当前位置: 首页 > news >正文

能源机器人获资1350万美元,为关键基础设施引入自主巡检

能源机器人获资1350万美元,为关键基础设施引入自主巡检

提供自主巡检机器人及无人机AI软件平台的Energy Robotics,近日完成了1350万美元的A轮融资。该公司提供一个全栈式、硬件无关的AI自主平台,用于关键基础设施的舰队管理。

由Energy Robotics平台驱动的自主机器人和无人机执行关键的每日及每小时任务,包括视觉检查、热扫描和泄漏检测。这消除了人类进入危险环境的需要,同时保障了专有数据的安全。

通过自动化这些任务,可以提升工人安全、减少人为错误,并能够更频繁地收集数据。这种主动式的方法带来更高效的维护和更少的工厂停机时间,从而提高了运营的可靠性和生产力。

Energy Robotics已在五大洲完成了超过一百万次检查,为石油和天然气、工业、化工和公用事业领域的客户(包括某中心、某机构、某机构、某中心、某中心和某中心)节省了超过32,000小时的危险人工劳动。

现有基础设施和工业设施正面临两大挑战:熟练劳动力日益短缺,以及日益复杂、老化的设备需要专门的维护。

Energy Robotics通过其用于自主机器人和无人机的AI软件平台来解决这一问题,该平台可将运营成本降低高达40%,同时显著提升工人安全。

“本轮融资将帮助我们扩展自主化能力,以服务全球最关键的基础设施,为能源、化工、公用事业和安全运营商提供更强的韧性、安全性和效率,” Energy Robotics的首席执行官兼联合创始人Marc Dassler表示。“熟练劳动力正在退休,而全球许多最重要的能源和化工资产已有数十年历史,需要更频繁和更复杂的监控、检查和维护。这种结合造成了运营风险的完美风暴。我们的平台提供了一个及时且可扩展的解决方案,使客户不仅能维持,还能提高运营效率和安全,同时积极应对劳动力转型的挑战。”

Energy Robotics的AI驱动舰队编排软件消除了对零散工具的需求,其关键功能包括:

  • 硬件无关的操作系统:与8家领先的机器人和无人机及原始设备制造商(例如某中心、某机构、某机构)无缝集成,让客户能够灵活构建混合舰队,而无需受限于特定供应商。
  • AI驱动的分析:先进的AI分析库解读多模态传感器数据,从仪表读数到泄漏检测,每次任务都在持续学习和改进。
  • 简化的、基于LLM的任务控制:集成的大型语言模型系统使操作员能够简单地提示平台,即可生成并执行覆盖整个机器人和无人机舰队的检查任务。
  • 真实世界数据与合成数据:舰队编排和自主操作基于在复杂、动态的真实世界设施(如炼油厂和发电厂)中收集的数百万个数据点。
  • 持续更新的数字孪生:每次检查任务都会自动更新设施的实时、不断演进的数字副本,提供实时可见性和预测性洞察,并直接反馈到客户的ERP、CMMS和数字孪生平台。
  • 数据隐私与网络安全:通过提供一个将敏感检查数据保存在客户控制的IT系统内的平台,独立于供应商特定的软件平台,Energy Robotics增强了网络安全和数据主权。

此轮A轮融资由Blue Bear Capital和Climate Investment共同领投,Futury Capital、Hessen Capital、Kensho VC和TADTech参投。资金将加速Energy Robotics软件在能源、化工、工业和安防领域的商业部署。

“工业机器人市场已经达到了一个转折点,” Climate Investment的董事总经理Cindi Bough表示:“Energy Robotics构建了一个AI软件平台,能够编排多样化的机器人和无人机舰队,与现有企业工作流无缝集成,并规模化地交付可操作的数据服务。此外,Energy Robotics通过使用自主机器人及早发现气体泄漏,从而在有害排放物逸散到大气之前进行修复,实现了气候影响。这就是我们乐于共同领投其A轮投资的原因。”

“全球能源转型依赖于更具韧性、高效和安全的基础设施,” Blue Bear Capital的合伙人Dr Carolin Funk表示。“Energy Robotics由AI驱动的自主检查平台直接满足了这一需求。它提供了一个可扩展的解决方案,既能提高关键能源和工业资产的安全性和运营效率,又能利用全球机器人扩张的机遇。”
更多精彩内容 请关注我的个人公众号 公众号(办公AI智能小助手)或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号(网络安全技术点滴分享)

http://www.cnnetsun.cn/news/174170.html

相关文章:

  • 【前端自动化测试避坑指南】:Open-AutoGLM与Cypress在移动端的真实表现对比
  • 【AI测试工具新标杆】:Open-AutoGLM如何以0.1ms响应精度碾压Ranorex?
  • Open-AutoGLM 与 Playwright 到底怎么选?:3大核心维度全面测评,90%的人都忽略了这一点
  • 【顶级测试架构师亲授】:Open-AutoGLM对接Sauce Labs的7步完美适配法
  • 大数据时代MongoDB的性能瓶颈与解决办法
  • 【Open-AutoGLM vs Applitools】:谁才是视觉测试的终极王者?
  • 【专家亲测】Open-AutoGLM与UiPath操作复杂度全面拆解(含学习曲线数据)
  • Open-AutoGLM vs WinAutomation:高并发场景下谁更稳定?(实测结果曝光)
  • 为什么你的自动化项目失败了?Open-AutoGLM与Power Automate适配性全剖析
  • Thinkphp和Laravel框架社区物业车位缴费房屋充电桩管理系统 论文
  • 你真的了解Open-AutoGLM与Katalon Studio的适配边界吗?
  • 【测试工程师必看】Open-AutoGLM与Katalon Studio适配差异的5大关键点
  • 【自动化平台选型避坑指南】:Open-AutoGLM与Power Automate 6大场景实测对比
  • Vue3+TypeScript+Element-Plus确认对话框ElMessageBox.confirm
  • 企业流程自动化怎么选,Open-AutoGLM和Power Automate到底差在哪?
  • 为什么99%的人没发挥Open-AutoGLM全部潜力?,解锁隐藏的动态权重调优功能
  • 批量打印神器,太流批了
  • 【Java毕设全套源码+文档】基于springboot的大学生兼职平台设计与实现(丰富项目+远程调试+讲解+定制)
  • 从零开始学昇腾Ascend C算子开发-第四篇:常用算子实现
  • 学术迷航中的“智能罗盘”:书匠策AI如何重塑本科硕士论文写作新范式
  • 为什么90%的企业都在用Open-AutoGLM做客户信息归档?真相曝光
  • Open-AutoGLM实时跟进系统搭建全流程(含源码级避坑指南)
  • 【AI驱动销售革命】:Open-AutoGLM如何实现线索筛选效率提升10倍
  • 告别加班写年报!Open-AutoGLM自动写作系统实测效果曝光(附对比数据)
  • Open-AutoGLM数据同步实战指南(从配置到监控全链路拆解)
  • 【Open-AutoGLM邮件分类实战】:手把手教你构建企业级智能筛选系统
  • Java全栈工程师面试实录:从基础到实战的深度探讨
  • Open-AutoGLM核心原理深度解析:NLP+知识图谱如何重塑周报流程?
  • 【独家披露】某头部科技公司如何用Open-AutoGLM实现周报零人工干预
  • 揭秘Open-AutoGLM自动回邮系统:如何3步实现企业级智能响应?