K2025-Ansprechpartner

Ihre Ansprechpartner auf der K-Messe 2025

Auf der weltweit größten Kunststoffmesse ist das Angebot nahezu erschlagend. Nutzen Sie die Gelegenheit und informieren Sie sich im Vorfeld über die Schwerpunktthemen unserer Standbetreuer – so wird Ihnen bestmöglich geholfen!
Freuen Sie sich auf ein individuelles Gespräch in ruhiger Atmosphäre mit einem guten Kaffee, Tee oder einem erfrischenden Kaltgetränk.

 

Ihre Ansprechpartner vor Ort:

Dr. Kenny Saul (08.10. – 10.10.)
Kenny Saul betreut den Bereich Smart Assistance und ist Product Owner von Vipra. Somit gehören nicht nur die Kundenberatung in Sachen Digitalisierung, virtuelle Assistenz und KI Einsatz zu seinem Bereich, sondern auch strategische Kooperationsgespräche mit Maschinenbauern oder Multiplikatoren im Softwarebereich.
E-Mail: saul@shs-plus.de

Dr. Gregor Hiesgen (08.10. – 10.10.)
Gregor Hiesgen betreut den Bereich Simulation Solutions und ist Product Owner von chillWARE. Zudem ist er als ausgewiesener Prozessexperte im Consulting/Troubleshooting als Projektleiter aktiv.
E-Mail: hiesgen@shs-plus.de

Dr. Martin Spitz (08.10. – 11.10.)
Martin Spitz betreut das Geschäftsfeld Automatisierung. Mit seinem Team entwickelt er OEM Maschinensteuerungen für Serienprodukte sowie individuelle Maschinensteuerungen, meist als Retrofit, für existierende Extrusionslinien und zugehörigem Equipment. Darüber hinaus ist er aktiv im Bereich der Digitalisierung und dem Herstellen von Kommunikationsmöglichkeiten von Maschinen (M2M Communication).
E-Mail: spitz@shs-plus.de

Dr. Oliver te Heesen (08.10. – 10.10.)
Oliver te Heesen betreut den Schwerpunktbereich Consulting Services, Troubleshooting und Simulation Services. Mit seinem Team analysiert er auftretende Produktionsprobleme, simuliert Prozesse, Schnecken, Werkzeuge und Kühlstrecken und erarbeitet Lösungen zur Verbesserung der Produktionssituation.
E-Mail: teheesen@shs-plus.de

M. Sc. Chen Liang Zhao (12.10. – 15.10.)
Chen Liang Zhao erarbeitet als Mitglied des Teams von Dr. te Heesen und Dr. Hiesgen Lösungen zur Prozessoptimierung und ist Superuser von Vipra Installationen beim Kunden. Dort erarbeitet gemeinsam mit dem Kunden Use-Cases zum Systemeinsatz, konfiguriert das System und betreut den Kunden in der Systembedienung.
E-Mail: zhao@shs-plus.de

M. Sc. Marcus Gotthardt (13.10. – 15.10.)
Marcus Gotthardt leitet die Softwareentwicklung (Vipra) bei der SHS als Gruppenleiter. Er ist der technische Ansprechpartner bei Integrationsfragen, Schnittstellenthemen, IT-Fragen und allen technischen Belangen rund um die Softwareinstallation, Weiterentwicklung und Integration in bestehende Strukturen
E-Mail: gotthardt@shs-plus.de

Dr. Anne Walter (12.10. – 13.10.)
Anne Walter leitet das Sekretariat und die Buchhaltung. Sie ist Dreh und Angelpunkt der Unternehmenskommunikation und involviert in sämtliche kaufmännischen Prozesse.
e-Mail: walter@shs-plus.de

 

Da wir uns gerne Zeit für Sie nehmen und Sie nicht warten lassen möchten, bitten wir um eine Terminabstimmung im Vorfeld.

