Success Stories
Erfahren Sie, wie unsere datengetriebene Lösungen unseren Kunden geholfen haben, Probleme zu lösen und Mehrwert für ihre Organisationen zu generieren.
Satellitenpositionierung für Indoor-Lokalisierung
#SmartFactory #Optimierung #ILP #Heuristik
Indoor-Lokalisierungssysteme gewinnen immer mehr an Bedeutung im Kontext der sich verändernden Produktionsprozessen. Lokalisierung von Produktionsteilen auf dem Shop-Floor zur Verfolgung des Bestellungs- und Fertigungsstatus bietet Einblicke in den Prozessen und unterstützt die Fertigung. Trumpf’s Track & Trace System ermöglicht ein präzises und robustes Indoor-Tracking von Objekten innerhalb einer Fertigungsanlage mittels Ultra Wide Band (UWB) Technologie. Die Anzahl und Positionierung der Satelliten (Detektoren) hängt stark von der Form der zu deckenden Fläche und von den Hindernissen, und ist für alle Kunden individuell zu konfigurieren. Eine Methode zur automatisierten Berechnung von optimierten Konfigurationen von Satelliten kann gleichzeitig die Anzahl der benötigten Geräten und damit die Kosten reduzieren, und die erwünschte Flächendeckung vom System sicherstellen.
KI-basierte Analyse von Niederspannungsnetzdaten
#Zeitreihen #Datenanalyse #Elektrofahrzeuge #Photovoltaik #Python
Als einer der größten Verteilnetzbetreiber (VNB) in Deutschland steht die Netze BW GmbH an vorderster Front der Transformation im Energiesektor. Erkenntnisse über den Betrieb ihrer Netze sind entscheidend, um die Stabilität des Stromnetzes mit der Zunahme der dezentralen Stromerzeugung sowie neuen Verbrauchertypen wie Elektrofahrzeugen und Wärmepumpen zu gewährleisten. Reasonance hat eine Datenanalyselösung entwickelt, die Zeitreihendaten von Trafostationen im Niederspannungsnetz analysiert, wo die Sichtbarkeit für den DSO traditionell gering ist. Sie ist in der Lage, relevante Ereignisse zu erkennen und Verbraucher- und Generatortypen zu klassifizieren und daraus wichtige Informationen für den Stromnetzbetrieb abzuleiten.
Optimierung von Fernwärmenetzen
#KognitiverZwilling #KI #Optimierung #Python #AWS
Gradyent B.V. ist ein Unternehmen aus den Niederlanden, das eine Cloud-basierte Lösung anbietet, die Fernwärmenetze nahezu in Echtzeit optimiert, indem sie Wärmeverluste und damit Kosten und CO2-Emissionen für die Betreibergesellschaft reduziert. Reasonance hat an der Entwicklung des Gradyent-Systems mitgewirkt – beim Aufbau der KI-Kernkomponente, die aus einem kognitiven Zwilling des Wärmenetzes besteht, der in der Lage ist, den Zustand des Netzes zu simulieren, den Wärmebedarf zu prognostizieren und eine Optimierung auf Basis von Streaming-Sensordaten durchzuführen. Das Endprodukt ist eine voll funktionsfähige und skalierbare Cloud-Lösung, die bei einigen der größten Energieunternehmen in Europa Einsatz findet.
Automatisierte Datengenerierung und -validierung für eine CAD/BIM Bibliothek
#Prozessautomation #Qualitätssicherung #Python #DataWrangling #CAD #BIM
Unser Kunde bietet weltweit eine vielseitige Produktpalette an verschiedenen Einbauteilen an. Bauplaner können auf seiner Online-Plattform durch die verschiedenen Produkte navigieren und detaillierte Beschreibungen der einzelnen Einbauteile einsehen. Ebenso können die Produkte inklusive der jeweiligen Attribute in verschiedenen Detaillierungsgraden exportiert und in die CAD/BIM-Software integriert werden. Reasonance entwickelte eine Data-Wrangling-Lösung, um Daten aus verschiedenen Quellen automatisch zusammenzuführen, die Datenqualität zu sichern und die Systembetreiber über inkonsistente, unvollständige oder ungültige Produktdaten zu informieren sowie die Daten für die Visualisierung innerhalb der einzelnen Landesproduktprogramme unseres Kunden aufzubereiten.
KI-basierte Netzplanung
#Optimierung #KI #Prozessautomation #Niederspannungsnetz #GCP
DUINN B.V. ist ein niederländisches Beratungsunternehmen, das in dem Energiebereich tätig ist. Um die Herausforderungen bei der Planung von Stromnetzen zu bewältigen, ging DUINN eine Partnerschaft mit Reasonance ein, um den Einsatz von maschinellem Lernen und Optimierungsalgorithmen zu evaluieren, um einige der damit verbundenen Prozesse zu unterstützen und zu automatisieren. Das Tool, das auf Deep Reinforcement Learning und klassischen Optimierungsansätzen basiert, wurde für einen großen europäischen Verteilnetzbetreiber (DSO) entwickelt und ermöglicht ein optimiertes Netzdesign, was zu einer Reduzierung der Investitions-, Betriebs- und Wartungskosten für das Energieunternehmen führt.