Anwendungsfälle


Lackieranlagen für Plastiklackierung

Bei der Lackierung von Plastikteilen gibt es Ausschussquoten von 15-20%, da die Farbetreue nicht konstant ist oder Blasen im Lack auftreten. Die Schwierigkeit dabei ist, dass der Lackierprozess aus einer Abfolge von Schritten besteht, wobei jeder für sich sensibel und komplex ist.

Gerade zu Beginn eines neueingestellten Prozesses liegen noch keine bis kaum Daten vor, um die Einstellungsparameter optimal einzustellen. Für die Anwendung klassischer Machine Learning Tools, die auf Basis von neuronalen Netzen arbeiten, müssten zunächst mehrere tausend Prozessdurchläufe stattfinden, bevor einigermaßen präzise Prognosen für die Prozesseinstellung getroffen werden können. Bis dahin wird bereits eine Menge Ausschuss produziert.

Der Algorithmus unserer Software IPT.Stack kann bereits sehr viel früher qualitativ hochwertige Prognosen treffen, um den Prozess zu optimieren. Dazu bindet er Prozesswissen der Ingenieure (z.B. Trocknertemperatur muss zwischen 80° und 90°C liegen) und Modellwissen mathematisch ein. Mit der Zeit lösen Prozessdaten graduell Prozess- und Modellwissen ab, was die Präzision der Prognosen weiter steigert.


Smart Car Systems

Im Moment überlegen wir, dass wir unsere Software in Automobil-Bordsysteme integrieren, damit diese lernen können, was die Fahrzeugnutzer gerne wann haben. Als konkreten Anwendungsfall sehen wir die Fahrzeugheizung/-klimatisierung. Bisher muss der Fahrer im Winter in ein eiskaltes Fahrzeug steigen, wenn er in der Früh in die Arbeit startet. Oder er muss in ein total aufgeheiztes Fahrzeug steigen, wenn er im Sommer abends vom Parkplatz seiner Arbeitsstelle losfahren will.

Unser Algorithmus soll lernen, wann der Fahrer in der Regel morgens in die Arbeit fährt oder abends diese wieder verlässt und, gegeben externe Parameter wie bspw. Außentemperatur, die Autofunktion „Heizung“ rechtzeitig vor Fahrtbeginn richtig einzustellen. Zur jeweiligen Uhrzeit ist das Fahrzeuginnere entweder angenehm auf die gewünschte Temperatur angeheizt und die Scheiben klar (morgens im Winter) oder gegenüber der Außentemperatur angenehm heruntergekühlt (abends im Sommer).