Fallstudien

AMG Brasil, Mibra-Mine (Minas Gerais) — Teil der AMG Critical Materials N.V., notiert an der Euronext Amsterdam. Name, Marke und Ergebnisse mit Genehmigung verwendet.

Plötzliche Anstiege der zirkulierenden Last führten dazu, dass die Zufuhr gedrosselt werden musste — oft unter 70 t/h — etwa siebenmal täglich.

Ein prädiktives Modell der zirkulierenden Last steuert das Aufgabeband in Echtzeit: Es erkennt den Anstieg im Voraus, hält ein von der Mühle aufnehmbares Niveau und kehrt zur maximalen Zufuhr zurück.

Mineração Aurizona (MASA), Goldmine und Aufbereitungsanlage in Maranhão, Brasilien — seit Januar 2026 Teil der CMOC Group

Manuelle Prozesssteuerung begrenzt Durchsatz und Konsistenz. Operatoren können optimale Parameter bei wechselnden Erzbedingungen nicht rund um die Uhr halten.

Ein prädiktives Modell des Mahlkreislaufs, das den AI Autopilot betreibt und Sollwerte in Echtzeit an das Automatisierungssystem der Anlage sendet. 25-tägiger Test (10. Jan. – 5. Feb. 2024) mit Wechsel zwischen KI und manueller Steuerung alle 48 Stunden. Bereitgestellt mit SoftwareOne auf AWS.

Globaler Agrar- und Bioenergiekonzern, Südamerika. Kunde unter NDA.

Prädiktive Modelle für Biodiesel-Öfen und -Reaktoren. Phase 1 geliefert: 56,5 Mio. Sensormesswerte über 10 Monate in einer kuratierten Datenpipeline konsolidiert, dazu ein virtueller Sensor mit 96,3 % R² und Erkenntnisse zur Katalysatormarge.

Phase 2 läuft: Ertrags-, Katalysator- und Qualitätsmodelle mit kontinuierlichem Retraining und Selbstlernen. Ergebnisse der Phase 2 sind vorläufig.

Globaler Hersteller von Schwermaschinen. Kunde unter NDA.

Prädiktives Wartungsmodell und Dashboard für Komponenten-Prüfzellen. Zellen mit ~70 Sensoren konsolidiert; Baselines je Variante helfen, Prüfstandsinfrastruktur vom Komponentenverhalten zu trennen.

Mai–September 2026: Datenfundament geliefert; Modelltraining läuft, im Zeitplan.