Наше решение

Наш проект предлагает современный подход к решению поставленной проблемы. Мы объединили подход предиктивной аналитики и технологии машинного зрения. В итоге мы получили целостную систему контроля за оборудованием.

Наша система сообщает время и вероятность до отказа, а также сигнализирует при возникновении брака.

Мы разработали инновационное решение - предобученную модель для данных с датчиков. При настройке системы необходимо только указать какие датчики мы используем и их красные границы, а затем дообучить модель.

Мы предоставляем заводу графики корреляции между всеми параметрами оборудования и браком, что помогает нам проводить качественную диагностику.

Компьютерное зрение

• Мы не изобретаем велосипед — мы используем лучшие проверенные промышленные и AI-решения, адаптированные под конкретные задачи заказчика.

Наши инструменты:

1. YOLO — для детекции и локализации дефектов в реальном времени. Применяем для: обнаружения трещин, сколов, царапин, отсутствующих компонентов, неправильной маркировки. 📌 Пример: наш клиент завод ООО "ПЛАСТИФОРМ", где мы реализовали систему определения брака преформ.

2. PatchCore + Anomaly Detection — когда дефекты редкие или их сложно разметить. Применяем для: сложных поверхностей (текстиль, стекло, пластик), где брак — это отклонение от нормы. 📌 Пример: наш клиент завод ООО "ЭМ-Кабель", — выявление микродеформаций пластика, не видимых глазу.

3. Ансамбли моделей + AutoML Применение: Повышение точности за счёт комбинирования CNN, Transformer классических методов (OpenCV + ML). 📌 Пример: наш клиент завод ООО "KUDO" — определение неправильного расположения банок.

Нейронная сеть

Мы применяем самые современные и проверенные методы машинного обучения, адаптированные под специфику промышленных данных. Наши инструменты:

1. Автоэнкодеры (Autoencoders) — для обнаружения аномалий Применяем для: выявления отклонений в поведении оборудования. 📌 Пример: наш клиент завод ООО "ЭМ-Кабель" линия волочения, — выявление внезапного обрыва проволки.

2. Модели временных рядов: LSTM, GRU, Transformer Применяем для: прогнозирования износа. 📌 Пример: наш клиент завод ООО "ЭМ-Кабель" линия экструдера, — определяем повышение тока от номинального значения

3. Градиентный бустинг (XGBoost, LightGBM, CatBoost) + Feature Engineering Применяем для: задач, где важна интерпретируемость и скорость. 📌 Пример: наш клиент завод ООО "ЭМ-Кабель" линия экструдера, — прогнозируем время, через какое произойдет повышение тока.