在OLED显示模组中，机器人智能装备的需求体现在哪些地方?这需要从两个方面来看待，从工艺上来看，COG、COF、FOG、柔性全贴合、激光精密切割等都有很大需求，从测试方面来看，Demura、AutoGama等AOI自动检测设备需求也越来越多。
由于OLED/TFT新型显示屏模组的工艺复杂性，要求精度高，难度大，新技术的不断涌现，需要自行开发各类专用设备和工艺技术才能获得客户的认可。
在OLED显示模组中，还需要大量的柔性卷材精密检测，FPC智能上下料机器人和柔性异形贴胶装配机器人等设备，有中国企业针对这三个方面工艺开发并采用了机器人智能装备。此外，OLED显示屏还需要用到很多柔性的线路板，需要在线式FPC智能检测机器人，值得指出的是，柔性机器人智能装备在新型显示OLED具有很大的需求市场和机会。
在***极力倡导中国智造2025的前提下，中国企业利用柔性机器人智能装备改造现有的生产技术，为OLED柔性显示模组行业的发展打下坚实的基础，在实现企业自身“机器换人”的智能化、自动化的同时，更有机会把已经成熟应用的OLED显示模组柔性机器人智能装备推向市场，促进整个新型显示行业水平的发展与提高。
工厂和设备中部署了大量的传感器用于记录数据。如果分析得当，这些数据会在改进制造工艺及确保生产质量等方面产生巨大的价值。为此，魏德米勒工业分析部门与客户密切合作，开发所需的数据分析模型。
我们从工厂和设备中提取各类数据集合，比如温度、压力、能耗和振动，称之为“特征”，并使用人工智能（AI）对其评估。之前的项目经验表明，大多数工厂和设备已经记录了全部重要数据，不必新增传感器。真正的挑战来自于找出数据背后的隐藏信息和它们之间的相关关系，而这正是魏德米勒工业分析部门擅长的。
魏德米勒工业分析：集数据科学与***知识于一体
异常检测和分类
异常分类的工作，是将已识别的数据偏差按重要程度进行分类，重要异常往往是导致设备故障的原因。有了这些信息的辅助，设备操作者可以更快地处理问题，甚至可以识别潜在故障。这样的快速诊断方式可以减少停机时间、降低成本并优化产能。
“特征”工程识别复杂模式
“特征”工程是开发可靠人工智能模型的重要技术，该方法从测量数据中找出复杂的统计相关性。例如，为了找出这样的统计相关，可以用相关系数表示在一段时间内两个或多个“特征”的关联变化。数据科学家会根据设备的历史数据来开发新的“特征”。与仅使用原始数据相比，这样做可以更可靠地识别异常情形。例如，通过振动测量或频率转换获得的高频信号，可以基于数学模型分解到相应的不同频段上。人工智能模型从设备的正常行为中学习信号的频段特性，相比于仅使用未分解的原始信号，可更好地预测故障可能性。
魏德米勒凭借“工业分析”的综合方法，在“企业对企业商务***奖”竞赛类别中赢得了2018年德国创新奖。工业分析业务部门研发负责人MarkusKöster博士和工业分析业务部门负责人TobiasGaukstern在柏林接受了该奖项。