Jungheinrich beschleunigt die Batterieentwicklung mit Monolith-AI-Modellen

Industriefahrzeuge, Elektrifizierung und Batterietechnik werden zunehmend durch datengetriebene Entwicklungsansätze geprägt. In diesem Zusammenhang arbeitet die Jungheinrich AG mit Monolith AI zusammen, um prädiktive KI-Modelle in die Batterieentwicklungsprozesse für elektrische Flurförderzeuge zu integrieren.

Die Initiative konzentriert sich auf den Einsatz von maschinellem Lernen zur Analyse von Batterietestdaten aus frühen Entwicklungsphasen, wodurch Ingenieure wichtige Leistungskennzahlen vor Abschluss umfangreicher physischer Validierungen vorhersagen können. Dieser Ansatz adressiert die wachsende Komplexität der Batterieintegration, da neue Chemien und Leistungsanforderungen entstehen.

Prädiktive Modellierung auf Basis früher Testdaten
Die Batterieentwicklung basiert traditionell auf iterativen Testzyklen, die große Mengen an Messdaten über verschiedene Entwicklungsphasen hinweg erzeugen. In dieser Zusammenarbeit überträgt Jungheinrich diese Datensätze in die KI-gestützte Engineering-Plattform von Monolith, wo Modelle des maschinellen Lernens mithilfe realer Testergebnisse trainiert und validiert werden.

Dies ermöglicht:

Durch die Verlagerung der Analyse in frühere Phasen unterstützt dieser Ansatz effizientere Entwicklungsabläufe und reduziert die Abhängigkeit von Tests in späten Entwicklungsstadien.

KI-gestütztes Engineering für verkürzte Entwicklungszeiten
Da sich Batterietechnologien schnell weiterentwickeln, stehen Hersteller zunehmend unter Druck, Entwicklungszyklen zu verkürzen und gleichzeitig Zuverlässigkeit und Leistung sicherzustellen. KI-basierte Modellierung bietet eine Möglichkeit, Forschungs- und Entwicklungsprozesse zu beschleunigen, indem Trends und Korrelationen in komplexen Datensätzen identifiziert werden.

Laut Branchenforschung können datengetriebene KI-Ansätze die F&E-Zeiträume in komplexen Fertigungsumgebungen um 20 % bis 80 % reduzieren. In diesem Zusammenhang hilft die prädiktive Modellierung Ingenieuren, kritische Experimente zu priorisieren und sich auf wirkungsstarke Designverbesserungen zu konzentrieren.

Zentrale Plattform für Engineering-Intelligenz
Die Zusammenarbeit führt außerdem eine zentrale Plattform zur Verwaltung von Engineering-Daten und -Erkenntnissen ein. Diese Umgebung ermöglicht es Teams, auf Folgendes zuzugreifen:

Eine solche Integration unterstützt die Wiederverwendung von Wissen und die Konsistenz über Projekte hinweg und verbessert die Entscheidungsfindung während des gesamten Entwicklungszyklus.

Anwendungen in elektrischen Flurförderzeugen
Der Einsatz prädiktiver KI-Modelle ist besonders relevant für elektrische Flurförderzeuge, bei denen die Batterieleistung direkt die Reichweite, das Ladeverhalten und die betriebliche Effizienz beeinflusst. Durch die Verbesserung der Bewertung und Auswahl von Batterietechnologien zielt Jungheinrich darauf ab, die Leistung und Nachhaltigkeit seines wachsenden elektrischen Produktportfolios zu steigern.

Im Vergleich zu herkömmlichen Entwicklungsmethoden, die stark auf sequenzielle Tests angewiesen sind, ermöglichen KI-gestützte Ansätze die parallele Bewertung mehrerer Designszenarien. Dies trägt zu einer schnelleren Markteinführung und einer effizienteren Nutzung von Engineering-Ressourcen bei.

Die Zusammenarbeit zwischen Jungheinrich und Monolith spiegelt einen breiteren Trend im industriellen Engineering wider, bei dem datengetriebene Werkzeuge zunehmend in Produktentwicklungsprozesse integriert werden, um Komplexität zu bewältigen, Kosten zu senken und Leistungsergebnisse zu verbessern.

Bearbeitet von Natania Lyngdoh, Induportals Editor — Adaptiert von KI.

www.jungheinrich.com