English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

Anwendungen für Künstliche Intelligenz stehen in der Produktionstechnik kurz vor der industriellen Nutzung. Für eine Störungserkennung werden bislang feste Eingriffsgrenzen in den Signaldaten definiert. Um eine autonome Störungserkennung ohne feste Eingriffsgrenzen zu entwickeln, werden auf Basis einer Mustererkennung wiederkehrende Bearbeitungssegmente in den Signaldaten detektiert. Im vorliegenden Beitrag wird ein Vorgehen für eine Online-Mustererkennung im NC-Code beschrieben, worauf die erkannten Segmente mit Antriebssignalen verknüpft werden. Das intelligente System erlernt selbstständig individuelle Eingriffsgrenzen, wodurch eine Störungserkennung in Online-Daten des Antriebs ermöglicht wird. Der Anwender kann diese Störungen klassifizieren und bekommt Handlungsempfehlungen ausgegeben.

Intelligente Störungserkennung einer Werkzeugmaschine: Basierend auf Methoden des Maschinellen Lernens