... newer stories
Donnerstag, 26. September 2019
Neue bürstenlose Flachmotoren von DELTA LINE treffen auf ständigen Miniaturisierungsdrang
bodohann, 19:23h
DELTA LINE bietet die europaweit einzigartige Vertriebsplattform für Antriebslösungen weltweit führender Marken an und bietet nun auch mit der BLW-Reihe von Fulling ein Sortiment an kompakten, bürstenlosen Flachmotoren mit Durchmessern von 20 bis 90 mm an. Die BLW-Reihe wurde entwickelt, um den Bedarf an Antriebslösungen in einem immer kleineren Format zu decken.Ein komplettes Sortiment an bürstenlosen Flachmotoren von DELTA LINE mit Durchmessern von 20 bis 90 mm.
Miniaturisierung ohne Leistungsminderung - mit der Einführung der BLW-Reihe stellen sich DELTA LINE und Fulling dieser Herausforderung. Robotertechnik, Medizintechnik, Laborgeräte, Landwirtschaft, Textilindustrie - nahezu alle Märkte und Anwendungen fordern eine gesteigerte Leistung mit einem kleineren Arbeitsbereich. Für diese Sektoren wurde eine komplette Reihe an bürstenlosen Flachmotoren mit Außenläufern und einer Dauerleistung von 3 bis 130 W entwickelt.
Durch ihre mehrpolige Auslegung mit Außenläufern erreichen die BLW-Motoren ein Dauerdrehmoment von bis zu 0,46 Nm (90mm Durchmesser Variante). Somit eignen sie sich ideal für Anwendungen, wo die Leistungsdichte zu den wichtigsten Auswahlkriterien zählt. Das umfassende Sortiment an BLW-Flachmotoren von DELTA LINE (Anteilseigner von Fulling) besteht aktuell aus acht Modellen mit Durchmessern von 20, 32, 45, 60 und 90 mm, die in den kommenden Monaten voraussichtlich erweitert werden.
Neben ihrer beispiellosen Leistungsdichte bieten bürstenlose BLW-Flachmotoren dank ihrer hohen Polzahl und des Designs des Außenrotors einen signifikanten Mehrwert für die Robotikanwendung mit einer geringeren Drehmomentwelligkeit als herkömmliche Motoren.
DELTA LINE bietet ein umfassendes Sortiment mit acht Motoren der BLW-Reihe. Der 20BLW14 ist mit einem Durchmesser von 20 mm und einer Länge von 14 mm, einem Nenndrehmoment von 7,5 mNm und einer Nennleistung von 3 W der kleinste Motor der Reihe. Der 90BLW27 hat als größter Motor der Reihe einen Durchmesser von 90 mm, eine Länge von 27 mm, ein Nenndrehmoment von 460 mNm und eine Nennleistung von 130 W.
Miniaturisierung ohne Leistungsminderung - mit der Einführung der BLW-Reihe stellen sich DELTA LINE und Fulling dieser Herausforderung. Robotertechnik, Medizintechnik, Laborgeräte, Landwirtschaft, Textilindustrie - nahezu alle Märkte und Anwendungen fordern eine gesteigerte Leistung mit einem kleineren Arbeitsbereich. Für diese Sektoren wurde eine komplette Reihe an bürstenlosen Flachmotoren mit Außenläufern und einer Dauerleistung von 3 bis 130 W entwickelt.
Durch ihre mehrpolige Auslegung mit Außenläufern erreichen die BLW-Motoren ein Dauerdrehmoment von bis zu 0,46 Nm (90mm Durchmesser Variante). Somit eignen sie sich ideal für Anwendungen, wo die Leistungsdichte zu den wichtigsten Auswahlkriterien zählt. Das umfassende Sortiment an BLW-Flachmotoren von DELTA LINE (Anteilseigner von Fulling) besteht aktuell aus acht Modellen mit Durchmessern von 20, 32, 45, 60 und 90 mm, die in den kommenden Monaten voraussichtlich erweitert werden.
Neben ihrer beispiellosen Leistungsdichte bieten bürstenlose BLW-Flachmotoren dank ihrer hohen Polzahl und des Designs des Außenrotors einen signifikanten Mehrwert für die Robotikanwendung mit einer geringeren Drehmomentwelligkeit als herkömmliche Motoren.
DELTA LINE bietet ein umfassendes Sortiment mit acht Motoren der BLW-Reihe. Der 20BLW14 ist mit einem Durchmesser von 20 mm und einer Länge von 14 mm, einem Nenndrehmoment von 7,5 mNm und einer Nennleistung von 3 W der kleinste Motor der Reihe. Der 90BLW27 hat als größter Motor der Reihe einen Durchmesser von 90 mm, eine Länge von 27 mm, ein Nenndrehmoment von 460 mNm und eine Nennleistung von 130 W.
... link (0 Kommentare) ... comment
Neue «Rotary»-Verschlusskombination von Southco für die einfache Installation und ein verbessertes Industriedesign
bodohann, 19:18h
Southco hat seine erfolgreiche Produktlinie der «Rotary»-Verschlusslösungen erweitert und den R4-82 «Rotary»-Schnappriegelverschluss mit Griffmulden-Betätigung eingeführt.
Die neueste Erweiterung der R4-Serie der «Rotary»-Schnappriegelverschlüsse kombiniert einen kompakten «Rotary»-Schnappriegelverschluss mit einer hochbelastbaren Griffmulde, die eine direkte Betätigung ohne Verbindung mit einem Bowdenzug ermöglicht.Der R4-82 ist in Stahl mit korrosionsbeständiger Zinkbeschichtung oder mit schwarz pulverbeschichteter Oberfläche erhältlich und bietet eine flexible und sichere Zylinderschloss-Option. Durch Kombination von «Rotary"-Schnappriegelverschluss und Betätigungselement in einer Lösung lässt sich der R4-82 leicht installieren, ohne an Festigkeit oder Leistung einzubüßen. Mit seiner hohen Traglast für Einsatzbereiche mit hoher Belastung und der optionalen Installation mit Montagebohrung oder durch Bolzenmontage ist der R4-82 eine hervorragende Lösung für Außenanwendungen, die eine stabile Leistung erfordern. Der R4-82 «Rotary» Schnappriegelverschluss verfügt über einen integrierten Stoßdämpfer, der die Vibration verringert. Er ist mit einer einstufigen oder zweistufigen Schließfunktion zur Verbesserung von Sicherheit und Schutz erhältlich.
