Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Durch die Verbindung von Anomalie-Erkennung mit Echtzeit-Materialerkenntnissen liefert das Unternehmen Sensxpert die Klarheit und Kontrolle die Kunststoffhersteller benötigen um qualitativ hochwertige Produkte zu produzieren und dabei kosteneffizient zu bleiben Klarheit und Kontrolle für einwandfreie Produkte Anomalie-Erkennung in der Kunststoffherstellung Special | Automatisierung und Produktion 4 0 Die Kunststoffindustrie sieht sich hohem Wettbewerbsdruck und einer schwankenden Verbraucher innennachfrage ausgesetzt Trotz aller Unwägbarkeiten in einem unsicheren Umfeld wird von Kunststoffherstellern erwartet dass sie kostengünstige qualitativ einwandfreie und effiziente Produktionsprozesse durchführen Ungefähr 50 bis 70 Prozent der Produktkosten entfallen auf die Materialkosten daher ist ein tiefes Verständnis des Materialverhaltens während der Verarbeitung erforderlich um optimale Endprodukte herstellen zu können Materialparameter können aufgrund von Lagerungsbedingungen Temperaturen und Druck im Werkzeug oder sogar von Charge zu Charge schwanken daher können sich Verarbeiter nicht allein auf Standarddatenblätter oder Simulationen verlassen Die in der Realität vorhandenen Schwankungen sind ein hohes Risiko für Abweichungen und Fehler deshalb ist die Überwachung des Materialverhaltens in Echtzeit von großer Bedeutung Sensxpert ein Unternehmen der Netzsch-Gruppe hat diese Herausforderung erkannt und eine Lösung zur materialzentrierten Prozesssteuerung entwickelt Diese Lösung nutzt dielektrische Sensoren für die Erfassung kritischer Materialdaten Ebenso nutzt sie Machine-Learning-Algorithmen um das Ergebnis jedes Zyklus vorherzusagen sowie leistungsstarke Software um vormals unsichtbare Erkenntnisse in sichtbare Schlussfolgerungen über das Polymerverhalten umzuwandeln Um die Erkenntnisse noch auszubauen kommt neben der Prozesssteuerungslösung auch die Anomalie-Erkennung zum Einsatz Datenanalyse erkennt Abweichungen vom Durchschnitt Anomalie-Erkennung ist eine Methode der Datenanalyse die dazu dient Muster innerhalb eines Datensatzes zu erkennen und Datenpunkte zu bestimmen die außerhalb der identifizierten Muster liegen So ist die Anomalie-Erkennung eine Methode um „Ausreißer“ von Durchschnittswerten aufzudecken Die Erkennung von Anomalien ist ein klassisches Beispiel für die Methode des Unsupervised Learnings beim Machine Learning einem Teilbereich der Artificial Intelligence AI Beim Unsupervised Learning deckt ein Algorithmus Muster und Abweichungen innerhalb eines Datensatzes auf ohne dass vordefinierte Kennzeichnungen oder korrekte Ergebnisse vorliegen In der Kunststoffherstellung kann die Erkennung von Anomalien dazu beitragen unerwartete Schwankungen in der Produktion zu erkennen zum Beispiel Prozessabweichungen oder Verschleiß der Ausrüstung Üblicherweise wird die Anomalie-Erkennung eingesetzt um die Transparenz zu erhöhen indem Maschinenund Sensordaten verfolgt Abweichungen identifiziert und eine Form der Qualitätskontrolle während des Produktionsprozesses implementiert werden Es ist von hoher Bedeutung das Materialverhalten in Echtzeit zu verstehen um die Prozessergebnisse 3 2025 28 Natürliche Cluster von Maschineneinstellungen Bilder Sensxpert