VEGA Grieshaber KG
Sensorkalibrierung mittels KI
Wie KI die Produktion effizienter macht? Das haben wir Sensorhersteller VEGA Grieshaber im Bereich der Sensorkalibrierung mithilfe von Machine Learning aufgezeigt.
Der Sensorhersteller und Weltmarktführer aus dem Schwarzwald entwickelt innovative Messtechniken, die in ihrer Bedienbarkeit einfach zu handhaben sind und ein Maximum an Sicherheit und Zuverlässigkeit bieten.
Beschleunigung ohne Qualitätsverluste
VEGA möchte erstmals mithilfe von künstlicher Intelligenz ihre Produktion verbessern. Hierfür soll der Kalibrierungsprozess ihrer Sensoren durch den Einsatz von maschinellem Lernen optimiert werden. Das angestrebte Ziel: den Kalibrierungsvorgang beschleunigen, ohne dabei Qualitätsverluste zu erleiden.
Entwicklung eines Machine-Learning-Algorithmus
Die AI Engineers von mmmake haben einen Machine-Learning-Algorithmus entwickelt, der es ermöglicht, die Sensorkalibrierung zu optimieren und dabei bis zu 70% des Zeitaufwands einzusparen.
Hierbei kam ein präzises zweistufiges Verfahren zum Einsatz: Im ersten Schritt wurde ein umfassendes Modell extrahiert, das die gemeinsamen Merkmale aller Sensoren erfasst. Im zweiten Schritt erfolgte eine individuelle Kalibrierung einzelner Sensoren, um spezifische Eigenschaften gezielt zu berücksichtigen.
Diese Vorgehensweise ermöglicht maßgeschneiderte Kalibrierungen für die individuellen Kund:innenenanforderungen von VEGA.
Benefits
- Data Engineering
Erarbeitung maßgeschneiderter Lösungen, die eine Verbesserung der Dateninfrastruktur erzielen. - Data Science
Generierung von umfassenden Erkenntnissen und Mehrwert durch den Einsatz fortschrittlicher analytischer Techniken. - MLOps
Industrialisierung von KI-Projekten durch kontinuierliche Modellverbesserungen und effizientes Monitoring.
Wir leben Technology! Unsere Expert:innen bilden in den unterschiedlichsten Bereichen weiter und scheuen sich nicht vor neuen Herausforderungen durch neue Technologien. Jederzeit up to date, um Ihnen die beste Lösung zu bieten.
Bei unserem Projekt mit Vega setzten wir bei der Umsetzung auf neuronale Netzwerke und die Entwicklung eines individuellen Machine Learning Algorithmus mit Python als Programmiersprache. Bei der Modellierung kamen die leistungsstarke Tensorflow-Plattform und joblib zum Einsatz, die wir für Multithreading nutzten, um die rechenintensiven Aufgaben parallel zu verarbeiten und somit die Gesamtausführungszeit stark zu reduzieren.
