ShiftStart ShiftDuration TNB TW TB TO TT TR TN StandstillCountTO StandstillCountTT StandstillCountTR EA PE QR _T5_LL _T5_LL _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B6_Karmann _Audi_B6_Karmann _Audi_B6_Karmann _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _VW/Porsche_Colorado_LL_MVLS Model Prozessexpertise Historische Daten 16
17 Projektkompetenzen (Auswahl) TRUMPF Austria Entwicklung einer Steuerung zur Korrektur der Materialabhängigkeiten beim Blechbiegen Ziel: Erhöhung der Genauigkeit K-Projekt SoftNet (I + II) Fehlervorhersage in Softwaremodulen Mining Repositories K-Projekt PAC Process Analytic Chemestry Spektraldatenanalyse BlueSky Lokal optimierte Wettervorhersagen Anwendung Energiemeteorologie Verbund Vorhersage der Wassermengen Umstellung der Prognosemodelle basierend auf mlf 17
18 Vorhersage von defekten Softwaremodulen K-Projekt SoftNet 18
19 Ansatz zur Modellbildung 19
20 Ergebnisse für konkreten Fall 20
21 Transfer Learning Generalisierung von Modellen über viele (verwandte) Szenarien Ansatz: Transfer Learning Übertragen von gelernten Modellen auf neue Szenarien Nutzen von Daten verschiedener Szenarien Methoden Neuronale Netzwerke, Bayes Netzwerke, Boosting, Constraint Learning (inkludieren von Expertenwissen) 21
22 Kontakt Dr. Thomas Natschläger
Smart Data Analytics. Praxisbeispiele aus Forschungsprojekten
Smart Data Analytics Praxisbeispiele aus Forschungsprojekten Dr. Bernhard Freudenthaler Executive Head Data Analysis Systems +43 7236 3343 850 bernhard.freudenthaler@scch.at www.scch.at SCCH ist eine Initiative
MehrPR 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,
MehrSemantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer
Semantic Web Anwendungsbereiche & Entwicklungen Dr. Michael Granitzer - gefördert durch das Kompetenzzentrenprogramm Agenda Die Vision und warum das Semantic Web Sinn macht Grundlagen: Wissensrepräsentation
MehrInstitut 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
MehrVorstellung des Clusters E-Systems Die Herausforderung der Technologien
Die Herausforderung der Technologien escience Netzwerkkonferenz/Burgstädt/25.-27.06.2012 Dr. Toni Tontchev Koordinator des Clusters E-Systems E-Systems definiert sich als eine Community von Wissenschaftlern
MehrFallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data
Fallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data Institut für Finanz- und Aktuarwissenschaften Lise-Meitner-Str. 14 89081 Ulm Oktober 2015 www.ifa-ulm.de Einführung Mit
Mehr!!!!T!!! Systems!() Multimedia Solutions
Inhalt. Was ist das semantische Web? Wie findet man einen Arzttermin mit Hilfe des semantischen Web? Wie gibt man Inhalten einen Sinn? Welche Werkzeuge stehen zur Verfügung? Wo können strukturierte Inhalte
MehrTiefgreifende 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
MehrSemantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph!
Semantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph! www.semantic-web-grundlagen.de Ontology Engineering! Dr. Sebastian Rudolph! Semantic Web Architecture
MehrPositionspapier Big Data
TeleTrusT-interner Workshop Berlin, 05.06.2014 Positionspapier Big Data Oliver Dehning, antispameurope GmbH Leiter der AG Cloud Security Definition Big Data Big Data bezeichnet große Datenmengen (Volume)
MehrData/Information Quality Management
Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!
MehrData 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
MehrQualifikationserfordernisse durch das Internet der Dinge in der Logistik
Bonn, 22. Juni 2009 Qualifikationserfordernisse durch das Internet der Dinge in der Logistik Studie zu zukünftigen Qualifikationserfordernissen bei beruflichen Tätigkeiten auf mittlerer Qualifikationsebene
MehrAdvanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.
Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken
Mehr1989 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
MehrBegrüßung Vorstellung TIM Vorstellung der F&E-Experten Fachinput Fragen
TIM - Technologie- und Innovations-Management Wels, 23.06.2010 Fertigung & Instandhaltung 2010 Begrüßung Vorstellung TIM Vorstellung der F&E-Experten Fachinput Fragen Fertigung & Instandhaltung 2010 Technologie-
MehrWie fördert Industrie 4.0 Ihr Business? Was Sie über die Zukunft des Warenflusses vermutlich noch nicht wissen
Was Sie über die Zukunft des Warenflusses vermutlich noch nicht wissen - Physical Internet: Material wird wie Information - Lässt sich die Logik des Internets auf die physische Welt übertragen? - Werden
MehrIndustrial 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
MehrProjektarbeit/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
MehrSeminar 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?
