Gemeinsame Veranstaltung LCM | MathWorks | Mechatronik-Cluster

 

Produkt- und Prozessoptimierung durch Model-Based Design und datenbasierte Analyse

 
 

Wir freuen uns Sie am 4. Mai 2023 ab 9:00 Uhr bei uns im Science Park I, Altenbergerstraße 66, 4040 Linz zu dieser kostenlosen Veranstaltung begrüßen zu dürfen. Bitte melden Sie sich bis zum 30.4.2023 an – hier gehts gleich zur Anmeldung

An diesem Tag erfahren Sie, wie Produkt- und Prozessoptimierung mit Model-Based Design und datenbasierter Analyse Sie dabei unterstützen kann, Ihre Produkte effizient zu entwicklen und Ihre Prozesse noch weiter zu verbessern. Dabei wird anhand von ausgewählten Beispielen aus der industriellen Praxis gezeigt, wie diese Methoden in verschiedenen Entwicklungsstufen, vom virtuellen Maschinendesign über virtuelle Inbetriebnahme bis zur Qualitätskontrolle und Zustandsüberwachung, erfolgreich eingesetzt werden.

AGENDA

09:00 Uhr Registrierung und Begrüßungskaffee
09:30 Uhr Begrüßung und Moderation (LCM, Mathworks, Mechatronic Cluster)
09:45 Uhr Entwicklung von Steuerungssystemen für Rettungstreppen der nächsten Generation mit modellbasiertem Design (Alexander Brückl | Rosenbauer)
10:15 Uhr Modellbasierte Simulation und Optimierung eines mehrachsigen Antriebsstranges (Arnold Hießl | LCM)
10:45 Uhr Kaffeepause
11:05 Uhr Virtuelle Maschinenentwicklung mit MATLAB und Simulink (Eva Pelster | Mathworks)
11:50 Uhr Laborführung LCM in 2 Gruppen
12:20 Uhr Mittagspause mit Fingerfood
13:30 Uhr Verkürzung der Entwicklungszeit und Steigerung der Klassifikationsgüte von automatisierten Qualitätsinspektionen durch Nutzung eines datenzentrierten Ansatzes und Deep Learning (Christian Prechtl | Miba Sinter Group)
14:00 Uhr Laborführung LCM in 2 Gruppen
14:30 Uhr Deep Learning in der Praxis: Merkmalbasierte Methoden und neuronale Netze für industrielle Anwendungen auf dem Prüfstand (Sandra Breitenberger, Kurt Pichler | LCM)
15:00 Uhr Netzwerken & Ausklang

Alexander Brückl

Alexander Brückl

Teamleader Controls | Rosenbauer

Entwicklung von Steuerungssystemen für Rettungstreppen der nächsten Generation mit modellbasiertem Design

 

Aufgrund veralteter komplexer Technik wurde die Entscheidung getroffen die Rettungstreppen neu zu gestalten. Ziel war es Entwicklungszeiten zu minimieren, gleichzeitig höchste Sicherheitsstandards einzuhalten und darüber hinaus die Benutzerfreundlichkeit weiter zu verbessern.

Die bisherige mit C-Code programmierte Steuerungs-Architektur passte nicht mehr zum Stand der Technik. Mit Hilfe von Model Based Design konnten wichtige Teile der Inbetriebnahme bereits vorab im Entwicklungsprozess eingebunden werden.

Dadurch war die Software bei der Inbetriebnahme am Fahrzeug bereits sehr ausgereift.

Arnold Hießl

Arnold Hießl

Senior Engineer Electric & Hydraulic Powertrain Design | LCM

Modellbasierte Simulation und Optimierung eines mehrachsigen Antriebsstranges

 

Bei Innovationen spielen optimierte Produkte und kurze Entwicklungszeiten eine entscheidende Rolle.

Dafür ist eine holistische Betrachtung des Entwicklungsprozesses notwendig, die eine Integration unterschiedlicher physikalischer Domänen in der Modellierung als auch die Einbeziehung von Messdaten für Parameteridentifikation und Validierung erfordert.

Im Vortrag wird die domänenübergreifende Modellierung eines Antriebssystems mittels Simscape Fluids & Multibody in Kombination mit einer videounterstützen Messdatenaufbereitung vorgestellt.

Eva Pelster

Eva Pelster

Senior Application Engineer | Mathworks

Virtuelle Maschinenentwicklung mit MATLAB und Simulink

 

Vom ersten Entwurf bis zur Inbetriebnahme profitieren Maschinenbauer vom Einsatz von MATLAB und Simulink um effiziente, zuverlässige und optimierte Anlagen zu entwickeln.

