Maschinelles Lernen zur Anomalieerkennung an multivariaten, ungleich getakteten Messstellen galvanotechnischer Anlagen
Galvanikanlagen zeichnen große Mengen an Prozessdaten auf, die sich kaum automatisiert auswerten lassen: Die Messstellen sind nicht beschrieben, und die Quellen laufen in ganz unterschiedlichen Takten — von Sekunden in der Anlagensteuerung bis zu einer Laboranalyse am Tag. Das Projekt entwickelt ein Verfahren, das solche Bestände für maschinelles Lernen erschließt und jede Auffälligkeit bis zur einzelnen Messstelle nachvollziehbar macht.
KI-gestützte Prozessoptimierung in der Galvanotechnik zugunsten der Umweltbilanz
Automatisierte Datenerfassung und branchenspezifische Machine-Learning-Modelle zur Reduktion von Chemikalien- und Metallverbrauch, Energiekosten, Wasserbedarf und Abfallmengen — bei gleichzeitig ESG-tauglicher Datenerfassung. Vorhersage von Prozessparametern, Qualitätsproblemen und Störfällen zur Entlastung verfahrenstechnischer Teams.
Was in 15 Monaten entstanden ist
Entstanden ist Predictive Quality: Aus vorhandenen Prozessdaten wird der Qualitätszustand jeder Charge berechnet — damit ein Betrieb reagieren kann, bevor ein größerer Schaden entsteht. Vorgestellt beim Abschlussevent der aws am 1. Oktober 2026.
Start auf simulierten Daten
Digitaler Zwilling einer Galvanikanlage und ein erster Prototyp.
An einer realen Anlage
Anomalieerkennung an den Prozessdaten einer laufenden Galvanikanlage.
Im Betrieb bewertet
Zwei Fachleute im Betrieb haben die Meldungen beurteilt.
Modellprüfung abgeschlossen
TÜV AUSTRIA Trusted AI, 02.06.2026. Einstufung nach EU AI Act: Low Risk.
Danke an die Menschen, die das ermöglicht haben
Ein Projekt wie dieses trägt niemand allein. Diese Menschen haben mitgedacht, mitgearbeitet, geprüft und begleitet.
-
Brigitte Maier
Strategie & Business Development
-
Sandra Basic
Finance & HR
-
Fabian Kraft
Data Engineering
-
Jürgen Paulmichl
Data Security
-
Verena Becker
Cybersicherheit, NIS
-
Jenny Bors, BSc
Innovationsschutz & IP‑Management
-
Christine Knecht-Kleber
Recht
-
Gertraud Wahrlich
Steuerberatung, Tributaria
Prüfung und Förderung
-
Barbara Brune
Statistik & Data Science, TÜV AUSTRIA
-
Dr. Regina Weinmüllner
Förderbetreuung, aws
Forschungsschwerpunkte
-
Anomalieerkennung auf industriellen Zeitreihen
Reproduzierbare ML-Methodik mit erklärbaren Modellentscheidungen — entwickelt für sensorarme, hochdimensionale Galvanikprozesse.
-
Explainable AI für Prozessentscheidungen
Transparente Modellentscheidungen zur Validierung durch Fachpersonal — Methodik orientiert am EU AI Act.
-
ESG-Datenintegration & Umweltbilanzierung
Automatisierte Erfassung und Modellierung von Energie-, Chemikalien- und Wasserströmen als Datengrundlage für Nachhaltigkeitsnachweise.
-
Trusted AI & Modellprüfungsmethodik
Modellprüfung bei TÜV AUSTRIA Trusted AI (TRUSTIFAI) erfolgreich abgeschlossen. Methodik orientiert an EU AI Act, ISO 42001 und IEEE 7000 — reproduzierbare Validierung für den industriellen Einsatz.
Vorträge & Publikationen 2026
-
Galvano-Forum 2026 Im Programm
Swiss Galvanic, offizieller Programmpunkt — "Machine Learning für die Galvanotechnik". Veranstaltung → · Referenten-Portrait (PDF) →
-
AOT Symposium 2026 Termin folgt
ARGE Oberflächentechnik Austria — Vortrag zur KI-gestützten Prozessoptimierung. arge-ot.at →
-
Fachartikel — Vertrauenswürdige KI in der Galvanotechnik Erschienen
Leuze Verlag — Einordnung von ML-Methoden für die industrielle Oberflächentechnik, Fokus auf Praxistauglichkeit und methodische Strenge. Fachartikel lesen (PDF) →
Offen für Forschungskooperationen
Co-Autorenschaften, Validierungs-Kooperationen, Konsortialanträge und Industrie-Begleitforschung. Ich bringe Galvanik-Erfahrung aus der Produktion, eine akademische Physik-Ausbildung und produktive KI-Systeme ein.
Kooperationsanfrage an smaier@rvh.at