Global Product Manager Cynthia Bart ergänzt: «Der R4-82 «Rotary» Schnappriegelverschluss mit Griffmulden-Betätigung ist eine Komplettlösung, die Design und Installation erleichtert. Der R4-82 baut auf den bestehenden «Rotary»-Verschlusslösungen auf, verfügt jedoch über eine neu gestaltete quadratische Griffmulde, die eine ideale Ergänzung für das moderne Außendesign von Industriemaschinen, Schienenfahrzeugen und Baumaschinen darstellt.»
Die neueste Erweiterung der R4-Serie der «Rotary»-Schnappriegelverschlüsse kombiniert einen kompakten «Rotary»-Schnappriegelverschluss mit einer hochbelastbaren Griffmulde, die eine direkte Betätigung ohne Verbindung mit einem Bowdenzug ermöglicht.Der R4-82 ist in Stahl mit korrosionsbeständiger Zinkbeschichtung oder mit schwarz pulverbeschichteter Oberfläche erhältlich und bietet eine flexible und sichere Zylinderschloss-Option. Durch Kombination von «Rotary"-Schnappriegelverschluss und Betätigungselement in einer Lösung lässt sich der R4-82 leicht installieren, ohne an Festigkeit oder Leistung einzubüßen. Mit seiner hohen Traglast für Einsatzbereiche mit hoher Belastung und der optionalen Installation mit Montagebohrung oder durch Bolzenmontage ist der R4-82 eine hervorragende Lösung für Außenanwendungen, die eine stabile Leistung erfordern. Der R4-82 «Rotary» Schnappriegelverschluss verfügt über einen integrierten Stoßdämpfer, der die Vibration verringert. Er ist mit einer einstufigen oder zweistufigen Schließfunktion zur Verbesserung von Sicherheit und Schutz erhältlich.
Global Product Manager Cynthia Bart ergänzt: «Der R4-82 «Rotary» Schnappriegelverschluss mit Griffmulden-Betätigung ist eine Komplettlösung, die Design und Installation erleichtert. Der R4-82 baut auf den bestehenden «Rotary»-Verschlusslösungen auf, verfügt jedoch über eine neu gestaltete quadratische Griffmulde, die eine ideale Ergänzung für das moderne Außendesign von Industriemaschinen, Schienenfahrzeugen und Baumaschinen darstellt.»
... link (0 Kommentare) ... comment
LEMO bringt den neuen 1000 Base T1- Single-Pair-Ethernet- (SPE) Push-Pull-Steckverbinder auf den Markt
bodohann, 19:15h
Der Single-Pair-Ethernet-Steckverbinder (auch als SPE oder 1000Base-T1 bezeichnet) basiert auf Übertragungsstandards (IEEE 802.) und ist in Autos der neuen Generation integriert.
Der 1000 Base-T1 ist so konzipiert, dass er mit einem einzigen Twisted-Pair-Kupferkabel betrieben werden kann, das simultan in jede Richtung eine effektive Datenrate von 1 Gbit/Sek. unterstützt. LEMO bietet zwei Arten von 0B.511- (zwei Kontakte) und 1B.512-Isolatoren (vier Kontakte und ein Schirm), die mit Unshielded Twister Pair (UTP) und Shielded Twisted Pairs (STP) kompatibel sind. Das neue Produkt ist in der B-Serie und ebenso als wasserdichte Version in Form des Steckverbinders der T-Serie erhältlich. Ursprünglich wurden die Stecker für die Datenübertragung im Automobilbereich und in der Industrie entwickelt. Die Aufgabe von SPE ist jedoch auch, (mit einem einfacheren Kabel) an Platz und Gewicht zu gewinnen und auch auf anderen Märkten wie der Maschinen- und Roboterindustrie sowie bei der Schienentechnik zum Einsatz zu kommen.
Weitere Informationen finden Sie hier [Link zu https://www.lemo.com/catalog/ROW/UK_English/connector_SPE_single_pair_ethernet_1000BaseT1.pdf]
Der 1000 Base-T1 ist so konzipiert, dass er mit einem einzigen Twisted-Pair-Kupferkabel betrieben werden kann, das simultan in jede Richtung eine effektive Datenrate von 1 Gbit/Sek. unterstützt. LEMO bietet zwei Arten von 0B.511- (zwei Kontakte) und 1B.512-Isolatoren (vier Kontakte und ein Schirm), die mit Unshielded Twister Pair (UTP) und Shielded Twisted Pairs (STP) kompatibel sind. Das neue Produkt ist in der B-Serie und ebenso als wasserdichte Version in Form des Steckverbinders der T-Serie erhältlich. Ursprünglich wurden die Stecker für die Datenübertragung im Automobilbereich und in der Industrie entwickelt. Die Aufgabe von SPE ist jedoch auch, (mit einem einfacheren Kabel) an Platz und Gewicht zu gewinnen und auch auf anderen Märkten wie der Maschinen- und Roboterindustrie sowie bei der Schienentechnik zum Einsatz zu kommen.
Weitere Informationen finden Sie hier [Link zu https://www.lemo.com/catalog/ROW/UK_English/connector_SPE_single_pair_ethernet_1000BaseT1.pdf]
... link (0 Kommentare) ... comment
Delta spendet Laptops an serbische Flüchtlingscamps
bodohann, 11:22h
Delta, einer der weltweit führenden Anbieter von Energie- und Wärmemanagementlösungen, hat bekanntgegeben, dass das Unternehmen im Rahmen seiner unternehmerischen sozialen Verantwortung 57 Laptops an fünf Flüchtlingslager in Serbien gespendet hat.
Die Spende wurde in Zusammenarbeit mit derin Taiwan ansässigen Tzu Chi Foundation, einer internationalen humanitären, nichtstaatlichen Organisation, erbracht. Die Laptops ermöglichen es Flüchtlingen, den Kontakt zu ihrer Familie und ihren Freunden im Ausland aufrechtzuerhalten und über lokale und globale Ereignisse auf dem Laufenden zu bleiben. Es hilft ihnen auch, grundlegende Fähigkeiten zu erwerben, wie das Erlernen einer neuen Sprache oder die Teilnahme an Online-Kursen, um ihre Ausbildung zu fördern und bereitet sie somit auf ein neues Leben und eine neue Karriere außerhalb der Flüchtlingslager vor.
