sensorkalibrierung mittels ki

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.

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.

• Zeiteinsparung
  Eine Zeitersparnis von bis zu 70 % in der Produktion bei gleichbleibend hoher Qualität.
• Flexibilität
  Ein flexibler Produktionsprozess ermöglicht es jeden Sensor gemäß den individuellen Kund:innenanforderungen optimal zu kalibrieren.
• Effizienz
  Die Zeitersparnis ermöglicht eine Steigerung der Produktionsmenge ohne Qualitätsverlust.
  
  

• 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.