Veranstaltungsdetails

Messe: K-Messe 2025
Ort: Messe Düsseldorf
Messestand: Halle 6 an Stand D76
Termin: 08.10.2025 – 15.10.2025
Öffnungszeiten: 10.00 – 18.30 Uhr

 

Webmeeting

Kontaktieren Sie uns für ein individuelles Kennenlerngespräch

 

Ihre Ansprechpartner:

  • Dr. Kenny Saul (08.10. – 10.10.)
    Schwerpunkte: Smart Assistance, Vipra(R), strategische Partnerschaften
    E-Mail: saul@shs-plus.de
  • Dr. Gregor Hiesgen (08.10. – 11.10.)
    Schwerpunkte: Consulting Services, Troubleshooting und Simulation Solutions, chillWARE(R)
    E-Mail: hiesgen@shs-plus.de
  • Dr. Martin Spitz (08.10. – 11.10.)
    Schwerpunkte: Automation, Retrofit Steuerungen, Digitalisierung
    E-Mail: spitz@shs-plus.de
  • Dr. Oliver te Heesen (08.10. – 11.10.)
    Schwerpunkte: Consulting Services, Troubleshooting und Simulation Services
    E-Mail: teheesen@shs-plus.de

 

BeNeNe – Assistenzsystem – Neuronales Netz – Faserverbundbauteile, Autoklav

ENVIPRO – BeNeNe / Auf neuronalen Netzen basierendes virtuelles Assistenzsystem

Projektrahmen: VDI/VDE ZIM FuE-Kooperationsprojekt

Projektpartner: SHS plus GmbH, FIBRE: Faserinstitut Bremen e.V., IPT: Institut für Polymer- und Produktionstechnologien gGmbH , Haindl Kunststoffverarbeitung GmbH

Laufzeit: 01.04.2022 – 30.09.2025

 

 

Zusammenfassung des Projekts

Ziel des Projektes ist die Entwicklung eines intelligenten Assistenzsystems für eine ressourcen- und energieeffizientere Fertigung von Faserverbundbauteilen, welche mittels Autoklav hergestellt werden. Hierbei stehen sowohl die vorbereitenden Fertigungsschritte als auch der Fertigungsprozess selbst im Mittelpunkt, um eine ganzheitliche und stetige Optimierung des Prozesses und der eingesetzten Ressourcen zu erlangen. Die Basis des Systems soll aus einem oder mehreren neuronalen Netzen bestehen, in welches Simulationsmodelle von Formwerkzeugen und Autoklav implementiert werden. Die Modelle liefern dem neuronalen Netz komprimierte Erfahrungswerte für Bauteile, welche zusammen mit dem „Wissen“ des neuronalen Netzes, zur optimalen Berechnung des jeweiligen Produktionsprozesses verwendet werden kann. Die Methode kann den Zeitaufwand für Berechnungen dabei enorm verringern. Zur Vermessung von beliebigen Autoklavprozessen sollen sensorische Test-Werkzeuge entwickelt werden, welche mittels eines Messsystems individuell ausgewertet werden können.

 

 

In der Praxis werden großvolumige Autoklave mit vielen heterogenen Bauteilen bestückt. Die Bauteile haben unterschiedliche geometrische Abmessungen, unterschiedliche Wandstärken und bestehen aus verschiedenen Materialien/Laminaten. Der Anlagenbediener hat nach dem Stand der Technik die Aufgabe den Autoklaven auf Basis seiner Erfahrung so zu beladen, dass die Bauteile möglichst schnell und gleichmäßig aushärten. Die Beladung des Autoklavs bzw. die Anordnung der Bauteile ist dabei von entscheidender Bedeutung. Die strömungsdynamischen und thermodynamischen Prozesse in den Autoklaven sind extrem komplex und beeinflussen sich gegenseitig. Zur Ermittlung der optimierten Beladung wird ein auf neuronalen Netzen basiertes Assistenzsystem entwickelt, das mit detaillierten Ergebnissen zum Aushärtungsprozess aus CFD-Simulationen trainiert wird. Zusätzlich dazu kommen innovative telemetrische Temperatursensoren zum Einsatz. Auf Basis des Bauraums des Autoklavs und der zu verarbeitenden Bauteile erhält der Anwender vom Assistenzsystem ein optimiertes Beladungsszenario. So kann die Bauteilqualität gesteigert und die Anlageneffizienz (Zeit, Energie, Kosten) signifikant erhöht werden.