Delta begann Anfang des Jahres mit der Bereitstellung der Laptops. Im Januar spendete das Unternehmen 12 Laptops an das Flüchtlingscamp Principovac. Im März übergab Delta 15 Laptops an die Flüchtlingslager Kikinda und Sombor, während das Unternehmen im September 30 Laptops an die Lager Ada evci und Obrenovac spendete. Delta war vor Ort anwesend, um die erfolgreiche Installation der Laptops sicherzustellen. Als Zeichen ihrer Wertschätzung für Deltas Beitrag für die Flüchtlinge wurde von der Tzu Chi Foundation eine Spendenfeier organisiert, um ihre Dankbarkeit für die Unterstützung durch Delta zu demonstrieren.
Herr Dalip Sharma, Präsident und Regionalleiter von Delta Electronics Europa, Naher Osten und Afrika (EMEA) Region, äußert sich wie folgt: «Bei Delta dreht sich alles, was wir tun, um den Schutz der Umwelt. Menschen, die Ereignisse erlebt haben, die außerhalb ihrer Kontrolle liegen, brauchen natürlich auch eine bessere Zukunft. Wir sind der Überzeugung, dass wir die Verantwortung haben, zur Verbesserung ihrer Situation beizutragen, indem wir ihnen die Instrumente an die Hand geben, die sie brauchen, um neue Möglichkeiten zu eröffnen und ihre Lebensqualität zu verbessern. Deshalb waren wir so sehr daran interessiert, den Flüchtlingen in Serbien zu helfen, indem wir Laptops für diese Standorte gespendet haben, und wir freuen uns zu hören, dass sie verwendet werden, um ihnen bei ihrer Suche nach einer besseren Zukunft zu helfen, nach der wir alle streben.»
Die Spende wurde in Zusammenarbeit mit derin Taiwan ansässigen Tzu Chi Foundation, einer internationalen humanitären, nichtstaatlichen Organisation, erbracht. Die Laptops ermöglichen es Flüchtlingen, den Kontakt zu ihrer Familie und ihren Freunden im Ausland aufrechtzuerhalten und über lokale und globale Ereignisse auf dem Laufenden zu bleiben. Es hilft ihnen auch, grundlegende Fähigkeiten zu erwerben, wie das Erlernen einer neuen Sprache oder die Teilnahme an Online-Kursen, um ihre Ausbildung zu fördern und bereitet sie somit auf ein neues Leben und eine neue Karriere außerhalb der Flüchtlingslager vor.
Delta begann Anfang des Jahres mit der Bereitstellung der Laptops. Im Januar spendete das Unternehmen 12 Laptops an das Flüchtlingscamp Principovac. Im März übergab Delta 15 Laptops an die Flüchtlingslager Kikinda und Sombor, während das Unternehmen im September 30 Laptops an die Lager Ada evci und Obrenovac spendete. Delta war vor Ort anwesend, um die erfolgreiche Installation der Laptops sicherzustellen. Als Zeichen ihrer Wertschätzung für Deltas Beitrag für die Flüchtlinge wurde von der Tzu Chi Foundation eine Spendenfeier organisiert, um ihre Dankbarkeit für die Unterstützung durch Delta zu demonstrieren.
Herr Dalip Sharma, Präsident und Regionalleiter von Delta Electronics Europa, Naher Osten und Afrika (EMEA) Region, äußert sich wie folgt: «Bei Delta dreht sich alles, was wir tun, um den Schutz der Umwelt. Menschen, die Ereignisse erlebt haben, die außerhalb ihrer Kontrolle liegen, brauchen natürlich auch eine bessere Zukunft. Wir sind der Überzeugung, dass wir die Verantwortung haben, zur Verbesserung ihrer Situation beizutragen, indem wir ihnen die Instrumente an die Hand geben, die sie brauchen, um neue Möglichkeiten zu eröffnen und ihre Lebensqualität zu verbessern. Deshalb waren wir so sehr daran interessiert, den Flüchtlingen in Serbien zu helfen, indem wir Laptops für diese Standorte gespendet haben, und wir freuen uns zu hören, dass sie verwendet werden, um ihnen bei ihrer Suche nach einer besseren Zukunft zu helfen, nach der wir alle streben.»
... link (0 Kommentare) ... comment
Deep Learning + Bildverarbeitung = Inspektion der nächsten Generation
bodohann, 11:04h
Die Kombination aus Bildverarbeitung und Deep Learning bietet Unternehmen ein leistungsstarkes Mittel zur Steigerung ihrer betrieblichen Effizienz und Investitionsrentabilität. Zur Maximierung von Investitionen ist es daher ausschlaggebend, die Unterschiede zwischen herkömmlicher Bildverarbeitung und Deep Learning zu kennen und zu verstehen, dass diese beiden Technologien sich nicht gegenseitig ablösen oder miteinander in Konkurrenz stehen, sondern sich gegenseitig ergänzen. Der folgende Artikel macht dieses Thema transparenter.
Im letzten Jahrzehnt haben sich die Technologien unter anderem in den Bereichen Gerätemobilität, Big Data, Künstliche Intelligenz, Internet der Dinge, Robotertechnik, Blockchain, 3D-Drucke und Bildverarbeitung in vielerlei Hinsicht verändert und verbessert. In all diesen Sparten haben Forschungs- und Entwicklungslabore Neuheiten herausgebracht, um uns das tägliche Leben zu erleichtern.
Ingenieure passen diese Technologien vor allem für die Nutzung in rauen Umgebungen und eingeschränkten Bedingungen an. In der verarbeitenden Industrie erfordert die Anpassung und Nutzung einiger oder sogar aller dieser Technologien strategische Planung.
Wir konzentrieren uns hier auf die Künstliche Intelligenz (KI) und insbesondere auf Deep-Learning-basierte Bildanalysen sowie auf regelbasierte Bildverarbeitung. In Kombination mit der herkömmlichen regelbasierten Bildverarbeitung kann Deep Learning robotergesteuerte Montagelinien dabei unterstützen, richtige Teile zu erkennen und zu ermitteln, ob ein Teil vorhanden ist, fehlt oder falsch auf das Produkt montiert wurde. Außerdem kann schneller festgestellt werden, um welche Art von Problem es sich handelt. Das alles erfolgt mit höchster Präzision.
Was ist Deep Learning eigentlich?
