Ausgangslage und Ziele
Ein Datenwerkzeug konzipieren und entwickeln, um einen komplexen industriellen Prozess mit Fermentation zu verbessern und dabei sowohl die Ausbeute als auch die Qualität der Produktion zu optimieren.
Ergebnisse
- Das Produkt ist im Einsatz und wird von den Prozessingenieuren gut angenommen.
- Bisherige Verbesserung der durchschnittlichen Ausbeute: +1,2 Prozentpunkte.
- Das Produkt wird derzeit auf alle Werke ausgerollt und entwickelt sich zur Referenz; seine Lernfähigkeit wird die Verbesserung weiter steigern.
Unser Ansatz
Monitoring
- Erfassung von IoT-Daten in Echtzeit und Überwachung der Chargen
- Warnmeldungen
Modell und Interpretierbarkeit
- Ein Modell des maschinellen Lernens mit SHAP-Interpretierbarkeit, um multivariate Zusammenhänge zu verstehen
Beste und schlechteste Chargen
- Eine Regelinduktions-Engine, die die besten und schlechtesten Chargen identifiziert
Weitere Fallstudien
Alle Fallstudien- Modellierung und Optimierung der Supply Chain Planung und Logistik der Verarbeitung landwirtschaftlicher Rohstoffe verbessern Fallstudie lesen →
- Erweitertes RAG für F&E Wettbewerbsanalyse zu Flugzeugtriebwerken auf Basis eines Knowledge Graph für einen weltweit führenden Luft- und Raumfahrtkonzern Fallstudie lesen →
- Dateninnovation für bessere Qualität Eine interne Innovation zur Fehlererkennung für einen Hersteller fortschrittlicher Legierungen bewerten Fallstudie lesen →