Ai4Value: teollisuuden materiaalien tunnistaminen
Tiivistelmä
Ai4Value: teollisuuden materiaalien tunnistaminen
Yrityksen koko- Keskisuuri
- Teollisuus ja toimitusketjut
- Kiinteistö- ja omaisuudenhallinta
- Laadunvarmistus ja laadunvalvonta
- Riskienhallinta ja vaatimustenmukaisuus
Projekti
Projektityyppi- Operatiivinen erinomaisuus
- 10 001 – 100 000€
- Suomi
- Englanti
- Suomi
Toteutus
Toteutustaso- Pilotti
- Ennakoiva analytiikka ja koneoppiminen
- EU Horizon project AshCycle
- Azure
Ei
Sisältääkö saapunut tavaratoimitus oikeaa materiaalia? Mistä jätekuorma koostuu? Mitä puulajeja hakekasassa on tai mikä on puun pinnan kosteus? Teollisuudessa on lukuisia tilanteita, joissa on tärkeää varmistaa, että toimittajilta saapuva materiaali vastaa sovittua laatua. Ongelmana on, että prosessinohjauksen tarpeisiin tulokset valmistuvat usein liian hitaasti. Materiaalin ominaisuudet pitäisi pystyä tunnistamaan reaaliaikaisesti.
Ongelma
Sisältääkö saapunut tavaratoimitus oikeaa materiaalia? Mistä jätekuorma koostuu? Mitä puulajeja hakekasassa on tai mikä on puun pinnan kosteus? Teollisuudessa on lukuisia tilanteita, joissa on tärkeää varmistaa, että toimittajilta saapuva materiaali vastaa sovittua laatua. Esimerkiksi metsäteollisuudessa puulajin tunnistaminen hakkeesta tai puun kosteuden määrittäminen on tärkeää tuotannon ja laadun kannalta. Jätteenpolttolaitoksissa prosessin säätöä voidaan optimoida, jos poltettavan materiaalin ominaisuudet tunnetaan.
Liiketoiminnalle syntyy merkittävää hyötyä, mikäli käsiteltävän materiaalien ominaisuudet pystytään tunnistamaan. Laitokset tekevätkin laajoja laboratoriomittauksia esimerkiksi ympäristölupavaatimusten vuoksi. Ongelmana on, että prosessinohjauksen tarpeisiin tulokset valmistuvat usein liian hitaasti. Materiaalin ominaisuudet pitäisi pystyä tunnistamaan reaaliaikaisesti.
Ratkaisu
Materiaalin ominaisuuksien reaaliaikainen tunnistaminen. Ai4Value on kehittänyt tekoälyä hyödyntävän ratkaisun materiaalien ominaisuuksien reaaliaikaiseen tunnistamiseen. Ratkaisun toteutuksessa yhdistyvät lähi-infrapunaspektroskopia (NIR-spektroskopia) ja edistyneet tekoälyalgoritmit, joiden avulla tutkittavan aineen koostumuksesta ja keskeisistä ominaisuuksista saadaan välitöntä tietoa. NIR-spektroskopia on ainetta rikkomaton mittaustekniikka, joka soveltuu erityisen hyvin nopeisiin in-situ-mittauksiin bulkkimateriaaleista, kuten polttoaineista ja teollisista sivuvirroista. Perinteisesti menetelmän haasteena on ollut sen rajallinen herkkyys ja kvantitatiivisten tulosten tuottamisen vaikeus. Tekoälyn avulla NIR-spektrien tulkintaa voidaan kuitenkin merkittävästi parantaa, mikä mahdollistaa tarkemmat analyysit ja paremman päätöksenteon reaaliajassa.
Tulos
Reaaliaikaista materiaalien ominaisuuksien tunnistamisen ratkaisua voidaan hyödyntää monipuolisesti esimerkiksi tuotannon työnkulkujen tukena, laadunvarmistuksessa sekä materiaalivirtojen hallinnassa. Kun materiaalin ominaisuudet tunnetaan heti, yritykset pystyvät optimoimaan prosessejaan, vähentämään epävarmuutta ja tekemään päätöksiä nopeammin. Tämä näkyy konkreettisesti tehokkuuden kasvuna, tasaisempana laatuna ja kustannussäästöinä.
ROI
Arvio 100 – 300% (12kk)