FH Bielefeld
University of
Applied Sciences

Entwicklung von prototypischen Workflows und Methoden für die IoT-geprägte Produktion

Machine Learning, Predictive Maintenance, Prescriptive Maintenance, datenbasierte Anlagenoptimierung, kameragestütztes Kommissionieren, Condition Monitoring, IoT, IIoT


Fachhochschule BielefeldCfADS_logo_HR
Fachbereich Ingenieurwissenschaften und Mathematik
Interaktion 1
33619 Bielefeld


Projektbeteiligung

Beckhoff Automation GmbH & Co. KG

Laufzeit
01.11.2018 – 31.10.2021


Projektförderung
NRW EFRE Wettbewerb Forschungsinfrastrukturen


Ziel2NRW_RGB_1809_jpg

 

EU-Emblem mit Hinweis auf die EU

 

Logo MWIDE NRW


Kurzbeschreibung
Die technologischen Entwicklungen der letzten Jahre in den Bereichen Informations- und Kommunikationstechnologie, Datenmanagement und -analyse, Internettechnologien, Messtechnik und Sensorik sowie Automatisierungstechnik schaffen bisher ungeahnte Möglichkeiten zur Beschreibung umfangreicher Mengen unstrukturierter und semi-strukturierter Daten. Die auf diese Weise in Produktionsprozessen erhaltenen Daten ermöglichen es, die Produktivität sowie die Produktionsqualität zu steigern und parallel den Ressourcenverbrauch zu reduzieren, sowie die Arbeitsverhältnisse der Mitarbeiter zu verbessern. Diesem Fragenkomplex möchte sich das Center for Applied Data Science Gütersloh (CfADS) stellen, indem eine IoT-geprägte Produktion als Forschungsinfrastruktur aufgebaut wird (IoT: „Internet of Things“). Als Ergänzung zu den schon im CfADS bearbeiteten Themenstellungen werden im Rahmen dieses Projekts Workflows und Methoden für die drei Themenbereiche „Prescriptive Maintenance“, „Datenbasierte Anlagenoptimierung“ und „Kameragestütztes Kommissionieren“ entwickelt. Im Teilprojekt „Prescriptive Maintenance“ werden datengetriebene Ansätze zur Anomaliedetektion und zur vorausschauenden fehlertoleranten Regelung von technischen Systemen entwickelt. Die „Datenbasierte Anlagenoptimierung“ optimiert den Fertigungsablauf in Hinblick auf Kenngrößen wie Verschleiß, Energieverbrauch und Produktqualität mit Hilfe von maschinell gelernten Modellen der einzelnen Fertigungsstationen. Im dritten Teilprojekt „Kameragestütztes Kommissionieren“ wird untersucht, wie Deep-Learning-Ansätze für visuell überwachte Greif- und Sortiervorgänge in logistischen Abläufen eingesetzt werden können.In allen drei Teilprojekten werden Software-Toolchains entwickelt, mit deren Hilfe die jeweiligen Fragestellungen prototypisch gelöst werden können, und die auf ähnlich gelagerte Anwendungsfälle übertragbar sind.

weitere Informationen