Mes Opérations
❯
Maintenance prédictive
❯Service de maintenance prédictive des moteurs à réaction
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
Représentation des connaissances - Réseau bayésien
Pour:
Ingénieurs procédés.
But:
Application des réseaux bayésiens à l'analyse des causes profondes des processus industriels.
Objectif:
Améliorer l'efficacité des opérations
Maintenance prédictive des ascenseurs HLM
Pour:
Société FM, résidents en HLM
But:
Construire une solution d'IA capable de prédire les dysfonctionnements d'un ascenseur
Objectif:
Autre
Prédiction des pannes de produit pour l'infrastructure informatique critique
Pour:
Ingénieurs QA, techniciens de ligne de fabrication, technico-commerciaux
But:
Construire une solution d'IA pour augmenter les ingénieurs QA
Objectif:
Autre
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
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 spatiales
But:
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.
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
Détection et suppression des interférences porteuses pour les communications par satellite
But:
Détection, classification et suppression basées sur l'apprentissage automatique des signaux d'interférence pour les systèmes de communication par satellite.
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
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 aériennesObjectif:
AutreBut du cas d'usage
Utilisation des données de télémétrie des moteurs à réaction pour former des algorithmes de maintenance prédictive
Description
En collectant de grandes quantités de données de télémétrie à partir de moteurs à réaction installés sur des avions de ligne commerciaux ainsi que leur historique de maintenance, des algorithmes d'apprentissage automatique peuvent être formés pour prédire comment ces moteurs peuvent tomber en panne à l'avenir. Après avoir fait de telles prédictions, la maintenance peut être effectuée de manière proactive sur les moteurs des avions de ligne avant que les problèmes ne surviennent réellement, améliorant la sécurité et réduisant les coûts en disposant d'un équipement plus fiable et prévisible, ce qui rend les vols des compagnies aériennes moins sujets aux perturbations. Pour permettre la collecte de grandes quantités de journaux de télémétrie et de maintenance des moteurs à réaction (big data) à utiliser dans la formation sur les modèles ML, les compagnies aériennes exploitant les avions ainsi que les fabricants de moteurs à réaction sont tenus de participer. Mais les données de télémétrie ou les journaux de maintenance des moteurs à réaction peuvent contenir des données d'entreprise exclusives et confidentielles sous le contrôle exclusif des fabricants de moteurs à réaction. Par conséquent, l'utilisation des données propriétaires dans la formation sur modèle par l'entreprise qui développe le service de maintenance doit être expliquée et transparente afin que les compagnies aériennes et les motoristes sachent comment leurs données sont utilisées et pour s'assurer que leurs données propriétaires ne sont pas partagées avec leur concours. Le processus de formation des modèles et la manière dont les données sont utilisées doivent être explicables et transparents, et l'utilisation de techniques d'anonymisation appliquées aux parties des données contenant des informations exclusives doit être décrite pour garantir la fiabilité. Un tel niveau de transparence et d'explicabilité peut ensuite être utilisé dans les contrats nécessaires pour permettre le partage de données dans l'industrie. Sans une telle transparence et explicabilité de l'utilisation des données dans la formation des modèles ML, le partage de données ne proliférerait pas et l'adoption des technologies ML serait entravée.