Müheloser Einhandbetrieb

Während Sie Komponenten prüfen, haben Sie eine Hand frei, um die Sicherheit des Bedieners zu gewährleisten und den Nacken zu entlasten.

Überlegene Schallerkennung mit 124 Mikrofonen

Die Kameras der Si-Serie verfügen über 124 Mikrofone, mit denen Sie sehr leise Geräusche aus großer Entfernung für die akustische Bildgebung aufnehmen können. Dies ist besonders wichtig bei der Prüfung von Hochspannungssystemen und deren potenziellen Luftlecks, die einen sicheren Abstand zu den spannungsführenden Geräten erfordern. Die Energie eines Schallsignals nimmt mit der Entfernung von dessen Quelle erheblich ab. Die Lösung besteht darin, die Anzahl der Mikrofone zu erhöhen: Die vierfache Anzahl Mikrofone verdoppelt im Wesentlichen die Reichweite der Schallerfassung. Sie nutzen einen optimierten dynamischen Bereich, um den Frequenzbereich mit Schallausbreitung abzugleichen.  Sie möchten, dass Ihre Detektoren die niedrigstmöglichen Frequenzen verwenden, um den weitesten Abstand zu erreichen.

Skalierbarkeit des Unternehmens

Gewährleisten Sie eine optimale Nutzung und Wartung der Geräte in großen industriellen Umgebungen mit Flottenmanagement, Cloud-Datenintegration und OTA-Softwareupdates. Die unterstützende Software ermöglicht auch die Integration in Datenhistoriker, Berichtsoptionen über die Cloud und den Desktop sowie die Kombination Ihrer IR- und akustischen Inspektionsprogramme. Benutzer der Si-Serie können auch die Organisationsfunktion nutzen, eine benutzerfreundliche Lösung, die die Nachverfolgung der Berichte vereinfacht, die an verschiedenen Standorten von verschiedenen Kameras und Benutzern ausgeführt werden.

Fähigkeiten des maschinellen Lernens

Die FLIR Si-Serie nutzt maschinelles Lernen, um die anderen Merkmale des Geräuschmusters, das durch Lecks und PD entsteht, von dem Hintergrund zu unterscheiden. Genauso wie Sie unterscheiden können, ob derselbe Ton auf einer Mundharmonika oder einer Glocke gespielt wird. Aufgrund der großen Anzahl empfindlicher Mikrofone in Kombination mit moderner Computerverarbeitung mittels maschinellen Lernens können wir aufgrund anderer Eigenschaften als der Frequenz zwischen den Hintergrundgeräuschen und dem Geräusch unterscheiden, das von dem Defekt erzeugt wird.