Industrie
❯
Maintenance prédictive
❯Analyse basée sur l'apprentissage automatique des données d'opération de traitement par lots pour identifier les causes des mauvaises performances des lots
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
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.Objectif:
AutreProblème adressé
Fournissez des informations à l'équipe d'exploitation pour améliorer la productivité de la fabrication par lots grâce à l'apprentissage automatique sur les données d'exploitation historiques.
But du cas d'usage
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.
Description
Le fonctionnement par lots est généralement assez complexe, impliquant une dynamique dans le fonctionnement et l'interaction de diverses variables de processus. Pour cette raison, quelques lots finissent parfois par fonctionner plus lentement que le temps de lot nominal et quelques lots donnent également des produits finaux de mauvaise qualité, entraînant une perte de production importante. De plus, souvent dans le contexte industriel, la taille et la variété des données sont limitées et développer un modèle d'apprentissage automatique robuste à partir d'ensembles de données disponibles limités est une tâche difficile. En raison de la nature transitoire des données d'opération par lots, l'algorithme PCA traditionnel ne parvient pas à analyser les données par lots et, par conséquent, MPCA a été appliqué comme une extension logique de l'algorithme PCA. Comme MPCA prend naturellement en compte la dynamique des données et les intercorrélations entre les variables de processus, il fournit un aperçu précieux sur les données de lot. L'approche a été démontrée avec succès sur les données du processus de pasteurisation du lait où seulement quatre lots ont été fournis pour la modélisation. À l'aide de ces quatre lots de semences, l'algorithme a créé synthétiquement cinquante lots de données et introduit des anomalies dans certains lots. Le concept de conception d'expériences et de perturbations stochastiques a été utilisé dans la génération synthétique de l'ensemble de données. Le travail a permis de construire avec succès un modèle MPCA robuste avec de telles données et d'isoler les mauvais lots de données des bons lots de données. De plus, grâce aux tracés de contribution, l'algorithme a identifié quand un certain lot dérivait du fonctionnement nominal et quelles variables étaient à l'origine du mauvais fonctionnement du lot.