Die Zahl der Sensoren in industriellen Prozessen, Anlagen, Gebäuden sowie in Gebrauchsgütern wie Autos oder Smartphones wächst exponentiell, und mit ihnen die Menge der erzeugten Sensordaten. Je reichhaltiger und somit hochdimensionaler solche Daten sind, umso attraktiver wird der Einsatz moderner Machine Learning Methoden, da diese sehr viel weitergehende Analysen ermöglichen als etwa die Überwachung von manuell gesetzten Grenzwerten in klassischem Condition Monitoring.

Unsere Werkzeuge:

• Klassifikation und Prognose von Zeitreihendaten
• Erkennung von bekannten und unbekannten Fehlerzuständen und Anomalien
• Dimensionsreduktion als Preprocessing oder zur Visualisierung hochdimensionaler Daten
• Automatische Erstellung von Modellen zur breiten Überwachung von Sensorkanälen

• Prognosen der Energieproduktion von Wind- oder Solaranlagen auf Basis von Wetterdaten
• Unterstützung bei der optimalen Steuerung komplexer Prozesse, etwa in Industrie, Anlagen, Gebäudetechnik oder Biogasanlagen
• Überwachung, Fehlererkennung und ‑vorhersage für große Anlagen
• Bedarfsangepasste und vorausschauende Wartung (Preditive Maintenance)
• Produktivitätssteigerung bei vielstufigen industriellen Prozessen durch frühzeitige Erkennung von Fehlern

Von unseren Teammitgliedern durchgeführte Projekte:

• Überwachung industrieller Produktionsanlagen auf Basis von Daten von Produktionsequipment und zusätzlichen Sensoren
• Entwicklung eines Recommendersystems für Anlagenfahrer in der Prozessindustrie auf Basis von Alarmen, Parametern und Prozessdaten
• Entwicklung von Use-Cases zur Nutzung von Logdaten aus der Sensorfertigung im Bereich Predictive Maintenance, Optimierung und Anomalieerkennung
• Prognose nachteiliger Events auf Basis von Daten aus der Motorsteuerung sowie Outliererkennung in hochdimensionalen Daten
• Anomalieerkennung und Vorhersage von Betriebsstörungen bei Aufzügen
• Condition Monitoring und Predictive Maintenance bei Lackierrobotern in der Autoindustrie