The Cerebra IoT signal intelligence platform ingested three
plus years of process data and sensor data regarding plant
operations from temperature, rpm, torque and pressure
sensors that were strapped on to industrial mixers. These are
the mandatory sensors for the operations. Cerebra used its
episode detection algorithms (deep learning) to filter signals
from noise and specifically identify the contributors to
quality (anomaly signatures) that can then be used as signals
to predict quality. It used its proprietary N-dimensional
Euclidian distance-based scoring algorithms to normalize
and present a unified score to the business team. This unified
health score provided the process team with a different lens
to benchmark, specifically target and radically improve
process efficiencies. Cerebra then leveraged its sophisticated
ensemble models to predict potential quality failures,
allowing the operations team to take real-time actions to
control process deviations. The signals identified in the
earlier steps provide model explainability to the end-user for
reasons behind quality deviation.

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.

The Cerebra IoT signal intelligence platform provides the
ability to have a holistic perspective and understanding of
the sensitivity of the key parameters affecting output quality
and the ability to monitor and control the process in real-
time. This would avoid variations in yields, build-up of
inventories and missed customer deadlines.

La plate-forme d'intelligence de signal Cerebra IoT offre la possibilité d'avoir une perspective holistique et une compréhension de la sensibilité des paramètres clés affectant la qualité de sortie et la capacité de surveiller et de contrôler le processus en temps réel. Cela éviterait les variations de rendement, l'accumulation de stocks et le non-respect des délais des clients.

Leveraging AI to enhance adhesive quality