MehrSemantic Web Technologies I
Semantic Web Technologies I Lehrveranstaltung im WS11/12 Dr. Elena Simperl PD Dr. Sebastian Rudolph M. Sc. Anees ul Mehdi Ontology Engineering Dr. Elena Simperl XML und URIs Einführung in RDF RDF Schema
MehrPPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.
PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt
MehrLars Priebe Senior Systemberater. ORACLE Deutschland GmbH
Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele
MehrSemantische Datenintegration: von der Theorie zur Anwendung
Semantische Datenintegration: von der Theorie zur Anwendung Prof. Dr. Heiner Stuckenschmidt Institut für Enterprise Systems Name und Datum www.uni-mannheim.de Seite 1 Teil I: Grundlagen Das Problem der
MehrUse Cases. Die Sicht des Nutzers. Fortgeschrittenenpraktikum SS 2004
Use Cases Die Sicht des Nutzers Fortgeschrittenenpraktikum SS 2004 Gunar Fiedler Lehrstuhl für Technologie der Informationssysteme Kontakt: fiedler@is.informatik.uni-kiel.de Use Cases 2 Was ist ein Use
MehrBig Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC
Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von
MehrThema. Intelligente Agenten im Web
Thema Intelligente Agenten im Web Einführendes Beispiel Suchmaschine Probleme: - Immer mehr falsche Informationen - Anwender werden überfordert - Zeitaufwand erhöht sich - Zunehmendes Sicherheitsrisiko
MehrIndustrie 4.0 @ WITTENSTEIN bastian GmbH
Industrie 4.0 @ WITTENSTEIN bastian GmbH Dr.-Ing. Peter Stephan - Projektleiter im Zukunftsfeld cyberphysische Systeme, Wittenstein AG Dr. Peter Stephan Intern Umfeld Das Zukunftsfeld cyberphysische Systeme
MehrMobile Viral Marketing Vervielfachen Sie den Erfolg Ihrer Kampagnen: mit besseren Botschaften durch intelligente Datenanalyse
Tell a friend Mobile Viral Marketing Vervielfachen Sie den Erfolg Ihrer Kampagnen: mit besseren Botschaften durch intelligente Datenanalyse Dr. Dietmar G. Wiedemann Andreas Krisor Proventa AG Untermainkai
MehrAutomatische Analyse pra klinischer Forschungsergebnisse
Universität Bielefeld 15. Mai 2014 Automatische Analyse pra klinischer Forschungsergebnisse zur Auswahl Erfolg versprechender klinischer Studien und individualisierter Therapien Roman Klinger, Philipp
MehrWie schafft der deutsche Mittelstand den digitalen Wandel?
Wie schafft der deutsche Mittelstand den digitalen Wandel? Überblick, Bestandsaufnahme und Perspektiven Prof. Dr. Christian Schalles Duale Hochschule Baden-Württemberg Person Prof. Dr. Christian Schalles
MehrGrundlagen wissenschaftlichen Arbeitens
1 Physiotherapie und Wissenschaft 11 1.1 Physiotherapie als Wissenschaft 12 1.2 Wissenschaftliche Fundierung der Physiotherapie 14 1.2.1 Handlungsfeld Physiotherapie 14 Voraussetzungen im Bereich Physiotherapie
MehrW.WIINM32.11 (Datawarehousing) W.WIMAT03.13 (Statistik)
Modulbeschrieb Business Intelligence and Analytics 16.10.2013 Seite 1/5 Modulcode Leitidee Art der Ausbildung Studiengang Modultyp W.WIINM42.13 Information ist eine derart wichtige Komponente bei der Entscheidungsfindung,
MehrBPM im Kontext von Unternehmensarchitekturen. Konstantin Gress
BPM im Kontext von Unternehmensarchitekturen Konstantin Gress Agenda 1 Worum geht s BPM, EA und SOA im Überblick 2 Link zwischen EA und BPM 3 Link zwischen SOA und BPM 4 Wie spielt das zusammen? 5 Q&A
MehrFortschrittlichstes Qualitäts-Management- System sichert höchste Qualität und maximalen Durchsatz
Unternehmensweit planbare Qualität für Stahlhersteller Fortschrittlichstes Qualitäts-Management- System sichert höchste Qualität und maximalen Durchsatz Aachen/Deutschland Juni 2011. ISRA PARSYTEC, weltweit
MehrBig Data Projekte richtig managen!
