{"id":5715,"date":"2023-05-25T09:02:20","date_gmt":"2023-05-25T08:02:20","guid":{"rendered":"https:\/\/sensxpert.com\/?post_type=blog&p=5715"},"modified":"2025-02-12T13:58:02","modified_gmt":"2025-02-12T12:58:02","slug":"wir-praesentieren-ki-bei-sensxpert","status":"publish","type":"blog","link":"https:\/\/sensxpert.com\/de\/blog\/wir-praesentieren-ki-bei-sensxpert\/","title":{"rendered":"Wir pr\u00e4sentieren: KI bei sensXPERT\u00a0"},"content":{"rendered":"\n

In unseren fr\u00fcheren Artikeln haben wir K\u00fcnstliche Intelligenz (KI), Maschinenlernen (ML)<\/strong><\/a>, Datenwissenschaften<\/strong><\/a> und verschiedene andere relevante Ans\u00e4tze behandelt. Jede neue Entwicklung in den Bereichen KI, ML und Datenwissenschaften, die in unz\u00e4hligen Branchen Anwendung findet, inspiriert die Entwicklung neuer Technologien und Verbesserungsm\u00f6glichkeiten.  <\/p>\n\n\n\n

In unserem letzten Artikel \u00fcber KI bei sensXPERT werfen wir einen genaueren Blick auf unsere Technologie und den Einsatz von KI zur L\u00f6sung von Herausforderungen in der Kunststoffindustrie. <\/p>\n\n\n\n

K\u00fcnstliche Intelligenz in der Kunststoffindustrie <\/strong><\/h2>\n\n\n\n

KI ist in der Kunststoffindustrie auf dem Vormarsch. Ob durch die Erstellung von Prognosen zur Verbrauchernachfrage oder das Aufsp\u00fcren von Prozessabweichungen in Maschinen \u2013 KI kann die Effizienz steigern, Kosten senken, Energiekosten einsparen und eine nachhaltige Produktion erm\u00f6glichen. Die Kunststoffindustrie ist mit einer Reihe von Herausforderungen und Schwierigkeiten konfrontiert, so dass der Einsatz von KI und Maschinenlernen genau zum richtigen Zeitpunkt erfolgt und viele Vorteile bietet.   <\/p>\n\n\n\n

Aktuell werden mehrere KI-L\u00f6sungen entwickelt, um Ineffizienz und Verschwendung zu bek\u00e4mpfen und die Abl\u00e4ufe und nachhaltigen Praktiken in der Kunststoffindustrie zu verbessern. Zu den Beispielen geh\u00f6ren L\u00f6sungen zur Prognose potenzieller Systemausf\u00e4lle, zur Verbesserung der Abl\u00e4ufe in der Lieferkette, zur Simulation nachhaltiger Verpackungsdesigns und zur Ermittlung umweltfreundlicher Kunststoffentsorgung.  <\/p>\n\n\n\n

Bei der Kunststofffertigung<\/em> werden die Fertigungsprozesse durch besondere Herausforderungen erschwert. <\/p>\n\n\n\n

Herausforderungen bei der Verarbeitung und Schwierigkeiten <\/strong><\/h2>\n\n\n\n

Die Kunststoffverarbeitung wird durch verschiedene Probleme im Zusammenhang mit der Prozesstransparenz, Prozessstabilit\u00e4t und Qualit\u00e4tssicherung erschwert. Diese Herausforderungen f\u00fchren in der Regel zu steigenden Energie- und Materialkosten. Dar\u00fcber hinaus stellt die Einf\u00fchrung neuer Materialien wie Bio- und wiederverwendbare Kunststoffe eine weitere Herausforderung f\u00fcr etablierte Verfahren dar. Neue Technologien sind daher unerl\u00e4sslich, um die Bedenken und Herausforderungen in der Branche zu \u00fcberwinden.    <\/p>\n\n\n\n

Erkennen von M\u00e4ngeln und deren Ursachen<\/em><\/strong><\/h3>\n\n\n\n

Ein Fertigungsprozess beinhaltet in der Regel eine Qualit\u00e4tskontrolle vor und nach der Fertigung eines Teils. Die mangelnde Transparenz w\u00e4hrend<\/em> der Verarbeitung erschwert es bei der Qualit\u00e4tssicherung, den Ursprung und die Ursache von Teilefehlern festzustellen. Au\u00dferdem k\u00f6nnen in der Zeit bis zur Feststellung von M\u00e4ngeln, mehrere mangelhafte Teile gefertigt worden sein. Auf diese Weise kann eine eingeschr\u00e4nkte Transparenz zu Materialverschwendung und unn\u00f6tigen Energieverbrauch f\u00fchren. <\/p>\n\n\n\n

Qualit\u00e4tsschwankungen und Materialabweichungen<\/em><\/strong><\/h3>\n\n\n\n

