Evoluce v optimalizaci a automatizaci přináší efektivitu, která překonává tradiční lidské možnosti.
Inovátor v oblasti aplikované umělé inteligence. Automatizujeme lidskou práci a optimalizujeme výrobní procesy pomocí nejnovějších softwarových poznatků.
Integrátor v průmyslu. S naší spolehlivou sítí partnerů a dodavatelů postavíme řešení jako kompletní dodávku, ve které ručíme za kvalitu i spolehlivost při provozu.
Dynamický systém inteligentního řízení umožňuje automaticky reagovat na změny stavu výrobního systému a převzít rozhodování od lidských operátorů. Tím je možné řadu procesů urychlit a zefektivnit, a to i v provozech, které tradičními způsoby řízení už nebylo možné dále optimalizovat.
.svg){kind=icon}
Přínos: Úspora práce obsluhy, maximální využití nákladů na trysky, protože není nutné je měnit preventivně
Stroj pro laserové řezání plechu používá trysky, které se opotřebovávají průtokem plazmatu. Stroj má v sobě kameru a po každém řezání k ní tryska zajede a kamera pořídí fotografii. Zákazník má databázi anotovaných fotek vadných a funkčních trysek. Z těchto dat jsme naučili klasifikátor, který pak rozpoznával opotřebení trysek a podle toho odhadoval, kdy je potřeba ji vyměnit. Údržba nemusí trysku kontrolovat ručně po každém řezání a stroj automaticky ohlásí nutnou výměnu trysky pouze tehdy, je-li to třeba.
Přínos: Náhrada lidské síly a maximalizace výrobní kapacity, protože stroje nemusí čekat na tvorbu řezacího plánu
Při řezání plechu laserem se v případě tenkého plechu vyrobky tzv. sklopí (zespoda jsou podepřeny jen v několika bodech). Pokud se řezací hlava přesune přes takto sklopený výrobek, může se poškodit. Zákazník používal software pro optimalizaci řezacího plánu tak, aby se řezací hlava vyhnula vyřezaným výrobkům, ale tvorba tohoto plánu trvá mnoho minut a je třeba ho připravit v kanceláři na PC. Tento proces jsme nahradili optimalizačním algoritmem, který při běhu na výkonných GPU přímo na stroji tento plán vytvoří automatizovaně. Plán bylo tak možné vytvořit v době výměny plechu v řezacím stroju (20 s), a nedocházelo tak k přerušení výroby.
Přínos: Zvýšení výrobní kapacity, protože nedochází k zastavení strojů při nenadálé události. Minimalizace ruční obsluhy.
Po řezání odstraňuje výrobky robot s přísavkami. Je možné, že vyřezaný plech se vzpříčí a nejde vyjmout. To je způsobeno řezaným tvarem. Zde jsme vytvořili model “odebratelnosti“ a ten pak používali k predikci toho, jak dobře půjde výrobek odebrat. Odebratelnost měříme z kamery, instalované přímo v řezacím stroji, která obsahuje natrénovaný algoritmus, který umí detekovat, zda k odebrání došlo. Výrobky, jejichž odebrání by způsobilo problémy, vyvolaly předem signál pro obsluhu, která je odebrala ručně.
Přínos: Automatizace výrobního procesu, odstranění lidského pracoviště a zefektivnění výroby.
Pro firmu vyrábějící potahy autosedaček jsme implementovali prototyp rozpoznávače, který pozná hlavní směr orientace látky tak, aby byla správně použita při výrobě.
Přínos: Automatizace, odstranění lidských chyb, úspora nákladů, odstranění klíčové závislosti provozu na zaměstnancích
Bubliny ve skle vznikají ve výrobním procesu, který závisí na konfiguračních parametrech. Proces lze pozorovat měřením, například teplot ve skleněné lázni apod. Z konfiguračních parametrů a změřených parametrů jsme sestavili model sklárny, který predikuje kvalitu skla (zjednodušeně počet bublin). Konfigurační parametry lze pak optimalizovat tak, aby se v modelu sklárny počet bublin ve skle minimalizoval. Výsledkem je kontrolér, který dynamicky reaguje na směny měřených parametrů a konfigurační parametry upravuje za běhu tak, aby maximalizoval kvalitu skla. Pomocí tohoto modelu pak bylo možné sklárnu automaticky řídit bez lidských zásahů.
Přínos: Zvýšení efektivity výroby, snížení nákladů, odstranění čekání, přímé zvýšení zisku.
V továrně na výrobu počítačových čipů prochází materiál jednotlivými stanovišti výroby. Stanoviště se využívají v závislosti na receptu výroby daného výrobku. Efektivita výroby je závislá nejen na parametrech jednotlivých pracovišť, ale je dynamicky ovlivňována vnějšími vlivy, jako je např. nedostatek surovin, administrativní kroky, součinnost s dodavateli, apod. Navrhli jsme tedy řešení, kde figuruje tzv. agent, který dynamicky reaguje na aktuální stav výrobního procesu a v reálném čase optimalizuje cesty jednotlivých výrobků továrnou tak, aby maximalizoval její průchodnost.
