Umetna inteligenca
v proizvodnji

Modeli umetne inteligence za odkrivanje napak, prepoznavanje vzorcev in predvidevanje dogodkov oziroma delovanja sistemov v proizvodnji.

Kontakt

Optimizacija proizvodnega procesa

Proizvodne procese optimiramo z analizami ter strojnimi in programskimi rešitvami po meri. Naše celovite rešitve omogočajo napredno zbiranje in analizo podatkov, kar zagotavlja vpogled v realnem času in sprejemanje informiranih odločitev. Z uporabo algoritmov globokega učenja lahko natančno predvidimo delovanje sistemov, ocenjujemo parametre kakovosti in učinkovito prepoznavamo odstopanja.

Odkrivanje deformacij s pomočjo AI

Sistem računalniškega vida, ki ga podpira umetna inteligenca (AI), je izjemno učinkovit pri odkrivanju napak na kompleksnih izdelkih kar na proizvodni liniji. Sistem zbira slikovne podatke visoke ločljivosti iz kamer in senzorjev, ki jih nato obdela in analizira v realnem času. Tehnologija je zasnovana tako, da je odporna na spremembe v osvetlitvi, strukturi materiala in položaju produkta, kar zagotavlja visoko natančnost in doslednost pregleda.

Model segmentacije za prepoznavo variacij

AI modeli segmentacije, kot sta U-net in YOLO, omogočajo natančno razvrščanje na ravni slikovnih točk in so odporni na spremembe geometrijskih lastnosti ter spremembe osvetlitve. Zato so učinkovitejši od tradicionalnih algoritmov za primerjanje slik z referenčno sliko. Zmanjšana potreba po ponovnem učenju modelov in izboljšavah natančnosti prispevata k večji učinkovitosti, zanesljivosti in splošni kakovosti proizvedenih izdelkov.

Prepoznavanje vzorcev kritičnih napak

Z analizo obsežnih količin podatkov, zbranih iz senzorjev, naprav IoT in zgodovinskih zapisov, lahko modeli umetne inteligence prepoznajo vzorce, ki napovedujejo prihodnje dogodke ali pogoje. Ti vzorci so ključnega pomena za življenjsko dobo strojev, saj razkrivajo kritične parametre, s katerimi lahko določamo optimalni čas vzdrževalnih posegov. Ta pristop zagotavlja maksimalen operativni čas strojev, saj jih ščiti pred predčasnimi okvarami ali prekomerno obrabo.
Elestor BV
Estebanell Energia SA
Hafenstrom AS
Halogaland Kraft (Noranett)
Plastika Skaza
Stadtwerk Hassfurt
SWW Wunsiedel

Specializirane AI rešitve za optimalno učinkovitost proizvodnje

AI modeli v proizvodnji zagotavljajo visoko natančnost in omogočajo spremljanje rezultatov v realnem času, kar bistveno izboljša odkrivanje tudi najsubtilnejših anomalij, ki jih tradicionalne metode pogosto spregledajo. Pri razvoju teh sistemov združujemo naše obsežno znanje in izkušnje na področjih strojnega oz. računalniškega vida, akustike, prediktivnega vzdrževanja ter optimizacije upravljanja z energijo.

V sistemih s strojnim vidom umetna inteligenca odkriva napake in zagotavlja skladnost produktov. V akustičnem zaznavanju AI analizira zvočne podatke za spremljanje obrabe strojev. Prediktivno vzdrževanje izkoristi sposobnost umetne inteligence za napovedovanje okvar opreme in strojev ter optimizacijo pogostosti vzdrževanja, kar pomaga skrajšati čas nedelovanja in zmanjšati stroške. Pri upravljanju z energijo pa s pomočjo dobrih napovedi umetna inteligenca lahko pomaga optimirati porabo energije, preprečevati energetske izgube in povečevati učinkovitost.

