Advanced NDT
인더스트리 4.0 관련 테스트의 범위에서는 다양한 소스에서 방대한 양의 프로세스 데이터가 축적되고 분석되어야 합니다. 이미 결정된 매개변수나 추가로 측정된 매개변수로부터 추가 정보를 얻기 위해 적절한 방법을 적용할 수 있습니다. 프라운호퍼 IKTS는 기존 및 새로운 NDT 방법을 최적화하여 고객이 이 귀중한 정보를 어떻게 사용할 수 있는지 보여줍니다.
인더스트리 4.0 관련 테스트의 범위에서는 다양한 소스에서 방대한 양의 프로세스 데이터가 축적되고 분석되어야 합니다. 이미 결정된 매개변수나 추가로 측정된 매개변수로부터 추가 정보를 얻기 위해 적절한 방법을 적용할 수 있습니다. 프라운호퍼 IKTS는 기존 및 새로운 NDT 방법을 최적화하여 고객이 이 귀중한 정보를 어떻게 사용할 수 있는지 보여줍니다.
패턴 인식을 통해 테스트 대상은 측정 신호, 예를 들어 능동적 또는 수동적으로 획득한 음향 신호, 이미지 또는 온도 값과 같은 기타 매개변수를 통해 분류할 수 있습니다. 이러한 데이터에 "기어에 결함이 없습니다" 또는 "밸브가 수명의 80%에 도달했습니다"와 같은 의미를 부여하는 것이 패턴 인식에서의 주된 특징 입니다.
프라운호퍼 IKTS는 패턴 인식 분야에서 풍부한 경험을 보유하고 있습니다. 개발된 알고리즘은 이미 기계 공학, 자동차, 유리, 종이, 섬유, 시계 및 시계 제조 산업과 같은 다양한 응용 분야에서 성공적으로 테스트 및 사용되었습니다.
인공 지능의 하위 영역인 머신 러닝은 기존의 대규모 데이터 집합에서 학습하는 프로세스입니다. "암기적인 학습"이 아니라 알려진 예제, 훈련 데이터의 패턴과 규칙성을 인식하여 프로세스가 수행됩니다. 훈련 과정에서 일반화된 모델이 만들어지고 관찰되지 않은 새로운 데이터를 분류하는 데 사용할 수 있습니다.
프라운호퍼 IKTS는 심층 신경망(DNN) 교육을 위한 딥 러닝, HMM(은닉 마르코프 모델)을 위한 EM(Expectation-Maximization) 알고리즘 또는 SVM(서포트 벡터 머신)을 위한 볼록 최적화와 같은 특수 기계 학습 프로세스를 사용합니다. 예를 들어, 동일한 부품 또는 유사한 부품의 추가 시리즈에 대해 특수 교육 소프트웨어를 사용하면 새 모델을 쉽게 학습할 수 있습니다.
유지 보수, 수리 및 운영(MRO):