Jungheinrich zet voorspellende AI-modellen van Monolith in om de ontwikkeling van batterijen voor zijn volgende generatie elektrische hef- en magazijntrucks te versnellen. Door gebruik te maken van data-gedreven engineering wil het bedrijf kritieke prestatie-indicatoren van nieuwe batterijtechnologieën vroeger in het ontwikkelingsproces evalueren en fysieke testcampagnes beperken.
De samenwerking kadert binnen de bredere elektrificatiestrategie van Jungheinrich, een toonaangevende fabrikant van industriële voertuigen en intralogistieke systemen. De toenemende complexiteit van batterijtechnologie maakt een snellere en meer betrouwbare validatie essentieel om competitief te blijven in een snel evoluerende markt.
AI-gestuurde batterijontwikkeling op basis van testdata
Jungheinrich analyseert vroege batterijtestgegevens met behulp van de AI-gestuurde engineeringsoftware van Monolith. Deze tools maken het mogelijk om machine learning-modellen te trainen en te valideren op basis van real-world testdata.
Door deze aanpak kunnen ingenieurs in een vroeger stadium voorspellingen doen over prestaties zoals levensduur, efficiëntie en betrouwbaarheid van batterijen. Dit leidt tot snellere en beter onderbouwde technische beslissingen en vermindert de noodzaak voor uitgebreide fysieke testreeksen.
Het bedrijf blijft gedurende het volledige ontwikkelingsproces batterijtests uitvoeren, waarbij grote hoeveelheden meetgegevens worden verzameld en geïntegreerd in het AI-platform voor verdere modellering en analyse.
Efficiëntere R&D en kortere ontwikkelcycli
Door testdata om te zetten in voorspellende modellen wil Jungheinrich de selectie en evaluatie van batterijtechnologieën optimaliseren. Dit maakt het mogelijk om sneller te schakelen tussen ontwerpkeuzes en technologie-opties binnen de productontwikkeling.
Onderzoek van McKinsey toont aan dat datagestuurde AI-toepassingen R&D-processen in complexe maakindustrieën met 20% tot 80% kunnen versnellen. Deze efficiëntiewinst is cruciaal voor fabrikanten die tegelijk willen inzetten op duurzaamheid, kostenreductie en kortere time-to-market.
Centrale AI-infrastructuur voor engineering intelligence
Monolith biedt een AI-gestuurd platform dat is ontworpen om het aantal fysieke prototypes en testcampagnes te verminderen. Hierdoor kunnen engineeringteams zich meer richten op kritische ontwerp- en validatievraagstukken.
Daarnaast krijgt Jungheinrich toegang tot een centraal platform voor engineering intelligence, waar testdata, modelinzichten en aanbevelingen voor toekomstige experimenten veilig worden gedeeld tussen ontwikkelteams. Dit ondersteunt snellere besluitvorming in eerdere fases van de productontwikkeling en verlaagt tegelijkertijd kosten en testbelasting.
“Naarmate we ons assortiment elektrische hef- en magazijntrucks blijven uitbreiden, is het vermogen om batterijtechnologieën snel en betrouwbaar te evalueren cruciaal voor het behoud van ons concurrentievoordeel. Door samen te werken met Monolith kunnen we onze testgegevens beter benutten om kritieke prestatiekenmerken van batterijen eerder te identificeren en slimmere technische beslissingen te nemen die de volgende generatie efficiëntere, duurzamere producten ondersteunen,” zegt dr. Andreas Münz, Head of HW Testing, Corporate Infrastructure & Test Methods, Jungheinrich AG.
Volgens Monolith-CEO dr. Richard Ahlfeld is AI een sleuteltechnologie voor de sector: “Elektrificatie is essentieel voor het future-proof karakter van de industrial equipment sector en het optimaliseren van de batterijprestaties is nu een cruciale factor bij het bepalen van hoe snel nieuwe producten kunnen worden ontwikkeld en op de markt gebracht. Door AI te gebruiken om testgegevens te analyseren, helpen we de teams van Jungheinrich om complexe batterijdatasets om te zetten in bruikbare inzichten. Zo kunnen ze sneller en met meer vertrouwen beslissingen nemen en zijn ze ook minder afhankelijk van dure fysieke tests.”
Strategische stap richting data-gedreven elektrificatie
Met de integratie van AI in het batterijontwikkelingsproces versterkt Jungheinrich zijn positie in de elektrificatie van industriële voertuigen. De combinatie van voorspellende modellen en testdata maakt een efficiëntere, snellere en meer duurzame productontwikkeling mogelijk.