Alle kundecases
Førende dækproducent

Kvalitetskontrol i realtid under vulkanisering af dæk

ML-modeller forudsiger slutkvaliteten under produktionen — hvilket giver lavere ovntemperaturer, kortere cyklusser og mindre spild.

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

How we work, the Flowtale Way.

Tag kontakt