Industrie
❯
Maintenance prédictive
❯Solution pour détecter les signes de pannes dans le système de production d'énergie éolienne
La technologie d'apprentissage en profondeur combinée à l'analyse des données topologiques permet d'estimer avec succès le degré de dommages internes à l'infrastructure du pont
But:
Estimer et détecter le risque d'effondrement catastrophique des ponts anciens.
Objectif:
Améliorer l'efficacité des opérations
Classification automatisée des défauts sur les surfaces des produits
Pour:
Industries sanitaires
But:
Analyse d'images pour les robinets d'eau dans les industries sanitaires.
Objectif:
Autre
Analyser et prédire l'efficacité du traitement acide sur la zone de fond de puits
Pour:
Fabricant
But:
Extraction de pétrole et de gaz; assistant numérique pour analyser et prédire l'efficacité des traitements acides de la zone de fond de puits.
Objectif:
Autre
Approche basée sur l'apprentissage automatique pour identifier les points faibles dans la fabrication de disjoncteurs.
Pour:
Fabricant de disjoncteurs haute tension (HT)
But:
Détecter les problèmes dans le processus de fabrication qui conduisent à une défaillance précoce des disjoncteurs grâce à l'exploration de données liées au processus de fabrication.
Objectif:
Autre
Technologie intelligente pour contrôler les opérations manuelles via vidéo Norma
Pour:
Entreprises industrielles, entreprises de réparation, ateliers de réparation, opérateurs de produits d'ingénierie.
But:
Technologie de visualisation d'info-bulles (réalité augmentée) basée sur le processus technologique et le contrôle des opérations manuelles dans l'assemblage, la maintenance et la réparation de produits d'ingénierie.
Objectif:
Autre
Service de maintenance prédictive des moteurs à réaction
Pour:
Industrie du transport aérien, industrie des moteurs à réaction, industrie de la maintenance des compagnies aériennes, fournisseurs d'IA basés sur le cloud, industrie de l'assurance des compagnies aériennes
But:
Utilisation des données de télémétrie des moteurs à réaction pour former des algorithmes de maintenance prédictive
Objectif:
Autre
Fabrication et usines - Maintenance prédictive
Pour:
Exploitation, R&D
But:
Éviter les arrêts non planifiés dans la fabrication en utilisant l'apprentissage automatique pour prédire les états de défaillance des équipements.
Objectif:
Anticiper les risques, améliorer l'efficacité des opérations
Solution pour détecter les signes de pannes dans le système de production d'énergie éolienne
But:
Détecter les signes de dysfonctionnement (panne) dans les éoliennes
Objectif:
Améliorer l'efficacité des opérations
Analyse basée sur l'apprentissage automatique des données d'opération de traitement par lots pour identifier les causes des mauvaises performances des lots
Pour:
Les fabricants de lots tels que les pasteurisateurs de lait, les fabricants de produits pharmaceutiques, les fabricants de peinture, etc.
But:
Détecter les problèmes dans un processus de fabrication par lots qui conduisent à des produits de mauvaise qualité ou à des temps de cycle plus longs pour le traitement par lots.
Objectif:
Autre
Solution pour détecter les signes de pannes dans le système de production d'énergie éolienne
Objectif:
Améliorer l'efficacité des opérationsProblème adressé
Détectez les signes de défaillance dans la production d'énergie éolienne plus tôt que la détection par des spécialistes humains.
But du cas d'usage
Détecter les signes de dysfonctionnement (panne) dans les éoliennes
Description
Nous présentons une méthode de détection d'anomalies dans les signaux vibratoires des composants d'éoliennes. 16 Les caractéristiques prédominantes des signaux de vibration des éoliennes sont extraites en appliquant une méthode d'extraction de caractéristiques temps-fréquence basée sur les caractéristiques d'autocorrélation locale de Fourier (FLAC). Pour la détection des anomalies, une classification à classe unique basée sur une approche de regroupement non supervisée est appliquée en tenant compte des conditions de fonctionnement dynamiques des éoliennes et de l'environnement. Pour valider le système proposé, nous avons mené des expériences en utilisant les données de vibration d'éoliennes réelles de 2 mégawatts (MW). Les résultats ont montré l'efficacité de l'utilisation des fonctionnalités FLAC, en particulier dans le cas du palier principal à basse vitesse où la méthode conventionnelle avec des fonctionnalités traditionnelles ne peut pas détecter les anomalies.