Der weltweit agierende Technologiekonzern Voith arbeitet künftig mit dem Münchner Technologie- und Softwareunternehmen Perfectpattern im Bereich der Künstlichen Intelligenz zusammen.
Ziel der Kooperation ist es, die Prozesse und Planungen in industriellen Produktionsumgebungen zu optimieren. Basis hierfür sind neueste von Perfectpattern entwickelte Technologien im Bereich der Künstlichen Intelligenz. Voith bringt die in mehr als 150 Jahren gewonnene Expertise in Sachen Papierherstellung, Wasserkraft oder Antriebstechnik ein.
Erste Pilotprojekte der Kooperation finden in der Papierindustrie statt. Für einen beträchtlichen Teil der weltweiten Papierproduktion kommen Voith-Papiermaschinen zum Einsatz. Dabei sind die Papierhersteller in der Produktion mit einigen Herausforderungen konfrontiert. Dazu gehören zunehmende Betriebskosten, steigende Aufwendungen für Energie und Frischwasser oder eine stabile Rohstoffverfügbarkeit.
Gemeinsam mit seinen Kunden arbeitet der Technologiekonzern Voith kontinuierlich daran, die Produktionsprozesse bei der Papierherstellung zu verbessern. Dabei kommt künftig auch die von Perfectpattern entwickelte Pythia-Technologie zum Einsatz. Im Herstellungsprozess hilft sie dauerhaft die optimale Einstellung aller Parameter sicherzustellen, von der Rohstoffmischung über die Prozessführung bis hin zur Maschine selbst.
Am Ende des Pilotprojektes soll die Technologie unter anderem vorhersagen, ob beispielsweise eine Änderung der Mahlenergie bei den aktuellen Prozessbedingungen zusammen mit einer Absenkung des pH-Wertes einen positiven Effekt auf die Festigkeit des Papiers hat.
Der Kooperationspartner Perfectpattern mit Sitz in München entwickelt Technologien im Bereich der Künstlichen Intelligenz. Diese optimieren und steuern industrielle Produktionsprozesse. Die entsprechenden Software-Lösungen nutzen dabei insbesondere das sogenannte Reinforcement Learning, also verstärkendes Lernen, in Kombination mit intelligenten Vorhersagemodellen.
Dabei geht Perfectpattern über die Anwendung neuronaler Netzwerke hinaus und entwickelt diese mathematisch und methodisch weiter. Während herkömmliche Vorhersagemodelle einen hohen Entwicklungs- und Anpassungsaufwand und die Einspeisung gigantischer Datenmengen erfordern, lernt das System gewissermassen von selbst – und das auch noch mit weniger Input. Damit wird der Aufwand für die Entwicklung deutlich reduziert.
