eAward 2019: Kategorie "Industrie 4.0" Featured

eAward 2019: Kategorie "Industrie 4.0" Foto: iStock/SeventyFour

Die Nominees der Kategorie „Industrie 4.0“. Wir gratulieren allen EinreicherInnen! Die GewinnerInnen werden am 31. Jänner in Wien bekannt gegeben.



Bild: Screenshot der Moonvision-Plattform

The MoonVision GmbH, Audi AG
Projekt: Automatisierung der Logistik von Audi - Computer Vision in der Prozessoptimierung des Container Managements

Die Plattform von MoonVision automatisiert Abläufe in den unterschiedlichsten Anwendungsszenarien und spart Unternehmen dadurch nicht nur wertvolle Zeit, sondern steigert gleichzeitig deren Qualitätsprozess - wie zum Beispiel durch die Erkennung von Leergutbehältern in der Produktion von Audi. Über den Einsatz von Artificial Intelligence in der Computer Vision hat das Wiener Startup ganz aktuell eine effiziente und kostengünstige Lösung gefunden, um den aktuellen Leercontainerbestand – unter Berücksichtigung unterschiedlicher Behälterarten – vollkommen automatisiert zu melden. Mithilfe automatischer Snapshots, Clustering und unterschiedlichen Object-Mining-Methoden wird ein schneller Überblick über alle Container gewährleistet. Durch die Automatisierung der Logistik im Leercontainer-Managements trägt MoonVision in Summe dazu bei, den Produktionsbetrieb bei Audi massiv zu beschleunigen.

https://moonvision.io und Video zur Oberflächenerkennung




CARGOMETER GmbH
Projekt: Cargometer - Frachtvermessung on-the-fly

CARGOMETER bietet Frachtvermessung „on-the-fly“ am fahrenden Gabelstapler: Abmessungen, Gewicht und Barcode (2D-Codes) der Packstücke werden direkt beim Durchfahren des Ladetors erfasst und digitalisiert an das Kundensystem übergeben. Gegenüber der derzeit üblichen stationären Vermessung oder jener per Hand bleibt der Arbeitsfluss ohne Stopps erhalten. In der Stückgutlogistik werden zurzeit 15 % aller transportierten Paletten in zu niedrige Tarifgruppen eingeordnet. Mit Verfügbarkeit der Volumeninformation können Frachten korrekt verrechnet werden. Darüber hinaus können erstmalig die Auslastung der europaweiten Stückgutnetzwerke auf Grundlage von realen Daten optimiert werden, was zu massiven Kosteneinsparungen und zu einer deutlichen Verringerung der Umweltbelastung führen wird.

www.cargometer.com und YouTube-Kanal




Bild: © thyssenkrupp

Zühlke Engineering Austria GmbH, thyssenkrupp elevator
Projekt: HoloLinc

Bei HoloLinc gehen thyssenkrupp und Zühlke vollkommen neue Wege bei der Verwendung der Microsoft HoloLens. Erstmals wird die Mixed-Reality-Brille auch als Messinstrument eingesetzt und haben gemeinsam die erste industriell genutzte Anwendung der HoloLens geschaffen. Der Sales Process mit HoloLinc startet mit dem Ausmessen der Treppe mittels einer Microsoft HoloLens. thyssenkrupp und Zühlke gehen davon aus, dass dies den Sales Managern rund eine Stunde an Arbeitszeit im Vergleich zur bisherigen Vermessungsmethode spart. Anschließend kann der Kunde den Lift gemeinsam mit dem Sales Manager auf dem iPad konfigurieren und dank Mixed Reality auf seiner eigenen Treppe betrachten. Möchte der Kunde die Treppe bestellen, können die Daten auf Knopfdruck ins Microsoft Azure Backend und von dort an die Produktion übermittelt werden.

www.thyssenkrupp-elevator.com und Video




Software Competence Center Hagenberg GmbH sowie die Forschungs- und Projektpartner Fronius International, ENGEL Austria, RUBBLE MASTER HMH, H&H Systems, Messfeld, Montanuniversität Leoben - Lehrstuhl für Wirtschafts- und Betriebswissenschaften, BMW Motoren, BRP Rotax, ISW Industriesoftware
Projekt: Predictive Analytics Message Board