Gefördert durch: Bundesministerium für Wirtschaft und Klimaschutz aufgrund eines Beschlusses des Deutschen Bundestages

 

Stärkeschaumfolie – Produktentwicklung Extrusion

Stärkeschaumfolie – Entwicklung einer flexiblen, stärkebasierten Schaumfolie für Verpackungs- und Bauanwendungen

Projektrahmen: Förderprogramm „Nachwachsende Rohstoffe“ des Bundesministeriums für Ernährung, Landwirtschaft und Verbraucherschutz (BMELV)

Projektpartner: SHS plus GmbH, Loick Biowertstoff GmbH, Fraunhofer-Institut für Umwelt-, Sicherheits- und Energietechnik (UMSICHT), Institut für Kunststoffverarbeitung an der RWTH Aachen (IKV), Gefinex GmbH

Laufzeit: 01.01.2023 – 31.12.2025

 

Projektziel:

Geschäumte Kunststoffe haben in den letzten Jahrzehnten vielfältige Einsatzmöglichkeiten erschlossen und sind aufgrund ihrer werkstofflichen Vielfalt und der daraus resultierenden einstellbaren Eigenschaften aus dem Alltag nicht mehr wegzudenken. Bei den bisher auf dem Markt verfügbaren Schaumfolien, wie geschäumtes Polystyrol (PS), Polyethylen (LDPE) oder Polyurethan (PU), werden bislang vorwiegend fossil-basierte Kunststoffe eingesetzt.

Problematisch ist, dass geschäumte Verpackungsfolien meist nach einmaliger Verwendung entsorgt werden. Selbst bei einer Entsorgung über die Wertstofftonne werden geschäumte Materialien heute noch selten recycelt, weswegen die eingesetzten Rohstoffe der thermischen Verwertung zugeführt werden. Insbesondere im Hinblick auf Ressourcenschonung ist dies durchaus kritisch zu betrachten. Ein Ansatzpunkt für eine nachhaltigere Materialwirtschaft ist daher die Verwendung nachwachsender Rohstoffe, welche zusätzlich im Anschluss an die Nutzung kompostiert werden können. Im Baubereich, in dem geschäumte Werkstoffe häufig zur Akustik- oder Wärmeisolation eingesetzt werden, beträgt die durchschnittliche Nutzungsdauer der Produkte etwa 20 Jahre, doch auch hier wird immer mehr Wert auf nachhaltige Materialien gelegt.

Ziel des Projekts ist daher die Entwicklung eines neuartigen, geschäumten Materials, welches auf dem nachwachsenden Rohstoff Stärke basiert und als flexible, geschäumte Folie (auch Stärkeschaumfolie genannt) als Verpackungsmaterial oder im Bausektor Einsatz finden soll. Durch die angestrebte Kompostierbarkeit tragen die zu entwickelnden Stärkeschaumfolien nach ihrer – im Verpackungsbereich oft kurzen – Nutzungsphase nicht zur bestehenden Entsorgungsproblematik bei. Es soll somit eine biobasierte Alternative zu den in Abbildung 1 dargestellten LDPE-basierten Schaummaterialien entwickelt werden. Um die volle Leistungsfähigkeit und Flexibilität der Produkte zu gewährleisten, werden Materialrezepturen (Compounds) aus Stärke, Additiven sowie Biopolymeren eingesetzt.

 

REVEAL – KI Assistenz Spritzgießen

REVEAL – Ressourceneffiziente und verschwendungsarme Elastomerproduktion durch KI-basierte Qualitäts- und Prozessoptimierung

Projektpartner: Aptiv Services Deutschland GmbH, Bergische Universität Wuppertal, aixBrain GmbH, SHS plus GmbH

Projektrahmen: Industrie.IN.NRW

Laufzeit: 05/2025 – 04/2028

 

Projektziel:

Das Gesamtziel des Projekts ist die Entwicklung eines Prozessoptimierungssystems für ElastomerSpritzgießprozesse. Das System ermöglicht eine automatisierte, visuelle KI-basierte 100%Kontrolle aller auf einer Maschine gefertigten Einzelteile sowie eine KIgestützte Optimierung des Fertigungsprozesses.

Durch die Integration von Qualitäts und Prozessdaten sowie den Einsatz von KI zur Ableitung konkreter Handlungsempfehlungen wird ein virtueller Assistent realisiert, der es dem Anwender ermöglicht, Ausschuss frühzeitig zu erkennen und Produktionsfehler zu korrigieren.

Dadurch wird die Ressourcenverschwendung in der Produktion signifikant reduziert. Konkret soll im Rahmen dieses Vorhabens für einen ausgewählten Teil des hergestellten Produktportfolios eine Einsparung von 90% der durch Fehlteile verursachten Kosten (Rohmaterial, Inspektion, Sortierung, Logistik, Ausschuss und Pseudo-ausschuss) plausibel nachgewiesen werden.

