Mit IoT und intelligenten Algorithmen Kosten reduzieren und die Umwelt schützen

industrial kitchen
Lebensmittel und Getränke
-
Data Science
-
Predictive Analytics

Die Herausforderung

Reinigungsgeräte sind in der Lebensmittel- und Getränkeindustrie unerlässlich, verbrauchen aber viel Wasser. Angesichts der dramatischen Klimaveränderungen hat unser Projektpartner beschlossen, umfangreiche Maßnahmen zur Verbesserung der Energieeffizienz, der Wassereinsparung und des Ressourcenmanagements seiner Produkte und Prozesse zu ergreifen. Durch die Vorhersage (basierend auf frühzeitigen Sensormessungen) des Verschmutzungsgrad des Reinigungswassers soll in den späteren Phasen der Reinigung Wasser gespart werden können.

Unsere Lösung

Zur Lösung des Herausforderungen wurden tausende Eingangsmerkmalen aus gemessenen Zeitreihen abgeleitet werden. Nach der Analyse wurden die aussagekräftigsten Merkmale ausgewählt, um bei jedem Reinigungsschritt eine effiziente Vorhersage treffen zu können. Dies war sehr rechenintensiv und erforderte eine sorgfältige Planung der Kalkulationen, sowie zusätzlich den Einsatz von GPUs zur Lösung des hochdimensionalen Gradient-Boosted-Trees-Algorithmus. Der Schlüssel zur Erstellung eines erfolgreichen Modells war die hohe Rechenperformance, welche eine große Anzahl an durchgeführten Experimenten ermöglicht.

Tech-Stack

Docker
CatBoost
TsFresh

Das Projekt

Contiamo wurde Teil des Projektes, nachdem der Projektpartner erfolgreich eine technische Lösung zur Optimierung des Reinigungsprozesses entwickelt hatte. Diese erlaubte die Messung der Wasserverschmutzung während verschiedener Phasen des Reinigungszyklus. Die Datengrundlage bestand also aus einer Zeitreihe zahlreicher Sensormessungen (z.B. Flussgeschwindigkeit, Druck, optische Dichte, Temperatur).  

In der ersten Phase des Projekts wurden explorative Analysen durchgeführt und Testmodelle erstellt. Anschließend wurde das Vorhersageziel gemeinsam mit dem Kunden konkret definiert. 

Mit Algorithmen konnten effizient sämtliche Merkmale (wie z.B. verschiedene Trübungsmetriken oder Durchflussmessungen) generiert und getestet werden. Nach dem initialen Modelltraining stellten wir fest, dass ein stark rationalisierter und leistungsfähiger Prozess erforderlich war, um die künstliche Intelligenz zu trainieren und zu warten. 

Anschließend an den erfolgreichen Nachweis der technischen Machbarkeit der Prozessoptimierung unterstützte das Contiamo-Team den Kunden weiterhin bei der Evaluierung der weiteren (organisatorischen und technologischen) Anforderungen für eine reale Implementierung. Dazu gehörten der Aufbau der technischen Infrastruktur (Echtzeitsensoren) und der Dateninfrastruktur sowie eine Analyse der Investitionsrentabilität.

Erzielte Ergebnisse

tick mark

Mögliche Wassereinsparungen von bis zu 30%

tick mark

Fünffache Verbesserung der Vorhersagekraft im Vergleich zu früheren Ansätzen

tick mark

Entwicklung einer leistungsstarken, skalierbaren Architektur

Der Projektpartner suchte nach Möglichkeiten, den Wasserverbrauch bei der Reinigung von Küchengeräten zu senken. Das sollte erreicht werden, indem ein Algorithmus vorhersagt, wie trüb (oder sauber) das Wasser vor den letzten Zyklen sein würde. Ausgehend von Zeitreihendaten kombinierte Contiamo einem Gradient-Boosted-Trees-Algorithmus, der auf durch Zeitreihen-Feature-Engineering erzeugten, strukturierten Daten läuft. Die kreierte künstliche Intelligenz konnte dank ihrer hervorragenden Leistung den erforderlichen Wasserverbrauch erheblich reduzieren (30 %).

← zurück zu den Success-Stories
Möchten Sie weitere Information haben?
kontakt