Das Materialverhalten ist von einer Vielzahl von Einflussfaktoren abh\u00e4ngig und kann starken Schwankungen unterliegen. Zu den h\u00e4ufigsten Faktoren geh\u00f6ren Abweichungen zwischen Produktionschargen, Temperaturschwankungen, Transport, Lagerung, Alterung und viele mehr. Entsprechend der vorangegangenen Herausforderung sind Abweichungen und Qualit\u00e4tsschwankungen ohne prozessbegleitende Transparenz nur schwer zu erfassen.    <\/p>\n\n\n\n

Die \u201eBlack Box\u201c der Fertigung<\/em><\/strong><\/h3>\n\n\n\n

Die oben genannten Herausforderungen stellen eine gro\u00dfe H\u00fcrde dar, da es sich beim Formgebungsprozess um eine \u201eBlack Box\u201c handelt. Die Verarbeiter haben vor dem Fertigungsprozess Einblick in das Material und nach dem Prozess Einblick in das gefertigte Teil. Das, was dazwischen liegt, kann als eine Art \u201eBlack Box\u201c betrachtet werden. In der Industrie fehlt es an einem Echtzeitverst\u00e4ndnis des Materialverhaltens und der Bedingungen im Werkzeug w\u00e4hrend der Formgebung.   <\/p>\n\n\n\n

Gl\u00fccklicherweise sind neue Technologien mit KI-F\u00e4higkeiten auf dem Vormarsch und in der Lage, die aufgezeigten Herausforderungen zu bew\u00e4ltigen.   <\/p>\n\n\n\n

sensXPERT Digital Mold<\/strong> <\/h2>\n\n\n\n

Die sensXPERT Digital Mold ist so eine Technologie, \u00fcber die Sie in diesem Artikel<\/strong><\/a> mehr erfahren k\u00f6nnen. <\/p>\n\n\n\n

\u201eF\u00fcr die meisten Unternehmen in der Kunststoffverarbeitung sind die Einf\u00fchrung und die Vorteile von KI nicht offensichtlich. Bei sensXPERT verbinden wir Materialwissenschaften und Prozessdaten \u00fcber Maschinenlern-Algorithmen und erweitern deren Anwendungsbereich kontinuierlich durch Deep Learning. Die Vielzahl der Parameter in der Fertigung \u00fcberfordert unsere menschliche Denkweise. Hier zeigt die KI ihr Potenzial, visualisiert verborgene Zusammenh\u00e4nge und schafft in k\u00fcrzester Zeit einen Mehrwert.\u201c<\/em> <\/p>\n\n\n\n

– Dr. Alexander Chaloupka<\/em><\/p>\n\n\n\n

Die sensXPERT Prozesssteuerungsl\u00f6sung der NETZSCH Process Intelligence GmbH hat das Ziel, Kunststoffverarbeiter mit Echtzeit-Prozessdaten und Materialcharakterisierung zu versorgen, um Einblicke in den laufenden Formgebungsprozess zu erhalten und Prozessergebnisse vorherzusagen. Auf diese Weise k\u00f6nnen Verarbeiter eine Qualit\u00e4tskontrolle f\u00fcr jedes gefertigte Teil durchf\u00fchren, die Zykluszeiten verk\u00fcrzen und gleichzeitig von niedrigeren Kosten, weniger Materialabfall und einer insgesamt nachhaltigeren Fertigung profitieren.   <\/p>\n\n\n\n

Eine wesentliche St\u00e4rke von sensXPERT Digital Mold liegt in der F\u00e4higkeit F\u00e4higkeiten des Maschinenlernens.<\/p>\n\n\n\n

Die M\u00f6glichkeiten des Maschinenlernens<\/em><\/strong><\/h3>\n\n\n\n

Wie Sie sich vielleicht aus unserem ersten Artikel der Blogserie<\/strong><\/a> erinnern, ist das \u00fcberwachte Lernen ein Ansatz im Maschinenlernen. Ein \u201e\u00dcberwacher\u201c gibt die gew\u00fcnschten Ergebnisse vor und gibt einer Maschine kontinuierlich R\u00fcckmeldungen, die dadurch lernt, Muster und Zusammenh\u00e4nge abzuleiten. Bei sensXPERT verwenden wir den Ansatz des \u00fcberwachten Lernens, um unsere ML-Modelle zu trainieren. <\/p>\n\n\n\n

Und was bedeutet das nun?<\/em> <\/p>\n\n\n\n

sensXPERT Digital Mold beinhaltet eine ML-basierte Technologie, die mit Hilfe von pr\u00e4diktiven Algorithmen die Ergebnisse des Produktionszyklus prognostizieren kann. Die L\u00f6sung umfasst im Wesentlichen vier Elemente: <\/p>\n\n\n\n