Ai Image1 Zaslon

Visual Inspection Image4 1 Zaslon

Razvoj in integracija AI rešitev

Razvoj in integracija AI rešitev vključujeta vzpostavitev sistema, ki čimbolj posnema pogoje končne implementacije. Tako postavljen razvojni sistem najprej zajema in dopolnjuje podatke, ki so ključni za nadaljnje uspešno učenje in optimizacijo modela. Ko je model ustrezno pripravljen, se ga vključi v glavni program, kjer izvaja predikcije v realnem času. Tako sistem nenehno preverja in določa ustreznost vsakega kosa na proizvodni liniji, kar zagotavlja visoko raven kakovosti in učinkovitosti.

Naši modeli umetne inteligence so zasnovani tako, da jih je mogoče prilagoditi različnim nastavitvam strojne opreme, nova oprema pa se dodaja le po potrebi. Te modele lahko integriramo v obstoječe aplikacije, neodvisno od uporabljenega programskega jezika.

AI modeli podpirajo postopno učenje, kar omogoča njihovo posodabljanje z novimi podatki brez potrebe po celovitem ponovnem učenju. To znatno skrajša čas, potreben za prilagajanje proizvodnih linij novim produktom, saj se modeli lahko hitro in učinkovito prilagodijo spremembam.

Tehnologija globokega učenja:
YOLO model

Tehnologija globokega učenja z uporabo globokih večplastnih nevronskih mrež ponuja odlične rezultate pri prepoznavanju govora in slik, razumevanju besedila in izkustvenem učenju. Pri kontroli proizvodne linije uporabljamo model »YOLO« (You Only Look Once) zaradi njegove izjemne hitrosti in natančnosti pri zaznavanju predmetov. Ta pristop, zgrajen na zbirki vhodnih podatkov za učenje, omogoča natančen nadzor nad izhodnimi informacijami. S sistematično analizo vnesenih vzorcev se sistem nauči prepoznavati odstopanja v kontrastu slikovnih točk glede na določene parametre in meje vrednosti, kar omogoča natančno prepoznavanje napak.

Pomembna prednost uporabe modelov umetne inteligence, kot je YOLO, v sistemih strojnega vida je njihova odpornost na spremembe vhodnih podatkov, kot so premiki kamere ali spremembe osvetlitve. Prilagodljivost takšnega algoritma zagotavlja dosledne rezultate kljub vplivom iz okolja, zato je to neprecenljivo orodje za ohranjanje visoke kakovosti in učinkovitosti v proizvodnih procesih.

X Ray Zaslon

Razvoj AI modela

1

Simulacija postavitve

Vzpostavitev različice sistema, ki je zelo podobna končni implementaciji. Ustvari se 3D model sistema in izdelajo se vse komponente po meri.
2

Zajem slik

Zajemanje slik in augmentacija podatkov, prepoznavanje in označevanje vrste, velikosti in lokacije napak na slikah ter ustvarjanje obsežnega nabora podatkov za učenje AI modela.
3

Učenje AI modela

Učenje in optimizacija AI modela poteka v več ciklih, nato pa sledi izdelava glavnega programa za nadzor opreme, komunikacijo sistema s proizvodno linijo in vključitev AI modela.
4

Integracija

Končni AI model je implementiran v glavni program, ki izvaja analizo posamezne slike in odloča o ustreznosti vsakega kosa.

Aplikacije

Umetna inteligenca
in strojni vid

Umetna inteligenca v sistemih s strojnim vidom odkriva napake in prepoznava vzorce s pomočjo slikovnih podatkov visoke ločljivosti, zbranih z naprednimi kamerami in senzorji. Ti podatki so vnaprej obdelani in pripravljeni za ekstrakcijo posameznih lastnosti za zagotavljanje še višje kakovosti.

Prediktivno
vzdrževanje

Prediktivno vzdrževanje uporablja umetno inteligenco za spremljanje stanja in delovanja opreme oz. strojev z analizo podatkov iz številnih senzorjev, ki spremljajo parametre skozi čas. S prepoznavanjem kritičnih vzorcev umetna inteligenca predvidi optimalni čas za vzdrževalne posege, kar omogoča maksimalni čas delovanja stroja ter posledično ščiti pred okvaro ali prekomerno obrabo.

