Wie können wir Ihnen weiterhelfen?
Marija Mijic
HR & Office Allrounder
T +43 660 383 95 46
office@craftworks.at
craftworks GmbH
Schottenfeldgasse 20/6a
1070 Wien
Verbesserte Schallemissions-Prüfungen
mit neuronalen Netzen
Durch den Einsatz von Neuronalen Netzen konnte die Zuverlässigkeit und Geschwindigkeit von Schallemissions-Prüfungen erhöht werden.
Success Story
Lesedauer: 3 min
Manufacturing
Material Industries
Predictive Quality
Industrial Software
55%
schnellere Produktzertifizierung
Unterstützt
Prüfer bei der genauen Interpretation der Daten
Lückenlose
Überwachung von Machine Learning-Modellen
Unser Kunde, eine renommierte Zertifizierungsstelle, fungiert als unabhängige Einrichtung, die sich auf Prüf- und Zertifizierungsleistungen spezialisiert hat. Eine Zertifizierung durch unseren Kunden ist für viele Anwendungen in der Industrie von entscheidender Bedeutung und wird als Beweis für hohe Qualität und Zuverlässigkeit angesehen. Daher müssen die Prüfungen mit einem hohen Maß an Genauigkeit und Zuverlässigkeit durchgeführt werden. Unser Kunde nutzte die Schallemissions-Prüfung, um die Sicherheit von Hochdrucktanks zu zertifizieren. Er wollte den Analyse- und Sicherheitsprozess mit Hilfe von Machine Learning automatisieren.
Die Analyse wurde von Experten durchgeführt, ein Prozess, der sowohl zeitaufwändig als auch fehleranfällig war. Darüber hinaus war der Kunde unsicher, was den Einsatz von Machine Learning zur Lösung dieses Problems anging. Speziell im Bereich des Machine Learning lag der Schwerpunkt auf der Identifizierung der zentralen Faktoren, die für die Bewertung der Integrität und Eignung von Tanks wichtig sind.
Wir haben vorgeschlagen, Machine Learning einzusetzen. Damit können die Ergebnisse der akustischen Tests automatisch ausgewertet werden, was eine effiziente und genaue Analyse ermöglicht.
Für die Analyse der Daten wurden mehrere neuronale Netze eingesetzt, die in Python mit Keras entwickelt wurden. Zudem wurde eine Webanwendung erstellt, die den Upload von Testdaten und Metadaten vereinfacht. Die Anwendung verfügt über Authentifizierungsfunktionen und bietet einen übersichtlichen Zugang zu den Ergebnissen des Machine-Learning-Modells.
Das Modell interagierte über eine Inferenz-Pipeline und einen REST-Endpunkt, was eine nahtlose Zusammenarbeit ermöglichte.