Sprechen wir zunächst einmal über GPU-Hardware, ohne dabei zu sehr ins Detail zu gehen. GPUs (engl. Graphics Processing Units) vereinen tausende relativ einfacher Prozessorkerne auf einem einzigen Chip. Ihre Architektur erinnert an neuronale Netzwerke. Mit ihrer Hilfe können von der Biologie inspirierte, mehrschichtige «tiefe» neuronale Netzwerke bereitgestellt werden, die das menschliche Gehirn nachahmen.
Zu den wichtigsten Unterschieden zwischen der herkömmlichen Bildverarbeitung und Deep Learning gehören folgende: 1. Der Entwicklungsprozess (regelbasierte Programmierung mit einzelnen Tools kontra regelbasiertes Training); 2. Investitionen in Hardware (Deep Learning erfordert mehr Verarbeitung und Speicher); 3. Die Fertigungsautomatisierung erfolgt fallbasiert.
Wenn eine solche Architektur verwendet wird, können mit Deep Learning spezifische Aufgaben gelöst werden, ohne dass sie vorher explizit programmiert wurden. Anders formuliert werden klassische Computeranwendungen von Menschen programmiert, damit sie bestimmte Aufgaben ausführen. Beim Deep Learning hingegen werden Daten (Bilder, Sprache, Texte, Zahlen usw.) benutzt und diese in neuronalen Netzwerken trainiert. Ausgehend von einer übergeordneten Logik, die beim anfänglichen Training entwickelt wird, optimieren tiefe neuronale Netzwerke ihre Leistung immer weiter, während sie neue Daten empfangen.
Deep Learning basiert auf der Erkennung von Unterschieden, denn es sucht in einer Datenreihe permanent nach Änderungen und Unregelmäßigkeiten. Es reagiert auf unvorhersehbare Defekte. Während Menschen dies automatisch tun, können es Computersysteme, die auf strengen Programmierregeln basieren, nicht gut. Dagegen werden Computer im Gegensatz zu menschlichen Sichtprüfern an Produktionslinien nicht müde, wenn sie ständig denselben Arbeitsschritt wiederholen.
Zu den typischen alltäglichen Deep-Learning-Anwendungen gehören beispielsweise die Gesichtserkennung (um Computer zu entsperren oder Menschen auf Fotos zu erkennen), Empfehlungsmaschinen (beim Streaming von Video- oder Musikdiensten oder beim Einkaufen auf e-Commerce-Websites), die Spam-Filterung in E-Mails, Krankheitsdiagnostik und die Erkennung von Kreditkartenbetrugsfällen.
Mit Deep-Learning-Technologien können durch die trainierten Daten sehr genaue Ergebnisse erzielt werden. Sie kommen bei der Vorhersage von Mustern, der Erkennung von Abweichungen und Anomalien sowie beim Fällen von wichtigen Geschäftsentscheidungen zum Einsatz. Diese Technologie verlagert sich nun weiter zu den modernen Herstellungspraktiken bei Qualitätsprüfungen und anderen Anwendungsfällen, die Urteilsvermögen erfordern.
Wenn Deep Learning in Verbindung mit der Bildverarbeitung bei den richtigen Fabrikanwendungen eingesetzt wird, lässt sich der Umsatz bei der Herstellung steigern - insbesondere im Vergleich mit anderen entstehenden Technologien, die erst nach Jahren Rendite abwerfen.
Wie kann die Bildverarbeitung durch Deep Learning ergänzt werden?
Ein Bildverarbeitungssystem wird mit einem digitalen Sensor betrieben, der sich in einer Industriekamera mit spezifischer Optik befindet. Das System empfängt Bilder, die in einen PC eingespeist werden. Ein spezielles Programm verarbeitet, analysiert und misst verschiedene Entscheidungsfindungskriterien. Bildverarbeitungssysteme funktionieren bei einheitlichen Teilen in guter Herstellungsqualität zuverlässig. Sie arbeiten mit sukzessiver Filterung und regelbasierten Algorithmen.
In einer Produktionslinie kann ein regelbasiertes Bildverarbeitungssystem hunderte oder gar tausende von Teilen pro Minute mit hoher Genauigkeit prüfen. Es ist somit kostengünstiger als die menschliche Sichtprüfung. Die Ausgabe der visuellen Daten basiert auf einem programmatischen, regelbasierten Ansatz für die Lösung von Prüfanwendungen.
Auf Werksebene eignet sich ein herkömmliches regelbasiertes Bildverarbeitungssystem für folgendes: Führen (Positionierung, Ausrichtung), Identifizieren (Strichcodes, Datamatrix-Codes, Kennzeichnungen, Zeichenerkennung), Messen (Vergleich von Abständen mit spezifizierten Werten), Prüfen (Mängel und andere Probleme wie ein fehlendes Sicherheitssiegel, zerbrochene Teile usw.).
Die regelbasierte Bildverarbeitung ist bei einer bekannten Reihe von Variablen sehr nützlich: Ist ein Teil vorhanden oder fehlt es? Wie weit ist das Objekt von dem anderen entfernt? Wo muss dieser Roboter das Teil aufheben? In einer Produktionslinie in kontrollierter Umgebung sind solche Aufgaben einfach einzurichten. Aber was passiert in weniger eindeutigen Situationen?
Hier kommt Deep Learning ins Spiel: Lösen von schwer programmierbaren Bildverarbeitungsanwendungen mit regelbasierten Algorithmen Handhabung von unübersichtlichen Hintergründen und Abweichungen im Erscheinungsbild der Teile Trainieren vorhandener Anwendungen in der Fertigungshalle mit neuen Bilddaten Anpassung an neue Beispiele ohne die Umprogrammierung der KernnetzwerkeEin typisches Beispiel aus der Industrie ist die Suche nach Kratzern auf Bildschirmen von Elektrogeräten. Solche Defekte unterscheiden sich in ihrer Größe, ihrem Umfang, ihrer Position oder bei Bildschirmen mit unterschiedlichen Hintergründen voneinander. Mit Deep Learning werden solche Abweichungen berücksichtigt und zwischen korrekten und defekten Teilen unterschieden. Außerdem werden einfach neue Referenzbilder genommen, um ein Netzwerk auf ein neues Ziel hin - beispielsweise eine andere Bildschirmart - zu trainieren.
Die Prüfung visuell ähnlicher Teile mit einer komplexen Oberflächenstruktur und Abweichungen beim Erscheinungsbild stellt herkömmliche Bildverarbeitungssysteme vor große Herausforderungen. «Funktionelle» Fehler werden fast immer abgewiesen, aber «kosmetische» Fehler je nach den Anforderungen und Präferenzen des Herstellers möglicherweise nicht. Dazu kommt, dass die Unterscheidung zwischen solchen Fehlern für ein herkömmliches Bildverarbeitungssystem sehr schwierig ist.
