Maschinelles Lernen für intelligentes Monitoring in der Tribologie

Maschinelles Lernen für intelligentes Monitoring in der Tribologie

Maschinelles Lernen bzw. Künstliche Intelligenz zählen zu den Megatrends der nächsten 10 Jahre . Die verschiedenen Möglichkeiten diese Technologien einzusetzen und die daraus entstehende Potenziale sind enorm. Vor allem in Bereichen, wo eine physikalische Modellbeschreibung auf Grund der Komplexität oder der Datenmenge nicht zielführend ist (Steuerung und Analyse im Mobilitätsbereich – Autonomes Fahren, Überwachung von Prozessen in der produzierenden Industrie). Ziel des Projektes ist die Darstellung des Potenzials von maschinellen Lernverfahren zur Online Überwachung von Gleitlagern. Durch die Kombination von neuen nicht-invasiven Sensoren (DISS) mit maschinellen Lernverfahren soll ein möglicher frühzeitiger Totalausfall von Gleitlagern vorhergesagt werden.

Male4Tri
©
DISS

Details

Projektzeitraum 01.01.2018 - 30.09.2019
Fördergeber Bundesländer (inkl. deren Stiftungen und Einrichtungen)
Förderprogramm Land NÖ Wissenschaft - Forschung
Department

Department für Integrierte Sensorsysteme

Zentrum für Mikro- und Nanosensorik

Projekt­verantwortung (Donau-Universität Krems) Dipl.-Ing. Dr. Harald Steiner
Projekt­mitarbeit Dr. Thomas Glatzl, MSc
Zum Anfang der Seite

 

Zum Glossar

Diese Website verwendet Cookies zur Verbesserung Ihrer Nutzererfahrung, für analytische Zwecke zur Optimierung unserer Systeme und für Marketingmaßnahmen. Indem Sie auf „OK" klicken bzw. die Website weiter verwenden, stimmen Sie der Cookie-Nutzung zu. Mehr Information zum Datenschutz.

OK