Mijn smartwatch meet bijvoorbeeld mijn gemiddelde hartslag, telt mijn aantal dagelijkse stappen, en schat zelfs mijn VO2 max. Dat gebeurt allemaal tegelijk, in een uiterst nauwkeurig toestel, dat goed om mijn pols past. Na verloop van tijd kan ik trends en correlaties zien met het aantal stappen dat ik zet, met mijn gewicht, samen met hoe de intensiteit en de frequentie van mijn trainingen rechtstreeks invloed hebben op mijn VO2 max. Aangezien wij zulke gedetailleerde informatie gebruiken om onze gezondheid te analyseren en te verbeteren, waarom zouden wij dan niet soortgelijke concepten toepassen om de "gezondheid" van een spray te beoordelen?
Met behulp van de SprayScan® software, reduced order models (ROM) en machine learning kunnen we de "gezondheid" van een spray binnen een proces beoordelen. Door onze apparatuur bijvoorbeeld te trainen om een "gezonde" nevel te identificeren in, bvb in een gaskoelproces, kunnen wij de ROM-principes gebruiken om de nevel te helpen optimaliseren. Naast het optimaliseren van het proces kunnen wij ook het effect van een "ongezonde" verstuiving visualiseren en kwantificeren. Door ongezonde verstuivingen te diagnosticeren, kunnen we met ongelooflijke nauwkeurigheid aanpassingen voorstellen. Door de verstuiving te "genezen" om het proces te verbeteren, wordt het risico beperkt totdat de sproeier veilig vervangen kan worden.
Met technologieën als SprayScan kunnen processen die in het verleden als statisch werden beschouwd, en waarbij menselijk ingrijpen nodig was om ze te corrigeren en te onderhouden, nu dynamisch worden. Bovendien kunnen we ze midden in het proces veranderen om zich aan te passen aan veranderingen in het debiet of de samenstelling van de te sproeien vloeistof.
Bezoek sprayscan.com voor meer informatie!
Als u dieper op dit onderwerp wilt ingaan, neem dan contact met ons op of neem rechtstreeks contact met mij op via LinkedIn.