Vorgehensweise:

Um dieses Gesamtziel zu erreichen, werden die folgenden vier Hauptziele verfolgt:

  1. Automatisierte visuelle Qualitätskontrolle: Ziel ist zum einen die Entwicklung und Realisierung eines mechanischen Handling und Kamerasystems, das in der Lage ist, jedes einzelne auf einer Spritzgießmaschine gefertigte Bauteil optimal visuell zu erfassen. Zum anderen die Erforschung generalisierbarer Deep Learning Modelle zur Erkennung von Produktfehlern aus den Kamerabildern und die Verkürzung angestammter Bildverarbeitungsketten. 
  2. Digitalisierung: Alle für die Produktqualität relevanten Fertigungs und Umgebungsparameter werden digital erfasst und bauteilbezogen persistiert.
  3. Erklärbare KIMethoden zur Prozessoptimierung: Die Kombination der bauteilbezogenen Fertigungsinformationen mit den bauteilbezogenen Qualitätsdaten soll in einem zweiten (erklärbaren) MLAnsatz auf Zusammenhänge untersucht werden. Dieser Ansatz soll mit dem visuellen System verbunden werden, um ein multimodales Gesamtmodell zu schaffen. 
  4. Aufbau eines Demonstrators inkl. Erprobung der Virtuellen Assistenz: Ein Gesamtdemonstrator soll zunächst im Technikum und final an einer Produktionslinie die Erprobung aller Systemkomponenten und der Interaktion mit den Bedienern ermöglichen.

 

Finanzierungsdanksagung:

 

 

 

 

KIassistsKMU – KI Assistenz Spritzgießen

KIassistsKMU – KI basiertes Assistenzsystem für die Kunststoffverarbeitung

Projektpartner: RWTH Aachen, IKV Institut für Kunststoffverarbeitung, Sumitomo-Demag Plastics Machinery, Stasa Steinbeis GmbH, SHS plus GmbH

Projektrahmen: KI4KMU „Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in KMU“

Laufzeit: 2021 – 2024

Projektziel:

Im Rahmen des Forschungsvorhabens war es das Ziel, ein Assistenzsystem zu entwickeln, welches automatisiert Prozessdaten von Produktionssystemen sowie Bedienereingaben von Maschinenbedienern akquiriert, und daraus mittels Methoden des maschinellen Lernens Korrelationen zwischen Prozesssituationen und Erfahrungswissen aufbaut. Ziel war es mit diesen Daten einen Recommenderalgorithmus zu trainieren, der anschließend beim Eintreten bestimmter Produktionssituationen optimale Handlungsempfehlungen an den Maschinenbediener zur bestmöglichen Korrektur der Situation abgeben kann. Zudem sollte ein Schmelzequalitätssensor auf KI-basis entwickelt werden, der anhand von Prozessdaten den Zustand der Polymerschmelze identifizieren kann und somit als Qualitätssensor den Prozess überwachen kann. Eine im Rahmen des Vorhabens entwickelte Anomalieerkennung wurde eingesetzt um Prozessanomalien zu identifizieren und zeitnah Behebungsvorschläge bereitzustellen.

Das im Rahmen des Projektes entwickelte System wurde an unterschiedlichen Spritzgießmaschinen vom Maschinenbauer Sumitomo-Demag erprobt und die Funktionsweise konnte verifiziert werden.

 

Finanzierungsdanksagung:

     

 

MultiKav-ML – Machine Learning, Mehrkavitäten Spritzgießen

MultiKav-ML – Entwicklung eines Systems zur Anwendung maschineller Lernverfahren für die Prozessüberwachung beim Mehrfachkavitäten-Spritzgießen

Projektrahmen: ZIM

Projektpartner: SHS plus GmbH, Universität Duisburg-Essen – Lehrstuhl für Konstruktion und Kunststoffmaschinen

Laufzeit: 01.10.2024 – 30.09.2026

Projektziel:

Der manuellen oder im besten Fall teilautomatisierten Qualitätsüberwachung beim Mehrfachkavitäten-Spritzguss stehen etliche in der Spritzgießmaschine vorhandene Sensoren gegenüber, deren Prozessgrößen in multikausaler Wechselwirkung miteinander sind und den Prozess vollständig beschreiben. Mit heute verfügbaren Softwaresystemen ist es möglich, die Sensordaten hochfrequent zu erfassen und zu persistieren, damit sie für weitere Analysen und Auswertungen nutzbar gemacht werden können. Im Rahmen des Projektes wird ein System entwickelt, das diese Problemstellung adressiert. Kernbestandteil des Systems ist eine Recheneinheit inkl. HMI, die in einem Schaltkasten verbaut werden. Der Schaltkasten wird zusammen mit einer oder mehrerer Wärmebildkameras an der Spritzgießmaschine adaptiert, wobei die Wärmebildkameras auf sämtliche Kavitäten des geöffneten Spritzgießwerkzeugs gerichtet sind. Das System wird mit standardisierten Schnittstellen ausgestattet. Auf der Maschinenseite findet die Kommunikation via OPC-UA und der Euromap77-Spezifikation statt, um die Prozessdaten der Spritzgießmaschine abzufragen. Die Prozessdaten werden zusammen mit den Wärmebildern ausgewertet und sämtliche Ergebnisse mittels eines OPC-UA-Servers veröffentlicht. So werden die Auswertungen der Recheneinheit für übergeordnete Softwaresysteme bereitgestellt. Ziel ist es, ein mit minimalem Konfigurationsaufwand zu implementierendes System zu entwickeln, welches neben den globalen Prozessparametern auch wirtschaftlich erzeugte kavitätsspezifische Informationen zur Produktqualität heranzieht (Wärmebilder), um mit einem eigens entwickelten KI-Modell für jeden Produktionszyklus eine kavitätsspezifische Qualitätsbewertung vorzunehmen.

DigiPlat4Train – Assistenz Extrusion Machine Learning

DigiPlat4Train – Plattformlösung für bedarfsgerechte, digitale „On-Demand Schulung“ für Produktionsbetriebe der Kunststoffindustrie

Projektpartner: SKZ Kunststoff Zentrum, SHS plus GmbH

Projektrahmen: Invite Innovationswettbewerb

Laufzeit: 2021 – 2024

Projektziel:

Im Rahmen des DigiPlat4Train Projektes wurde ein softwaregstütztes System entwickelt, welches Produktionszustände mit Verbesserungspotenzial erkennt und dem Maschinenbediener passende Schulungsinhalte direkt an der Maschine zur Verfügung stellt.

Die im Vipra(R) Assistenzsystem umgesetzte Lösung basiert auf einer Datenverbindung zur Produktionsmaschine (Extrusionsanlage) die kontinuierlich Maschinendaten akquiriert und daraus automatisiert den aktuellen Prozesszustand der Maschine ableitet. Tritt an der Maschine eine korrekturbedürfte Situation auf, wird in einer Online Schulungsdatenbank recherchiert ob zu dieser Situation ein passendes Schulungsangebot existiert. Sofern eine passende Schulung vorhanden ist und diese dem Wissensstand des Maschinenbedieners entspricht, wird diese Schulung dem Maschinenbediener direkt an der Extrusionslinie auf einem Tablet bereitgestellt. Innerhalb einer kurzen videobasierten Schulungseinheit wird eine Anleitung zur Behebung des Extrusionsfehlers bereitgestellt.

Die Auswahl der Schulungsinhalte erfolgt auf der Basis von Empfehlungsalgorithmen aus dem Bereich der Machine-Learning Methoden. Die Analyse des Prozesszustandes erfolgt ebenfalls auf Basis von ML-Methoden. Die Anbindung der Schulungsinhalte erfolgt über eine open source E-Learning-Software (Moodle), so dass auch die Anbindung von unternehmensinternen Schulungs- oder Anleitungsinhalten oder von sonstigen Schulungsdienstleistern generell möglich ist.

Im Rahmen des Projektes konnten die Grundlagen für diese Methodik erarbeitet, entwickelt und im Labormaßstab erprobt werden.