Prediktivno upravljanje
z energijo

Prediktivno upravljanje energije z umetno inteligenco zbira podatke v realnem času iz senzorjev in naprav IoT, ki jih dopolnjujejo pretekli podatki o porabi. Ti podatki so vnaprej obdelani in pripravljeni za analizo.

Akustično
zaznavanje

Akustično zaznavanje z umetno inteligenco spremlja in analizira zvoke različnih naprav, da bi prepoznali nepravilnosti, napovedali potrebe po vzdrževanju in izboljšali učinkovitost delovanja. Zvočna vsebina se zbira s pomočjo mikrofonov in senzorjev ter je nato vnaprej obdelana za prepoznavanje ustreznih značilnosti.

Umetna inteligenca
in strojni vid

Umetna inteligenca v sistemih s strojnim vidom odkriva napake in prepoznava vzorce s pomočjo slikovnih podatkov visoke ločljivosti, zbranih z naprednimi kamerami in senzorji. Ti podatki so vnaprej obdelani in pripravljeni za ekstrakcijo posameznih lastnosti za zagotavljanje še višje kakovosti.

V sistemih uporabljamo modele umetne inteligence in strojnega učenja, kot je YOLO, ki jih usposabljamo z nadzorovanim učenjem na označenih podatkovnih zbirkah in nenadzorovanim učenjem za zaznavanje anomalij. Ti modeli so nameščeni na tim. robnih (edge) platformah ali v oblaku za analizo v realnem času, izvajanje pa pospešimo z uporabo večjedrne obdelave podatkov (GPU).

Naš sistem zaznava napake, kot so površinske praske, nepravilne poravnave in dimenzije. Pri tem zagotavlja visoko natančnost, hitrost in doslednost ter omogoča sistemsko skalabilnost. Ta pristop prihrani stroške in izboljša učinkovitost, saj prekaša tradicionalne algoritme v proizvodnih okoljih.
Prediktivno
vzdrževanje

Prediktivno vzdrževanje uporablja umetno inteligenco za spremljanje stanja in delovanja opreme oz. strojev z analizo podatkov iz številnih senzorjev, ki spremljajo parametre skozi čas. S prepoznavanjem kritičnih vzorcev umetna inteligenca predvidi optimalni čas za vzdrževalne posege, kar omogoča maksimalni čas delovanja stroja ter posledično ščiti pred okvaro ali prekomerno obrabo.

Zbiranje podatkov vključuje zajemanje podatkov v realnem času s pomočjo senzorjev IoT, dopolnjeno z zgodovinskimi zapisi o vzdrževanju. Podatki so vnaprej obdelani in pripravljeni za analizo. Modeli umetne inteligence in strojnega učenja, kot sta zaznavanje anomalij in prediktivno modeliranje, so trenirani s tehnikami nadzorovanega in nenadzorovanega učenja. Po uvedbi ti modeli neprekinjeno spremljajo opremo, zaznavajo anomalije, napovedujejo okvare in generirajo opozorila za vzdrževalne ekipe.

Prediktivno vzdrževanje privede do skrajšanega časa nedelovanja, nižjih stroškov, podaljšane življenjske dobe opreme, izboljšane varnosti in optimizacije pogostosti vzdrževalnih posegov.
Prediktivno upravljanje
z energijo

Prediktivno upravljanje energije z umetno inteligenco zbira podatke v realnem času iz senzorjev in naprav IoT, ki jih dopolnjujejo pretekli podatki o porabi. Ti podatki so vnaprej obdelani in pripravljeni za analizo.

Modeli umetne inteligence in strojnega učenja, kot sta napovedovanje časovnega poteka dogodkov in zaznavanje anomalij, so usposobljeni s tehnikami nadzorovanega in nenadzorovanega učenja. Modeli so nameščeni na tim. robnih (edge) platformah ali v oblaku ter optimirajo porabo energije, proizvodnjo in distribucijo v realnem času.

