Bruker kunstig intelligens for å utvikle bedre batterier til elektriske trucker

Bruker testdata tidlig for bedre beslutninger

Jungheinrich samarbeider med programvareleverandøren Monolith for å bruke KI i utviklingen av nye batterier. Ingeniørene analyserer testdata fra tidlige faser og bruker KI-modeller til å forutsi hvordan batteriene vil yte.

Dette gjør det mulig å oppdage utfordringer tidligere og justere designet før omfattende testing starter.

Mindre behov for testing

I dag gjennomføres mange fysiske tester gjennom hele utviklingsløpet. Med KI kan deler av dette arbeidet erstattes eller reduseres.

Testdata brukes til å trene modeller som kan gi gode svar på hvordan batteriene vil fungere. Det gir færre tester, lavere kostnader og raskere fremdrift.

KI kan redusere utviklingstiden med opptil 80 %

Ifølge analyser fra McKinsey kan bruk av KI redusere utviklingstiden i industrien med 20 til 80 prosent. Dette er særlig viktig i utviklingen av batterier, der teknologien utvikler seg raskt.

For Jungheinrich betyr det bedre grunnlag for å velge riktige løsninger tidlig i prosessen.

Bedre beslutninger med felles dataplattform

Gjennom samarbeidet får Jungheinrich tilgang til en felles plattform for testdata og analyser. Her kan utviklingsteam dele innsikt og bygge videre på tidligere erfaringer.

Dette gjør det enklere å ta gode beslutninger tidlig, samtidig som behovet for testing reduseres.

– For å utvikle neste generasjon elektriske trucker er det avgjørende å kunne vurdere batteriteknologi raskt og presist. Samarbeidet med Monolith gjør at vi kan bruke testdata bedre og ta riktige valg tidligere, sier Dr. Andreas Münz i Jungheinrich.

Viktig for videre elektrifisering

Elektrifisering er en viktig del av utviklingen i bransjen. For å lykkes må batteriene yte godt og være tilpasset krevende bruk.

Ved å bruke KI til å analysere testdata kan Jungheinrich utvikle mer effektive og bærekraftige løsninger, samtidig som utviklingen går raskere.

– Ved å bruke KI til å analysere testdata kan vi gjøre komplekse data om til konkrete anbefalinger. Det gjør det enklere å ta gode beslutninger og reduserer behovet for kostbar testing, sier Dr. Richard Ahlfeld i Monolith.