Aufgrund verschiedener Variablen, die nur schwer isoliert werden können (Beleuchtung, Farbbweichungen, Biegungen oder Sichtfeld) sind einige Fehlererkennungsfunktionen bekanntermaßen mit einem herkömmlichen Bildverarbeitungssystem schwer zu programmieren und zu lösen. Auch hier bietet Deep Learning einige nützliche Werkzeuge.
Kurzum: herkömmliche Bildverarbeitungssysteme funktionieren bei einheitlichen Teilen in guter Herstellungsqualität zuverlässig. Wenn Ausnahme- und Fehlerbibliotheken jedoch umfangreicher werden, sind die Anwendungen schwieriger zu programmieren. Bei komplexen Situationen, welche menschenähnliche Fähigkeiten mit der Geschwindigkeit und Zuverlässigkeit eines Computers erfordern, stellt Deep Learning sicherlich eine wegweisende Alternative dar.
Die Vorteile von Deep Learning in der industriellen Herstellung
Regelbasierte Bildverarbeitung und Bildanalysen, die auf Deep Learning basieren, schließen sich nicht gegenseitig aus, sondern ergänzen sich bei der Umstellung auf moderne Werkzeuge der automatisierten Fertigung. Bei manchen Anwendungen wie Messungen ist die regelbasierte Bildverarbeitung nach wie vor die bevorzugte und kostengünstigste Alternative. Bei komplexen Prüfungen mit großen Abweichungen und unvorhersehbaren Defekten in zu großer Anzahl, die mit einem herkömmlichen Bildverarbeitungssystem zu kompliziert zu programmieren sind, stellen Deep-Learning-basierte Tools jedoch eine ausgezeichnete Option dar.
Weitere Informationen über die Deep-Learning-Lösungen von Cognex finden Sie auf cognex.com/ViDi-deep-learning.
Im letzten Jahrzehnt haben sich die Technologien unter anderem in den Bereichen Gerätemobilität, Big Data, Künstliche Intelligenz, Internet der Dinge, Robotertechnik, Blockchain, 3D-Drucke und Bildverarbeitung in vielerlei Hinsicht verändert und verbessert. In all diesen Sparten haben Forschungs- und Entwicklungslabore Neuheiten herausgebracht, um uns das tägliche Leben zu erleichtern.
Ingenieure passen diese Technologien vor allem für die Nutzung in rauen Umgebungen und eingeschränkten Bedingungen an. In der verarbeitenden Industrie erfordert die Anpassung und Nutzung einiger oder sogar aller dieser Technologien strategische Planung.
Wir konzentrieren uns hier auf die Künstliche Intelligenz (KI) und insbesondere auf Deep-Learning-basierte Bildanalysen sowie auf regelbasierte Bildverarbeitung. In Kombination mit der herkömmlichen regelbasierten Bildverarbeitung kann Deep Learning robotergesteuerte Montagelinien dabei unterstützen, richtige Teile zu erkennen und zu ermitteln, ob ein Teil vorhanden ist, fehlt oder falsch auf das Produkt montiert wurde. Außerdem kann schneller festgestellt werden, um welche Art von Problem es sich handelt. Das alles erfolgt mit höchster Präzision.
Was ist Deep Learning eigentlich?
Sprechen wir zunächst einmal über GPU-Hardware, ohne dabei zu sehr ins Detail zu gehen. GPUs (engl. Graphics Processing Units) vereinen tausende relativ einfacher Prozessorkerne auf einem einzigen Chip. Ihre Architektur erinnert an neuronale Netzwerke. Mit ihrer Hilfe können von der Biologie inspirierte, mehrschichtige «tiefe» neuronale Netzwerke bereitgestellt werden, die das menschliche Gehirn nachahmen.
Zu den wichtigsten Unterschieden zwischen der herkömmlichen Bildverarbeitung und Deep Learning gehören folgende: 1. Der Entwicklungsprozess (regelbasierte Programmierung mit einzelnen Tools kontra regelbasiertes Training); 2. Investitionen in Hardware (Deep Learning erfordert mehr Verarbeitung und Speicher); 3. Die Fertigungsautomatisierung erfolgt fallbasiert.
Wenn eine solche Architektur verwendet wird, können mit Deep Learning spezifische Aufgaben gelöst werden, ohne dass sie vorher explizit programmiert wurden. Anders formuliert werden klassische Computeranwendungen von Menschen programmiert, damit sie bestimmte Aufgaben ausführen. Beim Deep Learning hingegen werden Daten (Bilder, Sprache, Texte, Zahlen usw.) benutzt und diese in neuronalen Netzwerken trainiert. Ausgehend von einer übergeordneten Logik, die beim anfänglichen Training entwickelt wird, optimieren tiefe neuronale Netzwerke ihre Leistung immer weiter, während sie neue Daten empfangen.
Deep Learning basiert auf der Erkennung von Unterschieden, denn es sucht in einer Datenreihe permanent nach Änderungen und Unregelmäßigkeiten. Es reagiert auf unvorhersehbare Defekte. Während Menschen dies automatisch tun, können es Computersysteme, die auf strengen Programmierregeln basieren, nicht gut. Dagegen werden Computer im Gegensatz zu menschlichen Sichtprüfern an Produktionslinien nicht müde, wenn sie ständig denselben Arbeitsschritt wiederholen.
Zu den typischen alltäglichen Deep-Learning-Anwendungen gehören beispielsweise die Gesichtserkennung (um Computer zu entsperren oder Menschen auf Fotos zu erkennen), Empfehlungsmaschinen (beim Streaming von Video- oder Musikdiensten oder beim Einkaufen auf e-Commerce-Websites), die Spam-Filterung in E-Mails, Krankheitsdiagnostik und die Erkennung von Kreditkartenbetrugsfällen.
Mit Deep-Learning-Technologien können durch die trainierten Daten sehr genaue Ergebnisse erzielt werden. Sie kommen bei der Vorhersage von Mustern, der Erkennung von Abweichungen und Anomalien sowie beim Fällen von wichtigen Geschäftsentscheidungen zum Einsatz. Diese Technologie verlagert sich nun weiter zu den modernen Herstellungspraktiken bei Qualitätsprüfungen und anderen Anwendungsfällen, die Urteilsvermögen erfordern.