In dieser Präsentation gehen wir darauf ein, wie Sie insbesondere das physikalische Modell der realen Anlage oder Maschine für verschiedene Entwicklungsschritte nutzen können, um z.B.:

  • Anforderungen für das mechanische System zu verfeinern
  • Antriebstrangkomponenten auszulegen
  • Den Entwurfsraum über automatisierte Simulationen zu untersuchen
  • Integrationsprobleme durch Kombination hydraulischer, mechanischer und elektrischer Komponenten zu identifizieren

Im restlichen Entwicklungsprozess können Sie mit dem gleichen Modell, die Überwachungssteuerung auslegen, die Anzahl der Hardware-Tests reduzieren und automatisch Code generieren.

Christian Prechtl

Christian Prechtl

Product Owner - Quality Inspection & Machine Learning | MIBA AG

Verkürzung der Entwicklungszeit und Steigerung der Klassifikationsgüte von automatisierten Qualitätsinspektionen durch Nutzung eines Datenzentrierten Ansatzes und Deep Learning

 

Die automatisierte Qualitätsprüfung von Komponenten in industriellen Produktionsumgebungen ist eine der Hauptanforderungen, um aktuelle Produktivitäts- und Qualitätsziele zu erreichen.

Da herkömmliche regelbasierte Inspektionssysteme diese Anforderungen nur teilweise erfüllen und Forschungsprojekte in der Industrie in diesem Bereich kaum praktikabel sind, hat die MIBA AG ein eigenes Framework für die Qualitätsprüfung ihrer hochwertigen Komponenten entwickelt, um diese Ziele in ihren Produktionsstätten zu erreichen. In diesem technischen Vortrag wird das entwickelte Framework beschrieben und die Ergebnisse diskutiert.

Sandra Breitenberger

Sandra Breitenberger

Senior Engineer Data Analysis & AI | LCM

Deep Learning in der Praxis:

Merkmalsbasierte Methoden und Neuronale Netze für industrielle Anwendungen auf dem Prüfstand

 

Zur Zustandsüberwachung und für Predictive Maintenance liegen Daten, z.B. Vibrationsdaten, häufig in Form von mehrdimensionalen Zeitreihen vor.

Um diese Daten effizient zu analysieren, sind heutzutage Deep-Learning-Methoden nicht mehr wegzudenken.

Daher möchten wir Ihnen die wichtigsten Ansätze (Merkmals- oder „Feature“ basierte Auswertung, Auswertung mit neuronalen Netzen mit/ohne Transformation in den Bildbereich) anhand von Beispielen aus der Praxis vorstellen.

Kurt Pichler

Kurt Pichler

Senior Engineer Data Analysis & AI | LCM

Dabei spielt das Thema Klassifizierung von Zeitreihenabschnitten, die aus verschiedenen Zustandsklassen entstammen, eine große Rolle. Viele einzustellende Parameter, zahlreiche vorliegende Klassifizierungsmethoden, große Datenmengen und lange Laufzeiten zur Auswertung der Daten sind dabei die Challenges.

Verwendete Methoden:

  • Mathworks Statistics und Machine Learning Toolbox
  • Mathworks Deep Learning Toolbox
  • Mathworks Signal Processing Toolbox
  • LCM Feature & Transformation Toolbox

 

Für ihr leibliches Wohl ist gesorgt

 

In den Pausen werden Sie mit Kaffee, Getränken, Brötchen und Kuchen bewirtet. Anschließend an die Veranstaltung haben Sie Gelegenheit, sich bei einem Bier über das Gehörte auszutauschen. Bitte nutzen Sie die Tiefgarage und fahren Sie anschließend mit dem Lift in den ersten Stock des Science Park I.

04. Mai 2023 | 09:00 – 17:00 Uhr

Science Park 1 | Altenbergerstraße 66 | 4040 Linz

Parkplätze stehen zur Verfügung

Fingerfood & Getränke

Veranstaltungsanmeldung

Anmeldung

13 + 7 =

Beachten Sie bitte den Anmeldeschluss am 30.04.2023 und die begrenzte Teilnehmerzahl.

Datenverwendung

 

Mit der Anmeldung zur Veranstaltung am 4.5.2023 erklären Sie sich einverstanden, dass das LCM, Mathworks und Mechatronik Cluster Ihre persönlichen Daten (Vorname, Nachname, E-Mail-Adresse und Unternehmen) austauschen. Ihre Daten können im Nachgang der Veranstaltung genutzt werden, um Ihnen weiter Informationen zukommen zu lassen.