Zuverlässige Fehlererkennung in Produktion und Entwicklung
Sounce ermöglicht eine automatische Erkennung von unerwünschten Geräuschen in Echtzeit, zum Beispiel zur Fehlererkennung während des Montageprozesses, bei End-of-Line-Stationen oder auch an Entwicklungsprüfständen. Durch die lückenlose Überwachung und Prüfung werden Mängel erkannt und dokumentiert, die ansonsten unentdeckt bleiben.
Fünf Schritte zur KI-basierten Geräuscherkennung
Wie funktioniert Sounce?
Nutzungsbasiertes Angebotsmodell basierend auf Software-as-a-Service-Lösung. Die modulare Cloud-Infrastruktur ermöglicht einen flexiblen Einsatz in verschiedenen Anwendungsszenarien mit nutzungsbasierter Abrechnungsmöglichkeit.
Wo kann Sounce eingesetzt werden?
- Prüfung auf Funktionalität
Detektion von Anomalien bei bewegten Komponenten und Systemen in Serie. Werkstoffprüfung
Selbstlernende und automatisierte Prüfung von Werkstoffen mittels Vibrationsmessung.Akustikbewertung
Kombination aus klassischen Verfahren mit Deep Learning zur zuverlässigen Erkennung von Störgeräuschen.
Produktübersicht
Beratung zur Auswahl der richtigen Lösungsmethode, Unterstützung durch Operations Know How für die Serienanwendung - Initiale Analyse bestehender Daten.
Zu Beginn unserer Projekte steht eine unverbindliche Information zum möglichen Einsatz von Sounce an Ihren Prüfständen. Wir unterstützen Sie dabei aus Ihren bestehenden Daten Zusammenhänge abzuleiten um Rückschlüsse auf Schäden oder Mängel herzustellen.
Sie haben In-House KI-Kompetenz und sind selbst in der Lage Modelle zu entwicklen, zu trainieren und auf Ihre spezifischen Use Cases anzupassen?
Sounce bietet Ihnen die Möglichkeit, aus Ihren KI-Modellen eine funktionsfähige Software-as-a-Service Lösung zu machen, die schnell und unkompliziert in Ihre Prozesse integriert werden kann.
Zusätzlich können Sie von unserem KI Anwendungs-Know-How profitieren und die Genauigkeit Ihrer KI Modelle in der Applikation am Prüfstand steigern.
Sie haben bereits bestehende Prüfprozesse mit fest definierten Grenzen? Sounce bietet Ihnen die Möglichkeit diese festen Grenzen um automatisch selbstlernende Grenzen zu erweitern.
Von der Modellentwicklung über das Modelltraining mit Ihren Daten bis hin zur Anwendung und Überwachung deckt Sounce alle Funktionen für den Einsatz in der Produktion ab.
Anwendungsfälle
Prüfung auf Funktionalität
Software zur Qualitätssicherung muss zuverlässig sein und sich gleichzeitig flexibel und schnell neuen Anforderungen anpassen können.
Sounce ermöglicht eine intelligente Überwachung von mechanischen Bauteilprüfungen beispielsweise bei der Prüfung von Bewegungen, Positionierung oder Ausrichtungen. Durch das aktiv lernende System werden auch neu auftretende Fehler rechtzeitig und präzise detektiert. Durch den Einsatz von Deep Learning wird die aufwendige Definition manueller Grenzwerte vermieden und neue Erkenntnisse zu Fehlermerkmalen und deren Ursache erlangt.
Werkstoffprüfung
Mittels diverser Prüfverfahren wird die Qualität und das Verhalten von Materialien ermittelt, um eine hochwertige Verarbeitung sicherzustellen.
Häufig steht eine große Menge an Prüfdaten und Prozessparametern zur Verfügung, ohne dass Korrelationen zur Werkstoffqualität direkt erkennbar sind. Die nachfolgende zerstörende Prüfung ist teuer und zeitaufwendig.
Mit Sounce können Informationen unterschiedlicher Datenquellen schnell und effektiv gesammelt, analysiert und anschließend Fehler und Mängel automatisiert erkannt werden. Dabei wertet das selbstlernende System Prüfvorgänge aus, welche über die Webapplikation auch remote überwacht werden können. Mögliche Einsatzzwecke sind beispielsweise die Überwachung von Schweiß-, Fräs- oder Spritzgussverfahren.
Akustikbewertung
Die Prüfung und Einhaltung von akustischen Qualitätsmerkmalen wird zunehmend wichtiger. Dabei ist die Definition von Bewertungssystemen für einzelne Störgeräusche oder Indikatoren komplex und zeitaufwendig.
Sounce ermöglicht Akustikprüfungen ohne eine vorherige Eingrenzung und Spezifizierung der zu erkennenden Anomalien. Beispielsweise bei drehzahlabhängigen Auswertungen bietet die Kombination aus klassischen Analyseverfahren mit Deep-Learning-Methoden neue Möglichkeiten, Störgeräusche zuverlässig zu erkennen und ihnen ihrer Fehlerursache zuzuordnen.