Ta rešitev zagotavlja nižje stroške, bolj trajnostno rabo energije, povečano zanesljivost in učinkovitost proizvodne linije. Pristop se uporablja za industrijsko optimizacijo energentov, upravljanje komercialnih stavb, sisteme za energetsko upravljanje v gospodinjstvih, uravnoteženje obremenitev v komunalnih storitvah in integracijo pametnih omrežij, kar bistveno izboljšuje celotno energetsko upravljanje in operativno učinkovitost.
Akustično
zaznavanje

Akustično zaznavanje z umetno inteligenco spremlja in analizira zvoke različnih naprav, da bi prepoznali nepravilnosti, napovedali potrebe po vzdrževanju in izboljšali učinkovitost delovanja. Zvočna vsebina se zbira s pomočjo mikrofonov in senzorjev ter je nato vnaprej obdelana za prepoznavanje ustreznih značilnosti.

Modeli umetne inteligence in strojnega učenja, kot sta zaznavanje anomalij in klasifikacija le-teh, so učeni z označeno in neoznačeno vsebino za prepoznavanje vzorcev normalnega in okvarjenega delovanja.

Po uvedbi ti modeli neprekinjeno spremljajo akustične signale, zaznavajo anomalije, napovedujejo okvare in generirajo opozorila za vzdrževalne ekipe. Pristop se uporablja za spremljanje rotirajoče opreme in motorjev, zaznavanje puščanj in zagotavljanje kakovosti izdelkov.

Podobne rešitve

Vizualna kontrola kakovosti

Integrirani in avtomatizirani vizualni sistemi za preverjanje kakovost temeljijo na tehnologiji umetne inteligence. S kamerami visoke ločljivosti omogočajo natančno in dosledno zaznavanje napak ter ocenjevanje kakovosti. Preverjanje je nedestruktivno in zagotavlja, da čisto vsak izdelek izpolnjuje stroge standarde kakovosti.

inSpect za pine konektorjev

Tehnologija vizualne kontrole za odkrivanje upognjenih pinov v elektronskih konektorjih, znotraj proizvodnega procesa, zajema slike visoke ločljivosti za natančno odkrivanje napak in merjenje višine pinov. Poleg tega zmanjšuje odseve ter upošteva mejne vrednosti dimenzij pinov in materialov.

inSpect za
gorivne celice

Tehnologija vizualne kontrole kakovosti znotraj proizvodnega procesa za množično proizvodnjo gorivnih celic (z role na rolo) v realnem času odkriva in analizira napake, kot so praske, razpoke, odvečni delci in nepravilni vzorci, hkrati pa spremlja ključne parametre procesa.

inSpect
CAT/DPF

Tehnologija vizualne kontrole katalizatorjev in/ali filtrov trdih delcev na proizvodni liniji vključuje uporabo kamer z visoko ločljivostjo za linijsko skeniranje, napredno osvetlitev in algoritme za obdelavo slik. Sistem omogoča natančno zaznavo blokad celic v katalizatorjih, odprtih celic v filtrih trdih delcev in različnih deformacij, kot so okruški, razpoke ali vdrtine.

