Ma R&D
❯
Amélioration produit
❯Tirer parti de l'IA pour améliorer la qualité de l'adhésif
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.
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.