Hesse Lignal: 6× schneller zur UV-Farbtonfreigabe
Vom Laborwissen zum intelligenten KI-Zwilling.
Wie lassen sich Farbtöne bei UV-härtenden Lacken schneller entwickeln, ohne wichtige Eigenschaften wie Reaktivität und Härtungsverhalten aus dem Blick zu verlieren?
Gemeinsam mit Hesse Lignal hat ai-predict gezeigt, wie die intelligente Verbindung von Messdaten, physikalisch-chemischem Wissen und Künstlicher Intelligenz die Formulierungsentwicklung entscheidend verbessern kann.
Mit unserem Deep-Knowledge-Integration-Ansatz (DKI) konnten im untersuchten Anwendungsfall die Entwicklungszeiten um den Faktor sechs reduziert und die notwendigen Laborversuche deutlich verringert werden.
Das Ergebnis: Schnellere Farbtonentwicklung, nachvollziehbare Entscheidungen und eine Amortisation der Investition innerhalb von zwei Jahren.
Die Herausforderung: Wenn Farbton und Härtung zusammenpassen müssen
Die Entwicklung UV-härtender Lacke ist komplex. Neben dem gewünschten Farbton müssen auch Reaktivität, Härtungsverhalten und unterschiedliche Prozessbedingungen berücksichtigt werden.
Besonders die Umstellung auf moderne LED-UV-Technologie stellt hohe Anforderungen an die Formulierung: LED-Lichtquellen besitzen engere Emissionsspektren, wodurch bisherige Rezepturen nicht immer ohne Anpassungen übernommen werden können.
Bei pigmentierten Lacksystemen entstehen zusätzliche Wechselwirkungen zwischen Farbgebung und Härtung. Änderungen an einzelnen Rohstoffen können mehrere Eigenschaften gleichzeitig beeinflussen.
Die bisherige Vorgehensweise: Erfahrene Formulierer entwickeln und überprüfen unterschiedliche Rezepturvarianten in aufwendigen Laborversuchen.
Die zentrale Frage: Wie lassen sich diese Entwicklungsschritte systematisieren, um schneller zu geeigneten Rezepturen zu gelangen und gleichzeitig die technischen Anforderungen einzuhalten?
Die Lösung: Wissen, Daten und KI intelligent verbinden
Statt die Farbtonentwicklung ausschließlich durch wiederholte Laborversuche voranzutreiben, setzte ai-predict auf einen systematischen Ansatz: Deep Knowledge Integration (DKI).
Dafür wurden vorhandene Rezeptur- und Messdaten mit physikalisch-chemischen Modellen und dem Expertenwissen der Hesse-Formulierer verknüpft.
Besonders wichtig war die Berücksichtigung der Zusammenhänge zwischen Farbton, Photoinitiatoren, Reaktivität und Härtungsverhalten.
Auf dieser Grundlage entstand ein digitaler Entscheidungsraum, in dem unterschiedliche Rezepturalternativen berechnet und bewertet werden konnten.
Der entscheidende Unterschied: Statt einzelne Rezepturen nach dem Prinzip Versuch und Irrtum zu entwickeln, konnten geeignete Lösungsbereiche gezielt eingegrenzt und Zielkonflikte nachvollziehbar bewertet werden.
So entstand die Grundlage für eine schnellere, systematischere und datenunterstützte Farbtonentwicklung.
Die Ergebnisse: Schneller entwickeln. Fundierter entscheiden.
Der Einsatz von Deep Knowledge Integration hat die Farbtonentwicklung bei Hesse Lignal im untersuchten Anwendungsfall deutlich beschleunigt.
Bis zu 6× schnellere Farbtonentwicklung
Die benötigte Entwicklungszeit konnte auf etwa ein Sechstel des ursprünglichen Aufwands reduziert werden.
Return on Investment innerhalb von 2 Jahren
Weniger Laborversuche, kürzere Entwicklungszyklen und effizientere Entscheidungsprozesse ermöglichten die Amortisation der Investition innerhalb von zwei Jahren.
Darüber hinaus konnten Zielkonflikte zwischen Farbton, Reaktivität und Härtungsverhalten besser erkannt und unterschiedliche Rezepturalternativen systematisch bewertet werden.
Das Ergebnis: Weniger Versuchsschleifen, mehr Transparenz und eine deutlich effizientere Formulierungsentwicklung.
Die vollständige Hesse-Lignal-Fallstudie anfordern
6× schnellere Farbtonentwicklung – wie wurde das möglich?
Erfahren Sie in unserer achtseitigen Case Study, wie Hesse Lignal und ai-predict vorhandene Messdaten, physikalisch-chemisches Wissen und KI erfolgreich kombiniert haben.
Entdecken Sie den Deep-Knowledge-Integration-Ansatz (DKI), die technische Umsetzung und die erzielten Ergebnisse.
Fordern Sie die vollständige Fallstudie jetzt kostenlos und unverbindlich an.
Ihre Angaben verwenden wir ausschließlich zur Bearbeitung Ihrer Anfrage und zur Zusendung der gewünschten Fallstudie. Weitere Informationen finden Sie in unserer Datenschutzerklärung.
