实例探究.

添加案例

我们的案例数据库覆盖了全球物联网生态系统中的 6,478 家解决方案供应商。
您可以通过筛选条件进行快速浏览。

筛选条件
  • (2)
    • (2)
  • (1)
  • (1)
  • (2)
  • (1)
  • (1)
  • (1)
  • (1)
  • (1)
  • (1)
  • (1)
  • (2)
Selected Filters
2 实例探究
排序方式:
Novel Deep Learning Approach for Predictive Maintenance and Process Optimization - Intellegens Industrial IoT Case Study
用于预测性维护和流程优化的新型深度学习方法
大多数组织对其流程采用“反应性维护”方法,即在发生故障后对设备进行维修和更换。机器发生故障后的维修成本大约高出 10 倍,更不用说对收入和客户满意度的直接影响。通过“预防性维护”,设备按照预先设定的时间间隔进行维修或更换,以避免故障。虽然这种方法减少了计划外停机时间,但代价高昂,因为这些计划维修发生在设备没有任何问题的情况下。然而,预测性维护的好处是显着的,因此它正成为制造商的首选方法,使组织能够在需要时预见和安排维修和更换,实现设备 100% 的正常运行时间。制造业中传统机器学习的一个挑战是技术需要干净和完整的数据。然而,制造和过程数据可能是稀疏且嘈杂的。目前,工程师很难访问和解释生产过程数据,他们依靠个人经验和意见来修改工艺参数。这会导致决策的不一致和潜在的次优决策,此外还增加了流程失败的风险,增加了相关的时间和成本。由于改变操作参数及其影响之间的固有时间滞后和惯性,生产线特别难以使用标准技术建模。通过应用相关和创新的深度学习技术来更有效地设计生产流程,也可以显着降低与废料和失败生产相关的成本。
下载PDF
Optimizing Tooling for Composite Drilling Using Deep Learning - Intellegens Industrial IoT Case Study
使用深度学习的复合钻孔工具优化
层压纤维增强聚合物 (FRP) 基复合材料在推动高性能轻质部件的行业中越来越普遍,例如航空航天。这是由于它们出色的机械性能和高度可定制的设计。尽管这种可定制性增加了设计选择,但它会对制造过程中的成本、生产力和可持续性产生负面影响。这在加工中尤其明显,在加工中会出现 FRP 零件特有的缺陷。此处描述的工作建立了一种新的基于机器学习的方法,可以根据寿命开始性能数据预测工具寿命,从而减少实验时间和成本。该项目特别具有挑战性,因为原始数据集很稀疏,缺少 82% 的目标数据。
下载PDF

联系我们

欢迎与我们交流!
* Required
* Required
* Required
* Invalid email address
提交此表单,即表示您同意 IoT ONE 可以与您联系并分享洞察和营销信息。
不,谢谢,我不想收到来自 IoT ONE 的任何营销电子邮件。
提交

感谢您的信息!
我们会很快与你取得联系。