Visuelle Identifizierung von Energiespeicherfehlern
5.1 Visuelle Identifizierung von Wertkategorien. 5.2 Identifizierung von Wertkategorien an vorgegebenen Positionen; 5.3 Identifizierung von Wertrelationen an vorgegebenen Positionen; 5.4 Identifizierung von
Was ist ein Energiespeicher?
Energiespeicher sind ein zentrales Element für das Gelingen der Energiewende. Sie ermöglichen die (partielle) Entkopplung von Energieproduktion und Energieverbrauch, indem sie überschüssige Energie speichern und bei Bedarf wieder abgeben können.
Was ist eine visuelle Inspektion?
Die visuelle Inspektion oder auch Sichtkontrolle bzw. Sichtprüfung beschreibt die optische Kontrolle eines Produktes oder produzierten Teils auf Mängel oder Produktionsfehler. Durch die Digitalisierung setzt man heute vor allem auf Anwendungen basierend auf KI (Künstlicher Intelligenz), um Produkte effizient und genau zu prüfen.
Welche Vorteile bietet die stationäre Energiespeicherung?
So erschließen sich weitere Anwendungen wie beispielsweise die stationäre Energiespeicherung zur Netzstabilisierung und zum zeitlich befristeten Ausgleich von Angebot und Nachfrage. Hierdurch wird die Integration erneuerbarer Energien in das Stromnetz erleichtert und die Versorgungssicherheit erhöht.
Was ist ein Wärmespeicher?
Wärmespeicher lassen sich dabei zur Bereitstellung von Wärme, aber auch für die wichtigen Anwendungsgebiete der Kältebereitstellung und Klimatisierung nutzen. Der Fokus des Fraunhofer IFAM liegt im Bereich der thermischen Energiespeicher auf der Entwicklung innovativer und hocheffizienter Latentwärmespeicher.
Wie beeinflusst die erhöhte Modelltiefe die Inferenz?
So steigt der Bedarf an Speicher- sowie Rechenressourcen bei den vorgestellten R‑CNNs wesentlich an. Auch verlangsamt die erhöhte Modelltiefe die Inferenz, wodurch der Einsatz auf einer CPU im Betrieb aufgrund der langen Inferenzzeiten ausgeschlossen werden kann.
Was ist der Unterschied zwischen CNN-Modellen und fehlerspezifischen Modellen?
Die Ergebnisse zeigen, dass CNN-Modelle, die gleichzeitig auf allen Fehlerklassen trainiert werden, nicht über Accuracy-Werte von 93 % auf den Validierungsdaten kommen. Die fehlerspezifischen Modelle erzielen demgegenüber zum Teil weitaus bessere Ergebnisse. Tab. 2 listet die besten CNN-Modelle für die Betrachtung der einzelnen Fehlerklassen auf.
