Førende dækproducent
Kvalitetskontrol i realtid under vulkanisering af dæk
Machine learning & AIProduktion & industri
NøgleresultatEnergi, cyklustid og spild reduceret med forudsigelser i realtid
Udfordring
Råmaterialer med varierende egenskaber gør processtyring og forudsigelse af slutkvaliteten vanskelig. Varme, tryk og cyklustider blev holdt faste — men kunne justeres dynamisk ud fra råmaterialet.
Løsning
Dækforme med temperatursensorer følger varmefordelingen under vulkaniseringen; ved at sammenligne sensordata med master-temperaturdata afsløres de afvigelser, der påvirker kvaliteten.
- Forme med sensorer. Punktvis temperaturmåling registrerer varmefordelingen i gummiet på tværs af formen.
- Korrelationsmodellering. Tendenser i formenes punkttemperaturer korreleres med de endelige kvalitets-KPI'er samt med ovntemperatur, tryk og cyklustid.
- Hvad ML tilførte. Machine learning fandt hidtil ukendte prædiktive faktorer og påvirkede produktionen i realtid.
Resultater
- Lavere energiomkostninger via lavere ovntemperaturer
- Højere kapacitet takket være kortere cyklustider
- Mindre spild takket være højere kvalitet
Emner
- Machine Learning
- IoT
- Data Engineering