Das Software Competence Center Hagenberg (SCCH) hat ein „Predictive Analytics Message Board“ entwickelt, das als Basis für die Überwachung sowie frühzeitige Detektion und Analyse von Fehlern in Maschinen, Produktionsanlagen, Baumaschinen, Bankomaten, Photovoltaik-Anlagen etc. dient. Eine große Anzahl von Maschinen und Maschinenkomponenten kann dadurch kontinuierlich überwacht und auftretende Fehler priorisiert werden. Das „Predictive Analytics Message Board“ ist mit verschiedenen Methoden, hauptsächlich aus der datenbasierten Modellierung (Analyse lokaler Sensordaten, Vergleich mit ähnlichen Maschinen), aber auch mit anwendungsabhängigen, modellbasierten Ansätzen, ausgestattet. Durch vorausschauende Instandhaltungsstrategien (Predictive Maintenance) können die Anlagenverfügbarkeit erhöht, Stillstände reduziert und Material- und Energiekosten eingespart werden.

www.scch.at/de/das-themen-details/fdi (Text und Video)



Bild: Visual Analytics bei der Arbeit

VRVis Zentrum für Virtual Reality und Visualisierung Forschungs-GmbH, RHI Magnesita
Projekt: Prozessoptimierung durch visuelle Analyse von Massendaten – Neue Erkenntnisse aus Qualitätsdaten auch für nicht-Data Scientists

Feuerfest-Produkte von RHI Magnesita müssen höchsten Qualitätsstandards entsprechen, regelmäßige Qualitätskontrollen sind ein zentraler Bestandteil des Produktionsprozesses. Im Zuge der Digitalisierung werden vollautomatisch für jeden produzierten Stein viele verschiedene Parameter ermittelt. Aus den Daten lässt sich ein ganzheitliches Bild über den Stand und Verlauf der Produktqualität ableiten. Durch die vollautomatisierte Datensammlung steigt jedoch die Menge und Komplexität der Daten. Handelsübliche Statistikprogramme reichen hier nicht aus, um das volle Potential der Daten auszuschöpfen. VRVis hat für RHI Magnesita ein Datenanalysetool entwickelt, welches intuitive Oberflächen und maßgeschneiderte Analyselösungen verbindet. So haben auch Nicht-Data-Scientists verständlichen Zugang zu den Produktionsdaten und den darin verborgenen Erkenntnissen. Flexibel kombinierbare Visualisierungen erlauben dem Qualitätsmanagement seitdem einen völlig neuen Dialog mit ihren Daten – tiefergehend als herkömmliche Business-Intelligence-Lösungen und zugänglicher als allgemeine Statistiksoftware.

www.vrvis.at/research/projects/en2va/ und Video




Bild: Das Team hinter Smart Inspection

Wien Energie GmbH, Birds.ai, Skyability
Projekt: Smart Inspection

Smart Inspection erforscht den Wert der intelligenten Drohneninspektion für die Geschäftsprozesse der Wien Energie. Die Inspektion von Kraftwerksanlagen gestaltet sich oft schwierig und langwierig mit teils kostspieligen Stillstandszeiten. Durch den Einsatz von Drohnen kombiniert mit automatisierter Fehlerdetektion können unter anderem die Arbeitssicherheit erhöht und Stillstands- sowie Ausfallzeiten minimiert werden. An der Drohne befestigte hochauflösende Kameras produzieren eine große Anzahl an Bildern beziehungsweise Daten, die in der Folge analysiert und ausgewertet werden können. Die Bilder und Rohdaten werden mittels unterschiedlicher Algorithmen und Hochleistungsrechner auf ein entsprechendes Maß reduziert. Im Anschluss werden die Daten unter Einsatz von künstlicher Intelligenz durchsucht und mögliche Schäden aufgezeigt. Darüber hinaus werden diese reproduzierbaren Daten über die Jahre archiviert und als Basis für Zustandsvergleiche herangezogen. Veränderungen an den Oberflächen und im oberflächennahen Inneren können so über lange Zeiträume festgestellt, dokumentiert und klassifiziert werden.

https://www.wienenergie.at/drohne 

Last modified onSonntag, 13 Januar 2019 20:01
back to top