Mes Opérations
❯
Maintenance prédictive
❯Satellite à réseau d'antennes actives
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
Représentation des connaissances - Réseau bayésien
Maintenance prédictive des ascenseurs HLM
Prédiction des pannes de produit pour l'infrastructure informatique critique
Classification automatisée des défauts sur les surfaces des produits
Analyser et prédire l'efficacité du traitement acide sur la zone de fond de puits
Approche basée sur l'apprentissage automatique pour identifier les points faibles dans la fabrication de disjoncteurs.
Satellite à réseau d'antennes actives
Technologie intelligente pour contrôler les opérations manuelles via vidéo Norma
Service de maintenance prédictive des moteurs à réaction
Détection et suppression des interférences porteuses pour les communications par satellite
Fabrication et usines - Maintenance prédictive
Solution pour détecter les signes de pannes dans le système de production d'énergie éolienne
Analyse basée sur l'apprentissage automatique des données d'opération de traitement par lots pour identifier les causes des mauvaises performances des lots
Satellite à réseau d'antennes actives
Pour:
Opérateurs de systèmes de communication par satellite Utilisateurs de systèmes de communication par satellite Autorités de régulation Agences spatialesObjectif:
AutreProblème adressé
Optimiser la qualité de service et l'allocation de la bande passante pour les utilisateurs d'un système satellitaire.
But du cas d'usage
Déterminer les modèles de faisceaux ponctuels optimaux pour les satellites de communication afin de réagir à l'évolution de la répartition géographique et des besoins en bande passante des terminaux.
Description
Le problème abordé dans ce cas d'utilisation est de trouver la configuration optimale des faisceaux ponctuels par rapport aux utilisateurs répartis de manière non uniforme sur la zone de service. À des fins de formation, l'algorithme ML serait alimenté avec différentes distributions terminales, par exemple générées de manière aléatoire, et un ensemble de paramètres de faisceau ponctuel. Les performances de la solution sont évaluées par des analyses du débit possible à l'échelle du réseau. Celle-ci prend en compte : les pertes de contours des bornes à leur emplacement ; l'interférence des faisceaux ponctuels transmettant sur la même bande de fréquence (schéma de 4 couleurs supposé); le diagramme d'antenne à faisceau multipoint HTS.
Apprentissage automatique
IA: Comprendre