Big Data Projekte richtig managen! Stuttgart, Oktober 2014 Praktische Herausforderungen eines Big Data Projektes Definition: Was ist Big Data? Big data is a collection of data sets so large and comple
MehrMasterstudium Softwareentwicklung- Wirtschaft CURRICULUM 2005 IN DER VERSION 2013 MICHAEL KRISPER, BASISGRUPPE INFORMATIK & SOFTWAREENTWICKLUNG
Masterstudium Softwareentwicklung- Wirtschaft CURRICULUM 2005 IN DER VERSION 2013 MICHAEL KRISPER, BASISGRUPPE INFORMATIK & SOFTWAREENTWICKLUNG Infos für den Anfang Curriculum ist im Mitteilungsblatt veröffentlicht:
MehrIndustrie & 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,
MehrDesign of Virtual Experiments in der Praxis. Dr. Martin Bünner, Institute for Computational Engineering (ICE), NTB Buchs
Design of Virtual Experiments in der Praxis Dr. Martin Bünner, Institute for Computational Engineering (ICE), NTB Buchs Agenda I. Einführung II. Optimierung in der Praxis - Telekommunikation - Flugzeugbau
MehrManagementbewertung Managementbewertung
Managementbewertung Grundlagen für die Erarbeitung eines Verfahrens nach DIN EN ISO 9001:2000 Inhalte des Workshops 1. Die Anforderungen der ISO 9001:2000 und ihre Interpretation 2. Die Umsetzung der Normanforderungen
MehrAnwendung von Wissensmanagement und E-Learning in Unternehmen Lehrbeauftragter: Dipl.-Oec Gerrit Buchenau
Anwendung von Wissensmanagement und E-Learning in Unternehmen Lehrbeauftragter: Dipl.-Oec Gerrit Buchenau Seite 1 Vorlesungsinhalte Wissensmanagement Was ist Wissen? Historie des Wissensmanagements Theoretische
MehrDr. 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
MehrMöglichkeiten für bestehende Systeme
Möglichkeiten für bestehende Systeme Marko Filler Bitterfeld, 27.08.2015 2015 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda Gegenüberstellung Data Warehouse Big Data Einsatz-
Mehr2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung
2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg
MehrEinsatz moderner Technologien der Bild- und Videoanalyse in der Fashionbranche
Workshop Fashion Future Einsatz moderner Technologien der Bild- und Videoanalyse in der Fashionbranche Adrian Ulges Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI) Kompetenzzentrum Multimediaanalyse
MehrIdeation-Day Fit für Innovation
Your Partner in Change. Your Partner in Innovation. Ideation-Day Fit für Innovation Fotoprotokoll 12.07.2013 www.integratedconsulting.at 1 Einstieg www.integratedconsulting.at 2 Erwartungen und mögliche
MehrIntelligente Produktions- und Logistiknetzwerke
Intelligente Produktions- und Logistiknetzwerke Die ganzheitliche Optimierung von Produktions- und Liefernetzwerken 1 Was bedeutet intelligent in diesem Zusammenhang? Google liefert zum Stichwort Intelligenz
MehrEvaluation nach Maß. Die Evaluation des BMBF-Foresight-Prozesses
Evaluation nach Maß Die Evaluation des BMBF-Foresight-Prozesses Beitrag zur IFQ-Jahrestagung Bonn, 1.1.008 Validität im Kontext des BMBF-Foresight-Prozesses Validität Fähigkeit eines Untersuchungsinstrumentes,
MehrLazar (Lazy-Structure-Activity Relationships)
Lazar (Lazy-Structure-Activity Relationships) Martin Gütlein, Albert-Ludwigs-Universität Freiburg Dr. Christoph Helma, in silico toxicology gmbh, Basel Halle, 4.3.2013 Advanced Course des AK Regulatorische
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrRelative Ideen-Stärke
dib-report 2008 Relative Ideen-Stärke Eine Analyse für Continental AG Relative Ideen-Stärke Die Relative Ideen-Stärke zeigt die Performance des Ideenmanagements Ihres Unternehmens im Vergleich zum Benchmark.
