Industrie
❯
Amélioration produit
❯Tirer parti de l'IA pour améliorer la qualité de l'adhésif
Solution d'IA pour identifier rapidement les défauts lors du processus d'assurance qualité sur les pales d'éoliennes
Pour:
Fabricant
But:
Détecter les défauts des produits en inspectant les données de numérisation des tests non destructifs.
Objectif:
Autre
Décryptage IA des magnétogrammes
Pour:
Fabricant
But:
Transport de pétrole et de gaz. Solution d'IA pour identifier rapidement les défauts lors du processus d'assurance qualité sur un pipeline de terrain.
Objectif:
Améliorer l'efficacité des opérations
Tirer parti de l'IA pour améliorer la qualité de l'adhésif
Pour:
Industries manufacturières; fournisseurs et acheteurs; environnement
But:
Fabrication par lots/continue/discrète (déployée dans plus de 75 lignes de fabrication dans plus de 10 pays ; identifier spécifiquement les contributeurs à la qualité ; prédire les défaillances potentielles de la qualité).
Objectif:
Autre
Amélioration de la productivité de la fabrication de semi-conducteurs
Pour:
Dirigeants d'entreprises de fabrication de semi-conducteurs
But:
Analyse des données extraites des équipements de production et amélioration de la productivité sur la base de l'analyse.
Objectif:
Autre
Conception générative de pièces mécaniques
Pour:
Organisations, concepteurs, clients, utilisateurs finaux
But:
Aidez les ingénieurs en mécanique à concevoir des pièces plus légères, plus solides et de meilleure qualité.
Outil de classification automatique pour le noyau de taille réelle
Pour:
Fabricant, géologue
But:
Exploration pétrolière et gazière, classification des types de roches, saturation en huile, carbonate et fracture selon les images de base
Objectif:
Autre
Extraction d'informations à partir de fiches de contrôle industriel marquées à la main
Pour:
Entreprises de fabrication, inspecteurs de machines, ingénieurs
But:
Localisation et cartographie des zones machine, flèches et texte, pour extraire les informations des fiches d'inspection étiquetées manuellement.
Optimisation de la consommation de ferroalliage pour une entreprise de production d'acier
Pour:
Sidérurgie, industrie sidérurgique
But:
Recommandation pour la consommation optimale des ferroalliages par le traitement du four poche lors de la sidérurgie secondaire.
Objectif:
Autre
De nouvelles simulations d'apprentissage automatique réduisent les besoins énergétiques des tissus de masque N95
Pour:
Entreprises de fabrication de tissus de masques à haute densité, dans ce projet 3M en particulier.
Objectif:
Amélioration du développement de produits / R&D
Solution d'IA pour calculer la quantité de matière contenue à partir des données de mesure de la spectrométrie de masse
But:
Calcul de la quantité de matière contenue à partir des données de mesure de spectrométrie de masse à l'aide de la chromatographie.
Objectif:
Réduire les coûts
Tirer parti de l'IA pour améliorer la qualité de l'adhésif
Pour:
Industries manufacturières; fournisseurs et acheteurs; environnementObjectif:
AutreProblème adressé
Améliorer la qualité de l'adhésif, l'analyse comparative des performances.
But du cas d'usage
Fabrication par lots/continue/discrète (déployée dans plus de 75 lignes de fabrication dans plus de 10 pays ; identifier spécifiquement les contributeurs à la qualité ; prédire les défaillances potentielles de la qualité).
Description
La plate-forme d'intelligence de signal Cerebra IoT a ingéré plus de trois ans de données de processus et de données de capteurs concernant les opérations de l'usine à partir de capteurs de température, de régime, de couple et de pression qui étaient attachés à des mélangeurs industriels. Ce sont les capteurs obligatoires pour les opérations. Cerebra a utilisé ses algorithmes de détection d'épisodes (apprentissage profond) pour filtrer les signaux du bruit et identifier spécifiquement les contributeurs à la qualité (signatures d'anomalies) qui peuvent ensuite être utilisés comme signaux pour prédire la qualité. Il a utilisé ses algorithmes de notation propriétaires basés sur la distance euclidienne à N dimensions pour normaliser et présenter un score unifié à l'équipe commerciale. Ce score de santé unifié a fourni à l'équipe de processus une perspective différente pour comparer, cibler spécifiquement et améliorer radicalement l'efficacité des processus. Cerebra a ensuite exploité ses modèles d'ensemble sophistiqués pour prédire les défaillances potentielles de la qualité, permettant à l'équipe des opérations de prendre des mesures en temps réel pour contrôler les écarts de processus. Les signaux identifiés dans les étapes précédentes fournissent une explicabilité du modèle à l'utilisateur final pour les raisons de l'écart de qualité.