Entwickelt für Produktions- und Entwicklungsprozesse ermöglicht SOUNCE eine KI-gestützte Erkennung von Störgeräuschen. Mit SOUNCE klingen Bauteile so, wie sie sollen: in Ordnung.
Durch die Beantwortung einiger weniger Fragen erhalten Sie in zwei Minuten eine erste Einschätzung, wieviel Mehrwert unsere Lösung bei Ihnen schaffen kann.
Kostenpotentiale ermittelnDie modulare Cloud-Infrastruktur ermöglicht einen flexiblen Einsatz in verschiedenen Anwendungsszenarien mit nutzungsbasierter Abrechnungsmöglichkeit.
Automatische Erkennung von unerwünschten Geräuschen in Echtzeit, bei Bauteiltests oder End-of-Line Prüfständen. Kosten- und Ressourceneffizient.
Prüfstand oder Station werden mit minimalinvasiver Sensorik ausgestattet. Die Datenerfassung wird gestartet.
Über die Software dokumentiert der Ingenieur Qualitätskriterien der Geräuscherkennung und schafft so die Grundlage des KI-Modell-Trainings.
Auf Basis der vorhandenen Daten wird ein Deep-Learning-Algorithmus antrainiert und in der Cloud bereitgestellt
Der Prüfstand wird kontinuierlich überwacht und Geräuschanomalien werden automatisch in Echtzeit erkannt. Die Geräusche können visualisiert, bewertet und verglichen werden.
Der Ingenieur gibt Rückmeldung über die Genauigkeit der Geräuscherkennung und optimiert den Algorithmus langfristig.
The argument in favor of using filler text goes something like this: If you use real content in the design process, anytime reach a review point you’ll end up reviewing and negotiating.
The argument in favor of using filler text goes something like this: If you use real content in the design process, anytime reach a review point you’ll end up reviewing and negotiating.
The argument in favor of using filler text goes something like this: If you use real content in the design process, anytime reach a review point you’ll end up reviewing and negotiating.
The argument in favor of using filler text goes something like this: If you use real content in the design process, anytime reach a review point you’ll end up reviewing and negotiating.
The argument in favor of using filler text goes something like this: If you use real content in the design process, anytime reach a review point you’ll end up reviewing and negotiating.
Qualitätssicherung in Bewegung: Deep Learning für Funktionsprüfungen von Bauteilen und Bauteilgruppen
Software zur Qualitätssicherung muss zuverlässig sein und sich gleichzeitig flexibel und schnell neuen Anforderungen anpassen können.
→ Sounce ermöglicht eine intelligente Überwachung von mechanischen Bauteilprüfungen beispielsweise bei der Prüfung von Bewegungen, Positionierung oder Ausrichtungen. Durch das aktiv lernende System werden auch neu auftretende Fehler rechtzeitig und präzise detektiert. Durch den Einsatz von Deep Learning wird die aufwendige Definition manueller Grenzwerte vermieden und neue Erkenntnisse zu Fehlermerkmalen und deren Ursache erlangt.
Zerstörungsfrei prüfen und neue Erkenntnisse sammeln.
Mittels diverser Prüfverfahren wird die Qualität und das Verhalten von Materialien ermittelt, um eine hochwertige Verarbeitung sicherzustellen. Häufig steht eine große Menge an Prüfdaten und Prozessparametern zur Verfügung, ohne dass Korrelationen zur Werkstoffqualität direkt erkennbar sind. Die nachfolgende zerstörende Prüfung ist teuer und zeitaufwendig.
→ Mit Sounce können Informationen unterschiedlicher Datenquellen schnell und effektiv gesammelt, analysiert und anschließend Fehler und Mängel automatisiert erkannt werden. Dabei wertet das selbstlernende System Prüfvorgänge aus, welche über die Webapplikation auch remote überwacht werden können. Mögliche Einsatzzwecke sind beispielsweise die Überwachung von Schweiß-, Fräs- oder Spritzgussverfahren.
Akustikprüfung neu gedacht: Kombination aus klassischen Verfahren mit Deep Learning zur Erkennung der Störgeräusche von heute und morgen.
Die Prüfung und Einhaltung von akustischen Qualitätsmerkmalen wird zunehmend wichtiger. Dabei ist die Definition von Bewertungssystemen für einzelne Störgeräusche oder Indikatoren komplex und zeitaufwendig.
→ Sounce ermöglicht Akustikprüfungen ohne eine vorherige Eingrenzung und Spezifizierung der zu erkennenden Anomalien. Beispielsweise Bbei drehzahlabhängigen Auswertungen bietet die Kombination aus klassischen Analyseverfahren mit Deep-Learning-Methoden neue Möglichkeiten, Störgeräusche zuverlässig zu erkennen und ihnen ihrer Fehlerursache zuzuordnen.
Die Porsche Digital GmbH konzipierte und entwickelte die Software-as-a-Service-Lösung (SaaS) gemeinsam mit dem Entwicklungsressort der Porsche AG.
Pressemitteilung herunterladen