MehrML-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
MehrWas 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
MehrIndustrie 4.0 und mögliche Auswirkungen auf die Sicherheit und Gesundheit von Beschäftigten
Industrie 4.0 und mögliche Auswirkungen auf die Sicherheit und Gesundheit von Beschäftigten 05.12.2014 Inhalt Was ist Industrie 4.0? Wie funktioniert Industrie 4.0? Welche Chancen, welchen Risiken ergeben
MehrQualitätsberichte 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
MehrBig 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
MehrTreffsichere Absatzprognosen durch Predictive Analytics
Treffsichere Absatzprognosen durch Predictive Analytics Prof. Dr. Michael Feindt, Karlsruhe Institute of Technology KIT Chief Scientific Advisor, Phi-T GmbH und Blue Yonder GmbH & Co KG 3. Europäischer
MehrInhaltsverzeichnis 1 Einleitung 2 Ansätze in Forschung und Praxis
ix 1 Einleitung 1 1.1 Motivation 1 1.1.1 Das Projekt»Steuerkanzlei 2005«2 1.1.2 Generalisierung des Anwendungsfalls 3 1.1.3 Situation der Business Intelligence 4 1.1.4 Probleme in der praktischen Anwendung
MehrProjektpraktikum: Verteilte Datenverarbeitung mit MapReduce
Projektpraktikum: Verteilte Datenverarbeitung mit MapReduce Timo Bingmann, Peter Sanders und Sebastian Schlag 21. Oktober 2014 @ PdF Vorstellung INSTITUTE OF THEORETICAL INFORMATICS ALGORITHMICS KIT Universität
MehrProaktive Entscheidungsunterstützung für Geschäftsprozesse durch neuronale Netze
Proaktive Entscheidungsunterstützung für Geschäftsprozesse durch neuronale Netze INAUGURALDISSERTATION zur Erlangung des akademischen Grades eines Doktors der Wirtschaftswissenschaften an der Wirtschaftswissenschaftlichen
MehrDaten verstehen. Prozessoptimierung Applikationsmanagement Systemintegration. Daten- u. Prozessmodellierung Applikationsentwicklung Systemintegration
Actum + MIOsoft Ihr SAP Partner Prozessoptimierung Applikationsmanagement Systemintegration Daten verstehen Daten managen Business Analytics und IT Plattformanbieter Daten- u. Prozessmodellierung Applikationsentwicklung
MehrEXZELLENTE MANAGEMENT- UNTERSTÜTZUNG AUF ZEIT
EXZELLENTE MANAGEMENT- UNTERSTÜTZUNG AUF ZEIT SIE SUCHEN WIR FINDEN Temporäre Verstärkung in Fach- und Managementpositionen Ob bei der Einführung neuer Prozesse, bei Wachstums- oder Sanierungsprojekten
MehrMaschinelles Lernen und Data Mining: Methoden und Anwendungen
Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge
MehrModul Service & IT Management 1
WIRTSCHAFTSINGENIEURWESEN Modul Service & IT Management 1 SEM 1 7 ECTS Veranstaltungen: Seminar IT Management 1, Seminar, Seminar Corporate Knowledge Management Modulverantwortlicher: Prof. Dipl.-Volkswirt
Mehrintelligent control of production processes
intelligent control of production processes Konzept zur intelligenten Produktionssteuerung Verwaltung der Ressourcen Material bzw. Energie Equipment Personal Modellierung des Prozesses Physikalische Beziehungen
MehrDurch die virtuelle Optimierung von Werkzeugen am Computer lässt sich die reale Produktivität von Servopressen erhöhen
PRESSEINFORMATION Simulation erhöht Ausbringung Durch die virtuelle Optimierung von Werkzeugen am Computer lässt sich die reale Produktivität von Servopressen erhöhen Göppingen, 04.09.2012 Pressen von
MehrVerborgene Schätze heben
Verborgene Schätze heben Data Mining mit dem Microsoft SQL Server Martin Oesterer Leiter Vertrieb HMS Analytical Software GmbH Data Mining. Was ist eigentlich wichtig? Data Mining ist: die Extraktion von
MehrQualitative und Quantitative Forschungsmethoden
Qualitative und Quantitative Forschungsmethoden Unterschiede zwischen den Forschungsstrategien Überprüfendes vs. Entdeckendes Erkenntnisinteresse Ziel ist die Überprüfung von Theorieaussagen. Es werden
MehrÄnderungen im Studienplan der Informatikstudien von Version 1.10.2006 auf Version 1.10.2007
Änderungen im Studienplan der Informatikstudien von Version 1.10.2006 auf Version 1.10.2007 Gernot Salzer 13.Juni 2007 1 Änderungen in den allgemeinen Teilen Definition des Begriffs immanenter Prüfungscharakter
MehrECONGRID Smart Grids und volkswirtschaftliche Effekte: Gesamtwirtschaftliche Bewertung von Smart-Grids- Lösungen
ECONGRID Smart Grids und volkswirtschaftliche Effekte: Gesamtwirtschaftliche Bewertung von Smart-Grids- Lösungen Smarte Energie Regionen 11. März 2014 Dr. Markus Gilbert Bliem Dieses Projekt wurde aus
MehrData 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
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrPresseinformation. 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
MehrOptimierung Liefertreue
Optimierung Liefertreue Vorwort Sehr geehrter Lieferant! Nur gemeinsam mit Ihnen lässt sich die gesamte Wertschöpfungskette optimieren. Eine vertrauensvolle Zusammenarbeit, frühzeitige Einbindung und eine
MehrPressegespräch zum Kongress AUTOMATION 2014. 01. Juli 2014. Umfrage der GMA Smart Technologies und Industrie 4.0. Dr.