Wenn Deep Learning in Verbindung mit der Bildverarbeitung bei den richtigen Fabrikanwendungen eingesetzt wird, lässt sich der Umsatz bei der Herstellung steigern - insbesondere im Vergleich mit anderen entstehenden Technologien, die erst nach Jahren Rendite abwerfen.
Wie kann die Bildverarbeitung durch Deep Learning ergänzt werden?
Ein Bildverarbeitungssystem wird mit einem digitalen Sensor betrieben, der sich in einer Industriekamera mit spezifischer Optik befindet. Das System empfängt Bilder, die in einen PC eingespeist werden. Ein spezielles Programm verarbeitet, analysiert und misst verschiedene Entscheidungsfindungskriterien. Bildverarbeitungssysteme funktionieren bei einheitlichen Teilen in guter Herstellungsqualität zuverlässig. Sie arbeiten mit sukzessiver Filterung und regelbasierten Algorithmen.
In einer Produktionslinie kann ein regelbasiertes Bildverarbeitungssystem hunderte oder gar tausende von Teilen pro Minute mit hoher Genauigkeit prüfen. Es ist somit kostengünstiger als die menschliche Sichtprüfung. Die Ausgabe der visuellen Daten basiert auf einem programmatischen, regelbasierten Ansatz für die Lösung von Prüfanwendungen.
Auf Werksebene eignet sich ein herkömmliches regelbasiertes Bildverarbeitungssystem für folgendes: Führen (Positionierung, Ausrichtung), Identifizieren (Strichcodes, Datamatrix-Codes, Kennzeichnungen, Zeichenerkennung), Messen (Vergleich von Abständen mit spezifizierten Werten), Prüfen (Mängel und andere Probleme wie ein fehlendes Sicherheitssiegel, zerbrochene Teile usw.).
Die regelbasierte Bildverarbeitung ist bei einer bekannten Reihe von Variablen sehr nützlich: Ist ein Teil vorhanden oder fehlt es? Wie weit ist das Objekt von dem anderen entfernt? Wo muss dieser Roboter das Teil aufheben? In einer Produktionslinie in kontrollierter Umgebung sind solche Aufgaben einfach einzurichten. Aber was passiert in weniger eindeutigen Situationen?
Hier kommt Deep Learning ins Spiel: Lösen von schwer programmierbaren Bildverarbeitungsanwendungen mit regelbasierten Algorithmen Handhabung von unübersichtlichen Hintergründen und Abweichungen im Erscheinungsbild der Teile Trainieren vorhandener Anwendungen in der Fertigungshalle mit neuen Bilddaten Anpassung an neue Beispiele ohne die Umprogrammierung der KernnetzwerkeEin typisches Beispiel aus der Industrie ist die Suche nach Kratzern auf Bildschirmen von Elektrogeräten. Solche Defekte unterscheiden sich in ihrer Größe, ihrem Umfang, ihrer Position oder bei Bildschirmen mit unterschiedlichen Hintergründen voneinander. Mit Deep Learning werden solche Abweichungen berücksichtigt und zwischen korrekten und defekten Teilen unterschieden. Außerdem werden einfach neue Referenzbilder genommen, um ein Netzwerk auf ein neues Ziel hin - beispielsweise eine andere Bildschirmart - zu trainieren.
Die Prüfung visuell ähnlicher Teile mit einer komplexen Oberflächenstruktur und Abweichungen beim Erscheinungsbild stellt herkömmliche Bildverarbeitungssysteme vor große Herausforderungen. «Funktionelle» Fehler werden fast immer abgewiesen, aber «kosmetische» Fehler je nach den Anforderungen und Präferenzen des Herstellers möglicherweise nicht. Dazu kommt, dass die Unterscheidung zwischen solchen Fehlern für ein herkömmliches Bildverarbeitungssystem sehr schwierig ist.
Aufgrund verschiedener Variablen, die nur schwer isoliert werden können (Beleuchtung, Farbbweichungen, Biegungen oder Sichtfeld) sind einige Fehlererkennungsfunktionen bekanntermaßen mit einem herkömmlichen Bildverarbeitungssystem schwer zu programmieren und zu lösen. Auch hier bietet Deep Learning einige nützliche Werkzeuge.
Kurzum: herkömmliche Bildverarbeitungssysteme funktionieren bei einheitlichen Teilen in guter Herstellungsqualität zuverlässig. Wenn Ausnahme- und Fehlerbibliotheken jedoch umfangreicher werden, sind die Anwendungen schwieriger zu programmieren. Bei komplexen Situationen, welche menschenähnliche Fähigkeiten mit der Geschwindigkeit und Zuverlässigkeit eines Computers erfordern, stellt Deep Learning sicherlich eine wegweisende Alternative dar.
Die Vorteile von Deep Learning in der industriellen Herstellung
Regelbasierte Bildverarbeitung und Bildanalysen, die auf Deep Learning basieren, schließen sich nicht gegenseitig aus, sondern ergänzen sich bei der Umstellung auf moderne Werkzeuge der automatisierten Fertigung. Bei manchen Anwendungen wie Messungen ist die regelbasierte Bildverarbeitung nach wie vor die bevorzugte und kostengünstigste Alternative. Bei komplexen Prüfungen mit großen Abweichungen und unvorhersehbaren Defekten in zu großer Anzahl, die mit einem herkömmlichen Bildverarbeitungssystem zu kompliziert zu programmieren sind, stellen Deep-Learning-basierte Tools jedoch eine ausgezeichnete Option dar.
Weitere Informationen über die Deep-Learning-Lösungen von Cognex finden Sie auf cognex.com/ViDi-deep-learning.
... link (0 Kommentare) ... comment
Rohde & Schwarz kündigt erste IEEE 802.3cg 10BASE-T1S-Konformitätstestlösung für die Automobilindustrie an
bodohann, 10:59h
Die Flexibilität von Automotive Ethernet mit seiner einfachen Twisted-Pair-Netzwerktechnik ist optimal
geeignet für eine stetig wachsende Zahl an Fahrzeug-Bordnetzen. Mit dem neuen Standard IEEE 10BASE-
T1S lassen sich nun mit Automotive Ethernet auch einfache Geräte in das Netzwerk integrieren. Rohde &
Schwarz behält seine Vorreiterrolle als Anbieter von Messtechniklösungen für Automotive-Ethernet-
Standards und kündigt die erste Testlösung für Konformitätstest gemäß 10BASE-T1S an.
