Application of software learning agents in condition monitoring and quality prediction for cyber-physical production systems
Dissertation, TU München, 2023
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Körperschaft: | |
| Format: | UnknownFormat |
| Sprache: | eng |
| Veröffentlicht: |
Göttingen
sierke VERLAG
2024
|
| Schriftenreihe: | Technische Universität München Forschung
30 |
| Schlagworte: | |
| Online Zugang: | Cover |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
Tag hinzufügen 
| Zusammenfassung: | Dissertation, TU München, 2023 Im Zeitalter der Industrie 4.0 und schnell wachsender globaler Märkte müssen Fertigungsunternehmen ihre Produktivität und Leistung steigern, um wettbewerbsfähig zu bleiben. Zu diesem Zweck wird OEE als Instrument zur Überwachung von Fertigungssystemen in Bezug auf Verfügbarkeit, Leistung und Qualität definiert. Darüber hinaus spielen Daten aus den Anlagen, Maschinen und Geräten eine besondere Rolle bei der Überwachung der OEE. Das Erreichen fortgeschrittener OEE-Anforderungen könnte möglicherweise beschleunigt werden, wenn die technologischen Befähiger von I 4.0, wie Agententechnologie, künstliche Intelligenz (KI), maschinelles Lernen und Big Data, einbezogen werden. Diese Arbeit konzentriert sich auf zwei wichtige Anwendungsbereiche von KI in I 4.0: Qualitätsvorhersage und Zustandsüberwachung. Qualitätskontrolle sowie Zustandsüberwachung und vorausschauende Wartung sind zwei Säulen der industriellen KI mit direktem Einfluss auf die OEE. Um verschiedene Aspekte der OEE abzudecken, werden in dieser Arbeit drei industrielle Anwendungsfälle identifiziert. Der erste Anwendungsfall konzentriert sich auf die Qualitätsvorhersage des Endprodukts auf der Grundlage von Prozessparametern in einem kontinuierlichen Produktionsprozess. Der zweite Anwendungsfall ist die Zustandsüberwachung einer chemischen Prozessanlage, insbesondere unter Verwendung von Bildverarbeitungstechniken zur Erkennung von Flüssigkeitsleckagen. Der dritte Anwendungsfall schließlich ist die Zustandsüberwachung mit Hilfe von Alarm-Management-Systemen (AMS) und historischen Alarmdaten, um die Alarmflut durch die Erkennung von Alarmmustern zu reduzieren. Die Ergebnisse haben gezeigt, dass die vorgeschlagenen KI-Methoden für diese Anwendungsfälle die Qualität der Daten erheblich verbessern können |
|---|---|
| Beschreibung: | 300 Seiten Illustrationen, Diagramme |
| ISBN: | 9783965481886 978-3-96548-188-6 |