Pressegespräch zum Kongress AUTOMATION 2014 01. Juli 2014 Umfrage der GMA Smart Technologies und Industrie 4.0 Dr. Dagmar Dirzus 1/ Kernpunkte 1 Datenbasis 2 Stimmungsbarometer 3 Smart X und Industrie
MehrAußenwerbung/2.0 Reichweitenanalyse Implizite Interaktion
Außenwerbung/2.0 Reichweitenanalyse Implizite Interaktion Prof. Dr. Albrecht Schmidt Pervasive Computing und User Interface Engineering Universität Duisburg-Essen http://www.pervasive.wiwi.uni-due.de/
MehrBitrix Intranet. Version 11.5
Bitrix Intranet Version 11.5 Was ist neu in der Version 11.5? Social Interface und neue Szenarien für Kollaboration; Kommunikation im Rahmen des Activity Stream; Brandneuer Instant Messenger und Liste
MehrKybernetik Intelligent Agents- Action Selection
Kybernetik Intelligent Agents- Action Selection Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 06. 2012 Intelligent Agents Intelligent Agents Environment
MehrProseminar Technische Informatik A survey of virtualization technologies
Proseminar Technische Informatik A survey of virtualization technologies Referent: Martin Weigelt Proseminar Technische Informatik - A survey of virtualization technologies 1 Übersicht 1. Definition 2.
MehrMatilda Steiner, System Line, MES/ABB Automation Day, 27.03.2012 Modul 10D Wie effizient ist Ihre Produktionsanlage
Matilda Steiner, System Line, MES/ABB Automation Day, 27.03.2012 Modul 10D Wie effizient ist Ihre Produktionsanlage Wie effizient ist Ihre Produktionsanlage? Effizienz, Effektivität, Produktivität Effizienz
MehrDas Gebiet MMWW: Mensch- Maschine- Wechselwirkung. Juli 2014
Das Gebiet MMWW: Mensch- Maschine- Wechselwirkung Juli 2014 Forschungsgruppen Computergrafik, Visualisierung und Bildverarbeitung Kontextuelle Informa
MehrMasterstudium Informatik CURRICULUM 2006 IN DER VERSION 2013 MICHAEL KRISPER, BASISGRUPPE INFORMATIK & SOFTWAREENTWICKLUNG
Masterstudium Informatik CURRICULUM 2006 IN DER VERSION 2013 MICHAEL KRISPER, BASISGRUPPE INFORMATIK & SOFTWAREENTWICKLUNG Infos für den Anfang Curriculum ist im Mitteilungsblatt veröffentlicht: http://www.mibla.tugraz.at/12_13/stk_16e/16e.html
MehrEine Open Source Plattform für Smart Micro Grids
Eine 6. Innovation Forum Digitalisierung Dr. Markus Duchon fortiss GmbH An-Institut Technische Universität München Überblick Intelligente Energienetze Smart Micro Grid Node Informationsnetze Energienetze
MehrExecutive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie
Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie BIG DATA Future Opportunities and Challanges in the German Industry Zusammenfassung Die Menge der verfügbaren
MehrERP-Evaluation systematisch und sicher zum optimalen ERP-System
ERP-Evaluation systematisch und sicher zum optimalen ERP-System Risiken minimieren, Chancen nutzen durch ein strukturiertes Vorgehen basierend auf Anforderungen (Requirements Engineering) und Prozessoptimierung
MehrAndrea Grass & Dr. Marcus Winteroll oose Innovative Informatik GmbH. Geschäftsprozessmanagement und Agilität geht das zusammen?