Rohde & Schwarz präsentiert den ersten 10BASE-T1S-Konformitätstest für die R&S RTO und R&S RTP
Oszilloskope, der vollautomatisierte Tests an 10BASE-T1S-Schnittstellen gemäß IEEE 802.3cg ermöglicht.
Rohde & Schwarz ist weiterhin aktives Mitglied der OPEN Alliance und nutzt sein Know-How, um die
Entwicklung vollumfänglicher und zuverlässiger Testlösungen voranzutreiben.
Wie auch für andere Ethernet-Standards bietet die neue R&S RTO/RTP-K89 Compliance-Testsoftware für
10BASE-T1S bebilderte Anweisungen, die den Benutzer Schritt für Schritt durch die Messungen führen.
Sowohl das Oszilloskop als auch der R&S ZND Netzwerkanalysator werden von der Software automatisch
konfiguriert. Die Testergebnisse werden in einem Prüfprotokoll im PDF-Format ausgegeben. Die
umfassende Konformitätstestlösung beinhaltet außerdem eine Test Fixture, um den Anschluss der 10BASE-
T1S-Schnittstelle an den Testaufbau zu vereinfachen.
Mit dieser neuen Option wird Rohde & Schwarz sein Portfolio für Tests an allen verfügbaren Automotive-
Ethernet-Standards (10BASE-T1S, 100BASE-T1, 1000BASE-T1) und allen anderen Standard-Automotive-
Bussen (LIN, CAN, CAN-FD, FlexRay und CXPI) vervollständigen. Die Oszilloskope der Serien R&S RTO
und R&S RTP bieten umfassende und kompakte Testlösungen für alle Automotive-Bus-Schnittstellen und
internen Schnittstellen wie PCIe oder DDR im Steuergeräteentwicklungsumfeld.
Weitere Informationen zur neuen R&S RTO/RTP-K89 Compliance-Testsoftware für 10BASE-T1S finden sich
unter https://www.rohde-schwarz.com/_63493-667456.html oder von Ihrem Rohde & Schwarz-Vertriebspartner vor Ort.
Kontakt für Leser:
Tel.: (089) 4129-12345, E-Mail: customersupport@rohde-schwarz.com
Der Technologiekonzern Rohde & Schwarz entwickelt, produziert und vermarktet innovative Produkte der
Kommunikations-, Informations- und Sicherheitstechnik für professionelle Anwender. Mit den Geschäftsfeldern Messtechnik, Broadcast- und Medientechnik, Aerospace | Verteidigung | Sicherheit sowie Netzwerke und Cybersicherheit adressiert Rohde & Schwarz eine Reihe von Marktsegmenten in der
Wirtschaft und im hoheitlichen Sektor. Zum 30. Juni 2018 betrug die Zahl der Mitarbeiterinnen und
Mitarbeiter rund 11.500. Der unabhängige Konzern erwirtschaftete im Geschäftsjahr 2017/2018 (Juli bis
Juni) einen Umsatz von rund 2 Milliarden Euro. Der Firmensitz ist München. Das internationale Geschäft
wird in mehr als 70 Ländern über Tochterfirmen betrieben. In Asien und Amerika steuern regionale Hubs die Geschäfte.
geeignet für eine stetig wachsende Zahl an Fahrzeug-Bordnetzen. Mit dem neuen Standard IEEE 10BASE-
T1S lassen sich nun mit Automotive Ethernet auch einfache Geräte in das Netzwerk integrieren. Rohde &
Schwarz behält seine Vorreiterrolle als Anbieter von Messtechniklösungen für Automotive-Ethernet-
Standards und kündigt die erste Testlösung für Konformitätstest gemäß 10BASE-T1S an.
Rohde & Schwarz präsentiert den ersten 10BASE-T1S-Konformitätstest für die R&S RTO und R&S RTP
Oszilloskope, der vollautomatisierte Tests an 10BASE-T1S-Schnittstellen gemäß IEEE 802.3cg ermöglicht.
Rohde & Schwarz ist weiterhin aktives Mitglied der OPEN Alliance und nutzt sein Know-How, um die
Entwicklung vollumfänglicher und zuverlässiger Testlösungen voranzutreiben.
Wie auch für andere Ethernet-Standards bietet die neue R&S RTO/RTP-K89 Compliance-Testsoftware für
10BASE-T1S bebilderte Anweisungen, die den Benutzer Schritt für Schritt durch die Messungen führen.
Sowohl das Oszilloskop als auch der R&S ZND Netzwerkanalysator werden von der Software automatisch
konfiguriert. Die Testergebnisse werden in einem Prüfprotokoll im PDF-Format ausgegeben. Die
umfassende Konformitätstestlösung beinhaltet außerdem eine Test Fixture, um den Anschluss der 10BASE-
T1S-Schnittstelle an den Testaufbau zu vereinfachen.
Mit dieser neuen Option wird Rohde & Schwarz sein Portfolio für Tests an allen verfügbaren Automotive-
Ethernet-Standards (10BASE-T1S, 100BASE-T1, 1000BASE-T1) und allen anderen Standard-Automotive-
Bussen (LIN, CAN, CAN-FD, FlexRay und CXPI) vervollständigen. Die Oszilloskope der Serien R&S RTO
und R&S RTP bieten umfassende und kompakte Testlösungen für alle Automotive-Bus-Schnittstellen und
internen Schnittstellen wie PCIe oder DDR im Steuergeräteentwicklungsumfeld.
Weitere Informationen zur neuen R&S RTO/RTP-K89 Compliance-Testsoftware für 10BASE-T1S finden sich
unter https://www.rohde-schwarz.com/_63493-667456.html oder von Ihrem Rohde & Schwarz-Vertriebspartner vor Ort.
Kontakt für Leser:
Tel.: (089) 4129-12345, E-Mail: customersupport@rohde-schwarz.com
Der Technologiekonzern Rohde & Schwarz entwickelt, produziert und vermarktet innovative Produkte der
Kommunikations-, Informations- und Sicherheitstechnik für professionelle Anwender. Mit den Geschäftsfeldern Messtechnik, Broadcast- und Medientechnik, Aerospace | Verteidigung | Sicherheit sowie Netzwerke und Cybersicherheit adressiert Rohde & Schwarz eine Reihe von Marktsegmenten in der
Wirtschaft und im hoheitlichen Sektor. Zum 30. Juni 2018 betrug die Zahl der Mitarbeiterinnen und
Mitarbeiter rund 11.500. Der unabhängige Konzern erwirtschaftete im Geschäftsjahr 2017/2018 (Juli bis
Juni) einen Umsatz von rund 2 Milliarden Euro. Der Firmensitz ist München. Das internationale Geschäft
wird in mehr als 70 Ländern über Tochterfirmen betrieben. In Asien und Amerika steuern regionale Hubs die Geschäfte.
