top of page
Welle_Biegerichtmaschine
PROgress_Risserkennung_Logo

Risserkennung für zuverlässige Qualität in der Fertigung

Mit dem Risserkennungssystem PROgress behalten Sie jederzeit den Überblick über Ihren Fertigungsprozess - von der Überwachung über die Steuerung bis hin zur Optimierung.

 

Das System arbeitet auf der Grundlage der Körperschallanalyse. Die zuverlässige Erkennung von Rissen und Fehlern kann sowohl durch klassische Algorithmen als auch durch modernste KI Methoden erfolgen.

 

Sie verfolgen alles in Echtzeit. PROgress bietet außerdem wertvolle Übersichten in Form von Statistiken und Dashboards mit aktuellen sowie historischen Mess- und Prozessdaten.

Die Vorteile des PROgress

  • Inline und Echtzeit Risserkennung im laufenden Prozess ohne zusätzliche Schritte

  • Multidimensionale Risserkennungsalgorithmen

  • Selbstoptimierende, intelligente Risserkennungsparameter

  • Prozessoptimierung basierend auf Rissdaten und KI

  • Transparenter Entscheidungsprozess

  • Verständliche, physikalisch fundierte Funktionsweise

  • einfache und übersichtliche Bedienung

  • offene Schnittstellen und Datenformate

  • wartungsarm und sicher durch automatisierte Selbsttests

konstant bestmögliche Qualität

weniger

Ausfallzeiten

Reduktion von Ausschuss

Optimierung von Produktions-parametern

Das PROgress Softwarepaket

Live Software

  • zeichnet den Körperschall aus dem Produktionsprozess 24/7 auf

  • kommuniziert mit Maschine über IOs

  • bewertet Signale und gibt Status (iO/niO) aus

  • Bedienung über Touchscreen, Web & Desktop möglich

  • einfache, übersichtliche GUI stellt nur wenige, relevante Infos dar

  • zwei Benutzerstufen (Bediener und Experte)

  • speichert Features und Bewertungen in Postgres Datenbank

  • speichert Rohdaten lokal oder in DB

  • lädt Bewertungs-Rezepte aus Datenbank

  • manuelle und automatische Selbsttests

Analyse Software

Analyse_Risserkennung
  • Darstellung der Produktionsdaten

  • Darstellung der Rohdaten inkl. Transienten

  • Darstellung der Spektrogramme

  • Darstellung der Bewertungsfeatures in Histogrammen

  • Auswahl geeigneter Bewertungsgrenzen (manuell oder als automatischer Vorschlag)

  • Export der Bewertungs-Settings in Postgres

  • Testen beliebiger Bewertungs-Settings an historischen Daten

bottom of page