Machine Learning: Value generieren, Kosten rapide senken

Das wachsende Team von CeleraOne - Mathematiker und Software Engineers - hat mehr als zehn Jahre Industrieerfahrung im Machine Learning. Vor zwei Jahren startete CeleraOne die Expansion in den Stahlsektor und eignete sich präzise Kenntnisse der Stahlherstellungsprozesse an - zwingende Voraussetzung jeder erfolgreichen Anwendung von Machine Learning zur Kostenoptimierung im Stahlbereich.

In sehr ambitionierten Projekten mit Stahlherstellern wendet CeleraOne regelmäßig Deep Learning an.

Im Gegensatz zu vielen Analytics-Anbietern bietet CeleraOne profundes Know-How dieser zentralen Technologie.

Applikationen mit substantiellem Impact

 

Deep Learning (High-Performance Models) aus dem Consumer-Sektor wird auf Stahloberflächenbilder übertragen

 

Starke Reduktion des Trainingsaufwands, nur die Adaption muß werkspezifisch optimiert werden

 

Live-Implementation in Oberflächeninspektions- systemen

 

Stufenübergreifende Integration von Prozeß-, Oberflächen- und Maschinendaten in fortgeschrittene Machine Learning-Modelle

 

Trennung von Gut- und Schlechtmengen

 

Automatisierte Identifikation komplexer Fehlerursachen durch Machine Learning-Modelle

 

Stufenübergreifende Integration von Prozeß-, Oberflächen- und Maschinendaten in fortgeschrittene Machine Learning-Modelle

 

Daten der laufenden Produktion werden in Echtzeit verarbeitet

 

Vor Start des nächsten Prozeßschrittes: Vorhersage der Qualitätsabweichungen in allen Folgeschritten

Surface Inspection (SI)

Höhere Präzision, weniger Wartung

Automatisierte Oberflächeninspektionssysteme (OIS) müssen permanent mit neuen, manuell gelabelten Daten nachtrainiert werden. In der Praxis schwankt die Genauigkeit der Fehlerklassifizierung.

CeleraOne erweitert bestehende Oberflächeninspektionssysteme mit Deep Learning-Technologie. Dies reduziert den erforderlichen Wartungsaufwand maßgeblich. Gleichzeitig wird die Klassifikationsgenauigkeit verbessert.

Machine Learning (ML)

Automatisierte Identifikation von Fehlerursachen

Die exakte Bestimmung von Fehlerursachen komplexer Qualitätsabweichungen kann Monate oder Jahre dauern. Eine Vielzahl an Produktionsstrecken und -schritten muß überprüft werden. Tausende Zeitreihen- und Oberflächeninspektionsdaten müssen zugeordnet werden.

CeleraOne profitiert von der fortgeschrittenen Automatisierung und der umfangreichen Prozeßüberwachung, die die Stahlindustrie in den letzten Jahrzehnten implementiert hat. Relevante Oberflächeninspektionsdaten und Prozeßsignale werden bereinigt, aufbereitet und in ein gängiges Machine Learning Model für die Fehlerursachenanalyse integriert. CeleraOne liefert eine detaillierte Bestimmung der Fehlerursachen für die Qualitätsabweichungen, selbst für positionsbezogene Probleme.

Predictive Analytics (PA)

Echtzeit-Vorhersage der Downstream-Qualität

Qualitätsparameter werden oft am Ende der Produktionskette gemessen. Ursachen von Qualitätsabweichungen sind oft in einer weit vorgelagerten Prozeßstufe verborgen. Eine standardisierte Verarbeitung fehlerhaften Vormaterials muß vermieden werden, da sie zu Abwertung oder sogar Ausschuß führt.

Predictive Analytics-Modelle von CeleraOne basieren auf Live-Produktionsdaten. Sie sagen Qualitätsabweichungen schon vor dem Start der Downstream-Prozesse voraus. Dadurch wird eine rechtzeitige Umwidmung des Materials und eine dynamische Neukonfiguration der Downstream-Prozesse ermöglicht, um von Vormateriallieferanten gegebenen, abweichenden Materialeigenschaften entgegenzuwirken. Predictive Analytics kann an jedem Punkt der Produktionskette angewendet werden.

Gerne präsentieren wir Ihnen unsere Lösung