... link (0 Kommentare) ... comment
Hochleistungsfähiger Antriebsschrank innerhalb einer Woche erhältlich
bodohann, 10:54h
Anwender von Hochleistungsantrieben können nun nach der Freigabe des «Drive Free Standing» von Control Techniques bei Ausfällen bereits nach einer Woche einen sofort einsatzfähigen Antriebsschrank erhalten.
Die Lieferung innerhalb Europas ist für energieeffiziente Motorsteuerungen in rauen Umgebungen ausgelegt und kann nach vorheriger Absprache innerhalb von fünf Werktagen erfolgen. Das vorgefertigte Antriebssystem mit einer Leistung von 55 bis 520 kW ist ohne zusätzliche Technik sofort einsatzbereit und so konzipiert, dass es sich in einen bestehenden Schaltschrank einfügen lässt. Drive Free Standing lässt sich einfach über die an der Tür montierte HMI oder dem Windows-basierten Connect PC-Tool konfigurieren.
IP23 ist Standard; auch ein IP54-System ist erhältlich, einschließlich einer wassergekühlten IP55-Variante. Um die Zuverlässigkeit zu erhöhen, verwendet Drive Free Standing auch Standard-Antriebsmodule aus der weltweit installierten Basis von Control Techniques, die nach einheitlichen Verfahren mit mehreren Testgates und vollständiger Rückverfolgbarkeit hergestellt werden. Die Langlebigkeit der Antriebsmodule wird durch konform beschichtete Leiterplatten; ein patentiertes Luftstromsystem, das das Eindringen von Verunreinigungen minimiert und die Kühlung maximiert sowie durch eine hohe Versorgungsspannungstoleranz erhöht.
Drive Free Standing basiert auf den weltweit eingesetzten Antriebsmodulen Unidrive M700 und Powerdrive F300 von Control Techniques. Mit dem Unidrive M700 steht eine leistungsstarke Motorsteuerung mit einer Stromschleifenbandbreite von bis zu 3000 Hz und einer Drehzahlschleifenbandbreite bis zu 250 Hz bereit. Der Unidrive M700 beinhaltet auch eine Maschinensteuerung mit offener Programmierung. Alternativ bietet der Powerdrive F300 spezifische Funktionen für Lüfter, Pumpen und Kompressoren.
Der Unidrive M700 bietet zudem integriertes Ethernet, einschließlich EtherNet I/P, Profinet und Modbus TCP/IP. Beide Antriebe bieten auch Erweiterungsmöglichkeiten, damit sich die Kommunikation um alle wichtigen Protokolle erweitern lässt. Hinzu kommen Optionen für Steuerung, I/O und Encoder.
Control Techniques, ein Nidec-Unternehmen, ist weltweit führend in der Entwicklung und Fertigung elektronischer drehzahlveränderbarer Antriebe zur Steuerung von Elektromotoren. Das Unternehmen wurde 1973 gegründet. Der Hauptsitz befindet sich in Newtown, Wales. Weltweit finden sich Fertigungs- und F&E-Standorte zusammen mit Automationszentren an 45 Standorten.
Weitere Informationen unter: www.ControlTechniques.com
Die Lieferung innerhalb Europas ist für energieeffiziente Motorsteuerungen in rauen Umgebungen ausgelegt und kann nach vorheriger Absprache innerhalb von fünf Werktagen erfolgen. Das vorgefertigte Antriebssystem mit einer Leistung von 55 bis 520 kW ist ohne zusätzliche Technik sofort einsatzbereit und so konzipiert, dass es sich in einen bestehenden Schaltschrank einfügen lässt. Drive Free Standing lässt sich einfach über die an der Tür montierte HMI oder dem Windows-basierten Connect PC-Tool konfigurieren.
IP23 ist Standard; auch ein IP54-System ist erhältlich, einschließlich einer wassergekühlten IP55-Variante. Um die Zuverlässigkeit zu erhöhen, verwendet Drive Free Standing auch Standard-Antriebsmodule aus der weltweit installierten Basis von Control Techniques, die nach einheitlichen Verfahren mit mehreren Testgates und vollständiger Rückverfolgbarkeit hergestellt werden. Die Langlebigkeit der Antriebsmodule wird durch konform beschichtete Leiterplatten; ein patentiertes Luftstromsystem, das das Eindringen von Verunreinigungen minimiert und die Kühlung maximiert sowie durch eine hohe Versorgungsspannungstoleranz erhöht.
Drive Free Standing basiert auf den weltweit eingesetzten Antriebsmodulen Unidrive M700 und Powerdrive F300 von Control Techniques. Mit dem Unidrive M700 steht eine leistungsstarke Motorsteuerung mit einer Stromschleifenbandbreite von bis zu 3000 Hz und einer Drehzahlschleifenbandbreite bis zu 250 Hz bereit. Der Unidrive M700 beinhaltet auch eine Maschinensteuerung mit offener Programmierung. Alternativ bietet der Powerdrive F300 spezifische Funktionen für Lüfter, Pumpen und Kompressoren.
Der Unidrive M700 bietet zudem integriertes Ethernet, einschließlich EtherNet I/P, Profinet und Modbus TCP/IP. Beide Antriebe bieten auch Erweiterungsmöglichkeiten, damit sich die Kommunikation um alle wichtigen Protokolle erweitern lässt. Hinzu kommen Optionen für Steuerung, I/O und Encoder.
Control Techniques, ein Nidec-Unternehmen, ist weltweit führend in der Entwicklung und Fertigung elektronischer drehzahlveränderbarer Antriebe zur Steuerung von Elektromotoren. Das Unternehmen wurde 1973 gegründet. Der Hauptsitz befindet sich in Newtown, Wales. Weltweit finden sich Fertigungs- und F&E-Standorte zusammen mit Automationszentren an 45 Standorten.
Weitere Informationen unter: www.ControlTechniques.com
... link (0 Kommentare) ... comment
... older stories
