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.
Präsentation des Forschungsvorhabens (PDF) · Stand Juli 2025 · Use Cases, Software-Screens, Dashboards, Zeitplan
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