Přínos: Automatizace obsluhy, odstranění lidských chyb a čekání, úspora energie a nákladů na nákup páry
Zákazník disponoval simulací managementu páry v chemické továrně. Podobně jako v optimalizaci průchodu výrobou potřeboval zajistit dostatek páry na jednotlivých pracovištích, které se mohly měnit z konzumenty na producenty páry. Výsledkem bylo řízení simulace tak, aby byl všude dostatek páry a minimalizovaly se její přenosy.
Systém, ve kterém umělá inteligence samostatně kontroluje definované vady nebo obecné odchylky od normální stavu u vašich výrobků. Konzistentně, neúnavně a rychle, narozdíl od lidské síly.
Více o našich seriových produktech v oblasti kontroly kvality
Přínos: Minimalizace reklamací, kde vady izolace způsobily rozsáhlé škody na samotné budově
Na výrobní linku šířky 2.6m pro výrobu minerální vlny jsme umístili kamerový systém, který pomocí speciálně natrénované neuronové sítě hledá vady materiálu, kategorizuje je a výrobky, které neodpovídají definované jakosti, označuje pro odstranění z linky.
Přínos: Minimalizace reklamací, hledání defektů oceli nebylo do té doby v lidských silách
Hledali jsme povrchové vady na 3m širokém pásu oceli při rychlosti 10 m/s pomocí speciálně natrénované neuronové sítě, bežící na 4 GPU (cca v roce 2012). Tato technologie umožní kontrolu povrchů provádět automaticky, přesněji, rychleji a hlavně neúnavně.
Přínos: Výstupní kontrola kvality, omezení zmetků, možnost pokračovat k automatickému řízení sklárny
V masové produkci tabulového skla vadí přítomné bubliny. Pomocí natrénovaného detektoru lze tyto bubliny hledat v obrázcích z kamer, podobně jako povrchové vady.
Umělá inteligence umožňuje průlomové změny ve způsobu práce a výroby a pomáhá tak zvyšovat efektivitu, rozšiřovat trhy a vytvářet zcela nové produkty.
.svg){kind=icon}
Přínos: Možnost výroby průtokoměru s větším průměrem, který nebylo možné do té doby vyrobit z důvodu vysokého šumu signálu
V ultrazvukovém bezkontaktním průtokoměru ropných produktů se zpracovává odezva odraženého signálu a z ní se určí rychlost průtoku a typ materiálu. Když je signál značně zašuměn, klasické metody detekce selhávají. Šíření signálu lze modelovat a výstupy modelu použít jako data pro trénování speciálního detektoru, založeného na neuronových sítích, který umožňuje použití zařízení i pši vyšších hodnotách šumu.
Přínos: Radikálním zlevnením procesu nabídky bylo možné oslovit velkou část zatím nezpracovaného trhu
Zákazník vyrábí kovové odlitky pro automobilový průmysl. Má databázi CAD výkresů odlitků a odhad ceny výroby formy pro již provedené realizace. Natrénovali jsme model, který odhaduje cenu na základě nahraného CAD modelu.
Přínos: Zvýšení efektivity výroby, původně ruční proces je nyní automaticky proveden instantně a lze ho tedy neomezeně škálovat a systém provozovat jako online službu.
Výrobek z plechu vzniká řezáním, ohýbáním a případně svařováním. Zadaného tvaru pomocí CAD modelu lze dosáhnout různými způsoby výroby a kombinacemi zpracování plechu, přičemž každý způsob má svoji cenu, kterou lze snížit volbou jiné kombinace zpracování (například zbavit se svařování při vhodné kombinaci ohybu plechu). Toto by byla standardní práce inženýra, který musí vymyslet nový způsob zpracování. Natrénovali jsme AI, která tuto manuální práci nahradí, vymyslí novou posloupnost zpracování při zachování výsledného tvaru a rovnou spočítá ušetřené náklady.
Přínos: Položili jsme základy interního vývoje AI parkovacího asistenta u renomované automobilky
Automobil najde volné parkovací místo a pomocí dat pouze z přední kamery a ultrazvukových senzorů provede parkovací manévr, ktery je řízen rekurentní neuronovou sítí optimalizovanou pomocí evolučního algoritmu.
Přínos: Přivedení na trh nového výrobku - nářadí, které předchází úrazům
Zákazník, výrobce ručního elektrického nářadí, instaluje akcelerometry do jednotlivých nářadí. Z měřených dat lze zjistit, kdy kladivo provede poslední úder při zatloukání hřebíku. Tento je potřeba detekovat a zastavit nářadí, protože další úder by mohl způsobit zranění obsluze. V akcelerometrických datech pomocí neuronových sítí hledáme poslední úder, podle tvaru signálu z akcelerometru. Chod nářadí je na základě této informace po posledním úderu zastaven.
Pojďte společně s námi nezávazně probrat možnosti využití AI ve vašich podmínkách.