 

Finanzierungsdanksagung:

Das Projekt wurde kofinanziert von der Europäischen Union sowie dem Ministerium für Wirtschaft, Industrie, Klimaschutz und Energie des Landes Nordrhein-Westfalen

QuKuML – KI Assistenz kamerabasiert Spritzgießen

QuKuML – Kamerabasierte Qualitätsbewertung beim Kunststoff-Spritzguss mit Hilfe von ML-Strategien

Projektpartner: TH Köln, sentin GmbH, SHS plus GmbH

Projektrahmen: KMU Innovativ

Laufzeit: 2021 – 2023

Assistenzsystem Extrusion EXTRA Vipra

 

Projektziel:

Im diesem Vorhaben war es das Ziel eine kamerabasierte Lösung zur Qualitätsüberwachung beim Kunststoff-Spritzgießen zu entwickeln, welche Hard- und Softwareseitig auf die Anforderungen eines produzierenden Unternehmens zugeschnitten ist. Beim Spritzgießen werden häufig Kunststoffprodukte mit optisch anspruchsvollen Oberflächen hergestellt. Daher ist in vielen Betrieben eine 100% Qualitätskontrolle obligatorisch, die häufig noch händisch durchgeführt wird. Dies liegt in der Ursache begründet, dass die Fehlerbilder oft komplex zu erkennen sind und es derzeit
keinen ganzheitlichen technologischen Ansatz gibt, der sämtliche Fehlerbilder abdeckt.

Die heutigen Möglichkeiten maschineller Lernverfahren erlauben es grundsätzlich neue Lösungsansätze zur Qualitätssicherung zu erarbeiten, die ohne menschliches Mitwirken autonom fungieren. Dies ist erforderlich, da das Spitzgießen einen bedeutenden Wirtschaftszweig in Deutschland darstellt und einem enormen, internationalen Wettbewerbsdruck ausgesetzt ist. Händische Qualitätskontrollen und Produktionsausschuss müssen reduziert werden, um in diesem Wettbewerb bestehen zu können.

Im Rahmen des Projektes wurde daher daran gearbeitet eine wirtschaftliche Lösung bereitzustellen, die aufgrund ihrer innovativen Softwarearchitektur mit der in einem Spritzgießbetrieb anfallenden Datenqualität und -menge trainiert und betrieben werden kann. Dies sollte durch Transfer Learning zur Erkennung fehlerfreier Bauteile und einer Anomaliedetektion realisiert.

Ziel war eine Lösung, die in dasvirtuelle Assistenzsystem Vipra® der SHS plus GmbH implementiert werden soll. Dabei sollte vor allem erreicht werden, dass im Gegensatz zu anderen künstlicher Intelligenz (KI) basierten Lösungsansätzen eine möglichst geringe Datenmenge benötigt wird. Das Vorhaben setzte dabei auf einen innovativen Ansatz der Anomalieerkennung.

Die geplanten Ergebnisse konnten zum Großteil erreicht werden, bedpürfen jedoch einer weiteren Überarbeitung und indivduellen Anpassung an prozessspezifische Situationen.

Finanzierungsdanksagung:

MesoAssistent – datenbasierte Assistenz, Machine Learning, Spritzgießen

Projektrahmen: ZIM

Projektpartner: Comma Soft AG, SHS plus GmbH

Laufzeit: 01.01.2020 – 30.09.2022

 

Projektziel:

Das Projekt zielte darauf ab, Maschinen- und Prozessdaten aus dem Spritzgießverfahren zu nutzen, um dem Maschinenbediener und der Produktionsleitung Assistenzfunktionen auf der Basis einer Anomalieerkennung zur Verfügung zu stellen. Zunächst wurde an einer Spritzgießmaschine umfangreiche Messtechnik und IT-Infrastruktur realisiert, um die Prozessdaten hochfrequent (10ms-Takt) aus der Maschine abgreifen zu können. Zum Einsatz kam eine Maschine vom Typ IntElect 100 der Firma Sumitomo Demag, die im Technikum der SHS plus GmbH betrieben wurde. Daraufhin wurden Formen für verschiedene Bauteile von Industriepartnern beschafft, um im Projekt reale Produktions-Use-Cases abzubilden. In experimentellen Versuchsreihen wurden Bauteile produziert und die Prozessdaten umfangreich aufbereitet. Um eine Praxistauglichkeit zu ermöglichen, lag der Fokus auf der Entwicklung eines effizienten KI-Modells, welches im laufenden Gutbetrieb der Maschine nachtrainiert wurde. Nach der Weiterverarbeitung und Bewertung der Daten wurde ein Quality-Score ermittelt, der an das virtuelle Assistenzsystem Vipra® übergeben und von dort aus an den Maschinenbediener kommuniziert werden konnte. Hierzu wurden weitere Kommunikationskanäle etabliert und eine entsprechende Mensch-Maschine-Schnittstelle geschaffen.