В новом выпуске "Металлоснабжение и сбыт" вышла статья о машинном обучении и компьютерном зрении в промышленности
#индустрия_4.0 #цифровизация #машинное_обучение
С 2018 по 2023 г. объем отечественного рынка решений в сфере машинного обучения выросла в 5 раз. В статье приводятся примеры кейсов для повышения промышленной безопасности, выявления нарушений на производстве.
Так, на Кольской АЭС система автоматически фиксирует до 98 % нарушений, а общее количество нарушений сократилось с 80 до 8 в неделю.
#индустрия_4.0 #цифровизация #машинное_обучение
С 2018 по 2023 г. объем отечественного рынка решений в сфере машинного обучения выросла в 5 раз. В статье приводятся примеры кейсов для повышения промышленной безопасности, выявления нарушений на производстве.
Так, на Кольской АЭС система автоматически фиксирует до 98 % нарушений, а общее количество нарушений сократилось с 80 до 8 в неделю.
Решение на базе нейросетей стало победителем номинации ТМК на конкурсе молодых ученых
#Машинное_обучение
Проект по обнаружению дефектов труб стал лидером в специальной номинации в рамках конкурса молодых ученых «Нефтегазовые проекты: взгляд в будущее».
Победитель представил на конкурсе сервис по обнаружению дефектов в нефте- и газопроводах на основе искусственного интеллекта. Решение анализирует данные, полученные в результате дефектоскопии трубопроводов, с помощью сверточных нейронных сетей и выявляет дефекты на уровне лучших мировых аналогов. Благодаря использованию технологии машинного обучения процесс диагностики автоматизируется, что снижает воздействие человеческого фактора и позволяет сократить время обработки данных дефектоскопии почти в три раза.
Алгоритм запатентован и испытан на реальных промышленных данных. По итогам тестирования точность обнаружения дефектов превысила 90%, точность классификации дефектов по типу составила 95%, точность определения толщины стенки в месте дефекта – 0,2 мм.
#Машинное_обучение
Проект по обнаружению дефектов труб стал лидером в специальной номинации в рамках конкурса молодых ученых «Нефтегазовые проекты: взгляд в будущее».
Победитель представил на конкурсе сервис по обнаружению дефектов в нефте- и газопроводах на основе искусственного интеллекта. Решение анализирует данные, полученные в результате дефектоскопии трубопроводов, с помощью сверточных нейронных сетей и выявляет дефекты на уровне лучших мировых аналогов. Благодаря использованию технологии машинного обучения процесс диагностики автоматизируется, что снижает воздействие человеческого фактора и позволяет сократить время обработки данных дефектоскопии почти в три раза.
Алгоритм запатентован и испытан на реальных промышленных данных. По итогам тестирования точность обнаружения дефектов превысила 90%, точность классификации дефектов по типу составила 95%, точность определения толщины стенки в месте дефекта – 0,2 мм.
Benteler полагаются на искусственный интеллект для проверки качества продукции
#ИИ #Машинное_обучение #Цифровизация
Немецкий производитель автомобильных деталей Benteler International AG производит компоненты методом горячей штамповки. В процессе производства образуются механические дефекты и дефекты геометрии.
Вместе с Fraunhofer IEM была разработана система, которая использует данные датчиков в режиме реального времени и искусственный интеллект при горячем формовании деталей.
Для этого искусственный интеллект сравнивает данные датчиков в реальном времени, такие как температура и количество охлаждающей воды на производстве, с данными моделирования и учитывает дополнительные факторы, такие как условия окружающей среды и производственные параметры. Тепловизоры также предоставляют непрерывную информацию о распределении тепла в компонентах.
В результате система выдает рекомендации, которые позволяют принять решение о том, какие продукты должны быть подвергнуты дополнительной проверке качества.
#ИИ #Машинное_обучение #Цифровизация
Немецкий производитель автомобильных деталей Benteler International AG производит компоненты методом горячей штамповки. В процессе производства образуются механические дефекты и дефекты геометрии.
Вместе с Fraunhofer IEM была разработана система, которая использует данные датчиков в режиме реального времени и искусственный интеллект при горячем формовании деталей.
Для этого искусственный интеллект сравнивает данные датчиков в реальном времени, такие как температура и количество охлаждающей воды на производстве, с данными моделирования и учитывает дополнительные факторы, такие как условия окружающей среды и производственные параметры. Тепловизоры также предоставляют непрерывную информацию о распределении тепла в компонентах.
В результате система выдает рекомендации, которые позволяют принять решение о том, какие продукты должны быть подвергнуты дополнительной проверке качества.
ММК внедряет автоматизированную цифровую систему для контроля качества оцинкованных холоднокатаных рулонов
#ММК #Машинное_обучение #ИИ #Цифровизация
В ЛПЦ №11 ММК проходят опытно-промышленные испытания автоматизированной системы-советчика для внутренней аттестации рулонов, производимых на агрегате непрерывного горячего цинкования.
Система разработана на основе данных дефектоскопа Parsytec. Дефектоскоп в автоматическом режиме способен распознавать более 40 изъянов металлопродукции, таких как дыры, вкатанные частицы, плёнку, окалину и другие, и выдавать оператору дефектограмму рулона.
Система, используя информацию с дефектоскопа и математическую модель, обученную на исторических данных о результатах аттестации рулонов, выдает рекомендацию присвоить каждому произведенному рулону статус: «годный» или «брак». Кроме того, на этапе отгрузки готовой продукции потребителю система-советчик будет оценивать вероятность поступления претензии от потребителя.
#ММК #Машинное_обучение #ИИ #Цифровизация
В ЛПЦ №11 ММК проходят опытно-промышленные испытания автоматизированной системы-советчика для внутренней аттестации рулонов, производимых на агрегате непрерывного горячего цинкования.
Система разработана на основе данных дефектоскопа Parsytec. Дефектоскоп в автоматическом режиме способен распознавать более 40 изъянов металлопродукции, таких как дыры, вкатанные частицы, плёнку, окалину и другие, и выдавать оператору дефектограмму рулона.
Система, используя информацию с дефектоскопа и математическую модель, обученную на исторических данных о результатах аттестации рулонов, выдает рекомендацию присвоить каждому произведенному рулону статус: «годный» или «брак». Кроме того, на этапе отгрузки готовой продукции потребителю система-советчик будет оценивать вероятность поступления претензии от потребителя.