DeepQuality

DeepQuality – Einsatz von robusten Deep-Learning-Methoden zur automatischen Qualitätsbewertung von Stahlprodukten

DeepQuality zielt darauf ab, die automatische Qualitätsbewertung von Stahlprodukten durch einen ganzheitlichen Ansatz zu verbessern, der Deep-Learning-Technologie mit einem ausgefeilten Management der zugrunde liegenden Trainingsdaten kombiniert, um die optimale Nutzung aller verfügbaren Datenquellen zu ermöglichen und gleichzeitig die Konfigurierbarkeit und Wartbarkeit des bisherigen Entscheidungsunterstützungssystems zu vereinfachen.

Dies Projekt kombiniert Deep-Learning-Technologie mit einem ausgefeilten Management der zugrundeliegenden Trainingsdaten und besteht aus den folgenden Konzepten, die einen menschenzentrierten Lebenszyklus für die robuste industrielle Anwendung von Deep-Learning-Qualitätsmodellen realisieren.

  • Produktionsdaten-Pipelines
  • Industrielles Management von Trainingsdaten
  • Robuste Anwendung von Deep Learning Techniken
  • Online-Anwendung von DL-Qualitätsmodellen

 

Siehe auch

INCERV – Keramische Heißgasventilatoren

Ausgangssituation: Einsatz metallischer Ventilatoren aufgrund hoher Temperaturwerte in Industrieöfen nur begrenzt möglich. Aufgrund der Kriechverformung muss die Drehzahl metallischer Ventilatoren […]

REDERS – Reduzierte CO2-Emissionen durch Erhöhung der Recyclingquote bei der Stahlherstellung

Zielsetzung des vom Land NRW geförderten und im August 2021 gestarteten Vorhabens ist es, durch einen erhöhten Einsatz von eisenhaltigem […]

VEIK – Verbesserung der Wärmebehandlung und Erwärmung in Industrieöfen durch Einsatz neuer innovativer keramischer Heißgasven

Ausgangssituation Metallische Ventilatoren sind in Thermoprozessanlagen nur bis ca. 600…800°C nutzbar Zur Wärmebehandlung sind zwei Ofentypen erforderlich, einer für Temperaturwerte […]

CheckSIS –
Performance assessment
for automatic surface
inspection systems

Initial situation In modern steel production, automatic surface inspection systems (ASIS) are commonly used to detect and classify surface defects […]