AI-Anwendungen bei Discom

Discom entwickelt AI-Features, die die bestehenden, domänenspezifischen Algorithmen zur Fehlererkennung ergänzen. Die AI-Anwendungen basieren auf großen Mengen historischer Messdaten, die im Discom Data Hub (DDH) zentral gespeichert sind. Ziel ist es, wertvolle AI-Funktionen für eine breite Kundenbasis bereitzustellen und diese nach erfolgreicher Evaluierung in die Echtzeitanalyse zu integrieren.

Wesentliche AI-Anwendungen

Anomaly Detection
Unüberwachte Modelle lernen das normale Verhalten von Aggregaten (z. B. Getrieben) anhand von Feature-Vektoren, die aus domänenspezifischen NVH-Kennwerten abgeleitet werden. Abweichungen vom Normalverhalten werden als Anomalien markiert – auch wenn keine expliziten NOK-Beispiele vorliegen. Dies hilft, seltene oder neue Fehlerarten zu erkennen, Konfigurationsfehler aufzudecken und den manuellen Prüfaufwand zu reduzieren.
Setup Optimizer
Die KI unterstützt bei der Optimierung von Prüfparametern und Grenzwerten, indem sie analysiert, welche Merkmale am besten zwischen OK/NOK unterscheiden. So können Prüfprozesse gezielt verbessert werden.
Feature Extraction & Labeling
Rohdaten werden in aussagekräftige Feature-Vektoren umgewandelt. Zusätzlich können Produktionsdaten mit individuellen Labels (z. B. Schadensart) versehen werden, um überwachte Lernverfahren und gezielte Analysen zu ermöglichen.
Monitoring Services & Benachrichtigungen
Intelligente Hintergrunddienste überwachen Produktionsdaten, erkennen Trends, Muster oder Ausreißer und informieren Anwender proaktiv per Push- oder E-Mail-Benachrichtigung.

Technische Besonderheiten

Nutzung von domänenspezifischem Wissen für Feature Engineering.
Einsatz von Methoden wie Isolation Forest, LOF, GMM oder Autoencodern für die Anomalieerkennung.
Integration der KI-Modelle in die DDH-Infrastruktur und WebPal für eine durchgängige Datenanalyse und Visualisierung.

Ihre Vorteile auf einen Blick

Frühzeitige Fehlererkennung: KI-gestützte Anomalieerkennung erkennt Abweichungen vom Normalverhalten.
Optimierte Prüfprozesse: Der Setup Optimizer hilft, Grenzwerte und Prüfparameter gezielt zu verbessern und Ausschuss zu reduzieren.
Proaktive Überwachung: Intelligente Monitoring-Services erkennen Trends und Ausreißer und informieren Sie automatisch.
Nahtlose Integration & Skalierbarkeit: KI-Modelle und das DDH Python SDK ermöglichen durchgängige Datenanalyse und einfache Einbindung in gängige ML-Stacks.
Simulationen vor Umsetzung: „What-if“-Analysen zeigen die Auswirkungen von Grenzwertänderungen, bevor Sie diese produktiv einsetzen.

Haben wir Ihr Interesse geweckt?

Haben Sie Fragen?
Wünschen Sie Beratung?

Kontaktieren Sie uns