[article]
Titre : |
Artificial intelligence for paint shops |
Type de document : |
texte imprimé |
Année de publication : |
2020 |
Article en page(s) : |
p. 12-13 |
Langues : |
Anglais (eng) |
Catégories : |
Ateliers de peinture industrielle Automobiles -- Revêtements:Automobiles -- Peinture Détection de défauts (Ingénierie) Intelligence artificielle Maintenance prévisionnelleLa maintenance prévisionnelle (aussi appelée "maintenance prédictive" par calque de l'anglais "predictive maintenance", ou encore "maintenance anticipée") est une maintenance conditionnelle basée sur le franchissement d’un seuil prédéfini qui permet de donner l'état de dégradation du bien avant sa détérioration complète.
La maintenance prévisionnelle est, selon la norme NF EN 13306 X 60-319, une "maintenance conditionnelle exécutée en suivant les prévisions extrapolées de l'analyse et de l'évaluation de paramètres significatifs de la dégradation du bien".
Son principe est le suivant : tout élément manifeste des signes, visibles ou non, de dégradation qui en annoncent la défaillance. Le tout est de savoir reconnaître ces signes précurseurs. Des appareils permettent de mesurer cette dégradation, laquelle peut être une variation de température, de vibration, de pression, de dimension, de position, de bruit, etc. Ces dégradations peuvent donc être d’ordre physique, chimique, comportemental, électrique ou autre.
Le but de cette maintenance est d’agir sur l’élément défaillant au plus près de sa période de dysfonctionnement. Elle permet aussi de suivre une dégradation dans le cas d’une durée de vie variable d’un élément. Toutes ces actions permettent donc de réduire la fréquence des pannes tout en optimisant la fréquence des interventions préventives.
La maintenance prévisionnelle a la particularité d’être facile à suivre mais est plus complexe à mettre en place.
|
Index. décimale : |
667.9 Revêtements et enduits |
Résumé : |
A new artificial intelligence applicationfor paint shops identifies the sources of defects and specifies ideal maintenance schedules. The first practical applications show that the software incrases plant availability and improves the surface finish of the painted vehicle bodies. |
Note de contenu : |
- Al application with its own memory
- Predictive maintenance reduces downtimes
- Machine learning simulates continuous temperature curves
- Higher first-run rate increases the overall efficiency of the paint shop
- Interdisciplinary expertise required
- Fig. 1 : The new Al application identifies the sources of defects and specifies ideal maintenance schedules
- Fig. 2 : Using artificial intelligence, systematic defects in the painting process can be tracked down and the overall effectiveness of the plant can be increased |
Permalink : |
https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=35780 |
in INTERNATIONAL SURFACE TECHNOLOGY (IST) > Vol. 13, N° 4 (2020) . - p. 12-13
[article]
|