Show simple item record

dc.contributor.authorSchmid, Philipp A. E.
dc.date.accessioned2022-06-02T14:21:48Z
dc.date.available2022-06-02T14:21:48Z
dc.date.issued2022-06-02
dc.identifier.citationsmart maintenance insightsen_US
dc.identifier.urihttps://yoda.csem.ch/handle/20.500.12839/1024
dc.description.abstractViele produzierende Betriebe haben begonnen Daten von Maschinen und Prüfgeräten zu speichern. Oft lokal auf verschiedenen Computern in unterschiedlichen Formaten und Tabellen. Fallende Preise und die einfache Handhabung von IoT-Gateways ermöglichen die Anbindung an die Cloud. Die Daten verweilen nicht länger in verteilten Silos, sondern werden entlang gesamter Wertschöpfungsketten und standortübergreifend aggregiert. Doch was nun? Wie kann ich einen echten Wettbewerbsvorteil aus den Daten ziehen ohne bloss einen gigantischen Datenmüllberg anzuhäufen? Bei «Predictive Quality» liegt der Fokus weniger auf der optimierten Instandhaltung, sondern vielmehr auf der Prozessüberwachung und Optimierung der Qualität. Ziel ist es, frühzeitig kleinste Abweichungen über die komplette Produktionslinie zu identifizieren und somit eine konstante Produktionsleistung und vor allem einwandfreie Qualität zu produzieren.en_US
dc.language.isodeen_US
dc.subjectPredictive Qualityen_US
dc.subjectDeep Learningen_US
dc.subjectPredictive Maintenanceen_US
dc.titlePredictive Qualityen_US
dc.typeConferenceen_US
dc.type.csemdivisionsDiv-Ren_US
dc.type.csemresearchareasData & AIen_US
dc.type.csemresearchareasIndustry 4.0en_US


Files in this item

Thumbnail

This item appears in the following Collection(s)

  • Research Publications
    The “Research Publications” collection provides bibliographic information for scientific papers including conference proceedings and presentations.

Show simple item record