Andrea Grass & Dr. Marcus Winteroll oose GmbH Geschäftsprozessmanagement und Agilität geht das zusammen? Agenda I. Wozu eigentlich BPM? II. Vorgehen und Rollen im abpm III. Methoden und Techniken IV. Resümee
MehrAbsicherung der Zuverlässigkeit im Produktlebenslauf. Projekt Coaching
Partner of the Mobility Industry for Reliability, Quality, Safety & Validation Absicherung der Zuverlässigkeit im Produktlebenslauf Projekt Coaching Eltroplan Technologie-Tag Dr. Viktor Tiederle, 7. April
MehrSoftwarearchitektur 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
MehrSYN Grundlagen Algorithmen Anwendung FIN. Anomalieerkennung. UnFUG WS2011/2012. Alexander Passfall <alex@passfall.de> Hochschule Furtwangen
1/23 UnFUG WS2011/2012 Alexander Passfall Hochschule Furtwangen 3. November 2011 2/23 Inhalt 1 Grundlagen Typen Funktionsweise 2 Algorithmen Outlier Detection Machine Learning 3 Anwendung
MehrVerborgene (verlorengeglaubte) Werte für die Gegenwart nutzbar machen
Verborgene (verlorengeglaubte) Werte für die Gegenwart nutzbar machen Michael Brueckner, Dipl. Ing Technical Director Process Unternehmensstruktur 400 Mitarbeiter Engineering Dienstleister Chemieindustrie
MehrMaking 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
MehrIT-Governance und Social, Mobile und Cloud Computing: Ein Management Framework... Bachelorarbeit
IT-Governance und Social, Mobile und Cloud Computing: Ein Management Framework... Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft
MehrPQ Explorer. Netzübergreifende Power Quality Analyse. Copyright by Enetech 2000-2010 www.enetech.de Alle Rechte vorbehalten. ros@enetech.
1 PQ Explorer Netzübergreifende Power Quality Analyse 2 Ortsunabhängige Analyse: so einfach, wie noch nie PQ-Explorer ist ein Instrument, das die Kontrolle und Überwachung von Energieversorgungsnetzen
MehrSemantische Reputationsinteroperabilität
Semantische sinteroperabilität Adrian Paschke (CSW) und Rehab Alnemr (HPI) Corporate Semantic Web Workshop, Xinnovations 2010, 14. September 2010, Berlin Agenda Motivation Unternehmensreputation Probleme
MehrEINSTEIN vs. EN 16247
EINSTEIN vs. EN 16247 Übereinstimmungen und Unterschiede Jürgen Fluch AEE Institut für Nachhaltige Technologien (AEE INTEC) A-8200 Gleisdorf, Feldgasse 19 AUSTRIA Überblick EN 16247 - Einleitung EINSTEIN
MehrEnergieoptimierung am Beispiel einer Rektifikationskolonne
Energieoptimierung am Beispiel einer Rektifikationskolonne VDC Workshop Energie- und Ressourceneffizienz digital optimieren: Virtual Engineering im Maschinen- und Anlagenbau Prof. Dr. Ulrich Trägner; Hochschule
MehrFachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß
Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche
MehrLean Six Sigma im Health-Care - Ist Gesundheit ein Produkt? Ist der Patient ein Kunde? -
Lean Six Sigma im Health-Care - Ist Gesundheit ein Produkt? Ist der Patient ein Kunde? - Steigerung der Patientenorientierung mit Lean Management Dem Kostendruck entgegenwirken Lean Prinzipien haben überall
MehrDas KOMET Assistenzsystem für die Fertigung Erfahrungsbericht: Prozessüberwachung goes Industrie 4.0
Das KOMET Assistenzsystem für die Fertigung Erfahrungsbericht: Prozessüberwachung goes Industrie 4.0 KOMET GROUP 4/18/2016 KOMET Brinkhaus Industrie 4.0 Seite 1 Vorstellung des Vortragenden 2003 - Leibniz
MehrDie nächste Generation der Qualitätsinspektion von Metalloberflächen; Hohe Datenqualität für sichere Qualitätsentscheidungen im Fokus
Signifikante Produktivitätszuwächse durch Innovative Systemkonzeption Die nächste Generation der Qualitätsinspektion von Metalloberflächen; Hohe Datenqualität für sichere Qualitätsentscheidungen im Fokus
Mehr