Pogosta vprašanja

V podjetju INEA primarno razvijamo modele umetne inteligence z uporabo programskega jezika Python v okolju Visual Studio. To nam omogoča, da naše rešitve posebej prilagodimo edinstvenim potrebam vsakega projekta, kar zagotavlja optimalno delovanje in prilagodljivost.
Najprej analiziramo potrebe, izberemo optimalni model in priskrbimo potrebno opremo. Ustvarimo 3D model postavitve in izdelamo komponente po meri. Sprva zberemo dejanske slike za razvoj AI modela. Stranka in inženirska ekipa določita vrste in lokacije napak za ustvarjanje učnega nabora podatkov. Po ciklih usposabljanja in optimizacije dokončamo glavni nadzorni program. Sistem nato integriramo v proizvodno linijo, temu pa sledi obdobje fino uglaševanje nastavitve za nadaljnje izboljšanje modelov.
Časovni okvir za razvoj rešitve z umetno inteligenco se razlikuje glede na kompleksnost zahtevanih modelov. Prva faza običajno vključuje simulacijo postavitve sistema, ki tesno spominja na končno implementacijo. Druga faza vključuje zajem zadostnih slik/podatkov in povečanje nabora podatkov. Tretja faza je namenjena usposabljanju in optimizaciji modela. V četrti fazi je model integriran v glavni program za analiziranje posameznih slik/podatkov in določanje ustreznosti vsakega kosa.
Če se prvotno usposabljanje strogo drži ocene strokovnjaka za kakovost, vsaka sprememba sprejemnih kriterijev zahteva ponovno usposabljanje ali posodobitev modela. Vendar pa je prednostni pristop označevanje in kategoriziranje vseh napak med pripravo podatkov po velikosti in kontrastu. Ta metoda omogoča določanje ustreznosti izdelka z uporabo nastavljivih analitičnih parametrov, zaradi česar ni potrebno ponovno usposabljanje modela ob vsaki spremembi sprejemnih kriterijev.
V podjetju INEA primarno razvijamo modele umetne inteligence z uporabo programskega jezika Python v okolju Visual Studio. To nam omogoča, da naše rešitve posebej prilagodimo edinstvenim potrebam vsakega projekta, kar zagotavlja optimalno delovanje in prilagodljivost.
Najprej analiziramo potrebe, izberemo optimalni model in priskrbimo potrebno opremo. Ustvarimo 3D model postavitve in izdelamo komponente po meri. Sprva zberemo dejanske slike za razvoj AI modela. Stranka in inženirska ekipa določita vrste in lokacije napak za ustvarjanje učnega nabora podatkov. Po ciklih usposabljanja in optimizacije dokončamo glavni nadzorni program. Sistem nato integriramo v proizvodno linijo, temu pa sledi obdobje fino uglaševanje nastavitve za nadaljnje izboljšanje modelov.
Časovni okvir za razvoj rešitve z umetno inteligenco se razlikuje glede na kompleksnost zahtevanih modelov. Prva faza običajno vključuje simulacijo postavitve sistema, ki tesno spominja na končno implementacijo. Druga faza vključuje zajem zadostnih slik/podatkov in povečanje nabora podatkov. Tretja faza je namenjena usposabljanju in optimizaciji modela. V četrti fazi je model integriran v glavni program za analiziranje posameznih slik/podatkov in določanje ustreznosti vsakega kosa.
Če se prvotno usposabljanje strogo drži ocene strokovnjaka za kakovost, vsaka sprememba sprejemnih kriterijev zahteva ponovno usposabljanje ali posodobitev modela. Vendar pa je prednostni pristop označevanje in kategoriziranje vseh napak med pripravo podatkov po velikosti in kontrastu. Ta metoda omogoča določanje ustreznosti izdelka z uporabo nastavljivih analitičnih parametrov, zaradi česar ni potrebno ponovno usposabljanje modela ob vsaki spremembi sprejemnih kriterijev.

Kontaktirajte nas

Vas zanima več? Pošljite nam svoje sporočilo, tako da izpolnite obrazec. Z veseljem bomo stopili v stik z vami v najhitrejšem možnem času.


    Vaše osebne podatke bo INEA d.o.o., Stegne 11, Ljubljana, na podlagi zakonitega interesa (komuniciranje s strankami in javnostjo, (točka f 1. odstavka 6. člena GDPR) obdelovala za namen odgovora na vaše vprašanje oz. poizvedbo. Vaše osebne podatke bomo hranili do zaključka naše komunikacije, nato jih bomo izbrisali. Če ste nam dali privolitev (točka a 1. odstavka 6. člena GDPR), da želite prejemati vam prilagojene e-novice in ponudbe, bomo predvidevanja o vaših zanimanjih obdelovali na podlagi vaše uporabe naših storitev (nakupi, povpraševanja), do vašega preklica. Od prejemanja e-sporočil se lahko kadarkoli odjavite s klikom na povezavo v prejetem sporočilu. Več o obdelavi osebnih podatkov si lahko preberete v Politiki zasebnosti.