In vielen Produktionsprozessen ist die frühzeitige Erkennung von Qualitätsproblemen ein wichtiger Faktor: zeitlich aber vor allem auch finanziell. Je früher im Prozess erkannt wird, dass die Werkstücke für die nächsten Prozessschritte nicht geeignet sind, desto eher kann darauf reagiert werden.
Ein 3D Drucker wird das Produktionsumfeld in unserem Szenario darstellen. Während des Druckvorgangs werden Sensorwerte, aber auch permanent Bilder des Druckvorgangs aufgezeichnet. Diese Daten verarbeiten wir mit einer Azure IoT Pipeline und wollen daraus Daten für die Qualitätsbestimmung sammeln. Nach einer lokalen Verarbeitung (Edge Device) werden die Daten im Azure Data Lake gespeichert.
Welche Erkenntnisse können aus den Daten gewonnen werden? Wie können diese verarbeitet und als Grundlage für Machine Learning Modelle genutzt werden? Mithilfe der Azure IoT und Analytics Platform stellen wir einen möglichen Weg zur Datenanalyse vor.
In Kombination mit den Bildern aus dem Produktionsprozess finden wir die Ursachen für Fehldrucke und können diese in weiteren Druckläufen vermeiden. Welche Arten von Daten und wie viele davon benötigt werden um zu fundierten Ergebnissen zu kommen werden wir mit Beispielen demonstrieren.
Fischen wir gemeinsam im Data Lake und nutzen das Potential der Daten!
Kristina Preuer ist Data Scientist bei Cubido. Ihr Schwerpunkt ist maschinelle Bilderkennung mit neuronalen Netzen und Deep Learning. Insbesondere bei industriellen Herstellungsprozessen in den Bereichen Automatisierungstechnik und Qualitätssicherung werden derzeit Systeme zur maschinellen Bilderkennung eingesetzt. Kristina hat nach ihrem Biochemie- und Bioinformatikstudium in Linz kürzlich ihr Doktoratsstudium am Institut für Machine Learning zum Thema Deep Learning in Drug Discovery erfolgreich abgeschlossen. In ihrer Dissertation hat sie sich mit Problemen im Deep Learning auseinandergesetzt, wie zum Beispiel der Integration von mehreren Datenquellen, die Interpretierbarkeit von Netzen und die Bewertung von Generativen Modellen. Durch die von Kristina durchgeführten Verbesserungen konnte der komplizierte Prozess von Drug Discovery erleichtert werden, da die trainierten Netze bessere Vorhersagen lieferten und neue Erkenntnisse und Einblicke ermöglichten. Diese Ergebnisse wurden mit Forschungsgruppen aus Cambridge und der Industrie erarbeitet und auch in Fachjournalen publiziert. Neben einer Vielzahl von Deep Learning Ansätzen setzte sich Kristina in ihrer Zeit am Institut auch mit anderen Machine Learning Algorithmen wie Random Forests, Gradient Boosting Machines und Support Vector Machines auseinander.
Mario Schnalzenberger ist seit fast 25 Jahren in der IT-Industrie tätig und setzt sich seit über 15 Jahren im Bereich Statistik und Big Data als auch im Predictive Bereich mit vielseitigen Lösungen auseinander. Seit fünf Jahren ist er im cubido-Team und unterstützt die Kunden in diesem spannenden Umfeld. Mario hat Abschlüsse in Statistik, Volkswirtschaftslehre und Sozial- und Wirtschaftswissenschaften. Er unterrichtet(e) an mehreren Universitäten und Hochschulen in Österreich sowie der HTL Leonding. Er trägt regelmäßig bei verschiedensten Konferenzen in den vielfältigen Themen der angewandten Statistik, Informatik, IOT und AI vor.
The YouTube video is not yet available.