Jungheinrich zet voorspellende AI in voor ontwikkeling van batterijen
Foto: Jungheinrich
Jungheinrich, fabrikant en wereldwijd aanbieder van industrieel equipment, versnelt de ontwikkeling van batterij-aangedreven hef- en magazijntrucks door batterijtestgegevens te modelleren. Daartoe werkt het bedrijf samen met Monolith, een leverancier van AI-software voor datagestuurde engineering- en validatieprocessen.
“Gezien het snelle tempo van de ontwikkelingen in batterijtechnologieën wordt de betrouwbare evaluatie van batterijprestaties en de integratie ervan in nieuwe truckplatformen een steeds complexere technische en validatietaak”, klinkt het. Als onderdeel van de samenwerking analyseren de ingenieurs van Jungheinrich vroege batterijtestgegevens en gebruiken ze de AI-gestuurde engineering tools van Monolith om voorspellingen te doen voor productrelevante prestatie-indicatoren. Daartoe worden machine learning-modellen getraind en gevalideerd met behulp van testgegevens uit de praktijk. Dat moet in een vroeg stadium betrouwbare inzichten opleveren voor snellere en beter onderbouwde technische beslissingen, terwijl tegelijkertijd de omvang van fysieke testcampagnes wordt beperkt.
Jungheinrich voert tijdens het hele ontwikkelingsproces batterijtests uit, wat aanzienlijke hoeveelheden technische meet- en testgegevens oplevert. In het project worden die datasets overgezet naar de engineering tools van Monolith om voorspellende AI-modellen te trainen en te valideren.
Naarmate Jungheinrich zijn portfolio van elektrische producten uitbreidt, is de samenwerking erop gericht de evaluatie en selectie van batterijtechnologieën te optimaliseren door testgegevens om te zetten in voorspellende modellen.
Monolith levert AI-gestuurde engineering software die is ontworpen om de behoefte aan prototypes en testcampagnes te verminderen, waardoor engineering teams zich kunnen concentreren op cruciale ontwerp- en validatie-issues. Ook krijgt Jungheinrich toegang tot een centraal platform voor engineering intelligence, waar teams op een veilige manier toegang hebben tot testgegevens, modelkennis en aanbevelingen voor toekomstige experimenten uit diverse ontwikkelingsprogramma’s. De schaalbare oplossing moet helpen beslissingen eerder in de ontwikkelingscyclus te nemen, terwijl tegelijkertijd de kosten en testinspanningen worden verlaagd.