Präsenzveranstaltung / 21. Februar 2024, 10.00 Uhr bis 17.00 Uhr
High-Performance Dispersionen im vernetzten Prozess
Wie schaffen es dispergierende Unternehmen aus ihren Rezepturen die beste Performance herauszuholen? Wie lassen sich die Economy of Scale und der Bedarf nach einer enormen Produktflexibilität in Einklang bringen? Wie gelingt es, Verschwendung und Kostentreiber bei häufigen Chargenwechsel zu minimieren? Wie kann die Anlagenverfügbarkeit maximiert werden?
In unserem Workshop zeigen Forschende und Partner unseres Zentrums für Dispergiertechnik konkrete Möglichkeiten, wie Dispersionen, Pasten und Slurries mit Hilfe der richtigen Messtechnik und Analyse sowie der idealen Kombination aus unterschiedlichen Dispergierverfahren zu High-Performance-Produkten optimiert werden können. Zudem erhalten die Teilnehmenden einen Deep Dive in den vernetzten, digitalisierten Dispergierprozess, Best Practice Beispiele und Einblicke, wie die KI durch Machine Learning insbesondere beim Chargenwechsel und bei Rezepturanpassungen durch einen effizienten Dispergierprozess lotsen kann.
Inhalte
- High-Performance Partikeldispersionen:
- Stabilität und Haltbarkeit in Perfektion
- High-End Technologien im Vergleich
- Charakterisieren, Analysieren und folgerichtig Interpretieren
- In- und Online-Qualitätsüberwachung praktisch umgesetzt
- Digitalisierung – Vernetzung – Integration von
- Machine Learning Prozessen
- Best Practice Anwendungen, Erfahrungsaustausch und Dialog zu »Wandlungsfähigen Dispergierprozessen«
Nutzen für die Teilnehmenden
Direkt anwendbares Know-how und Umsetzung im Dispergierprozess in der Praxis
Zielgruppe
Labormitarbeiter und -techniker, Fachkräfte mit Bezug und Kenntnissen zu Dispergierprozessen, Partikelaufbereitung, Charakterisierung oder Analyse, Produktionsleitende von Rohstoffverarbeitern, Produktionsleitende von Misch- und Dispergierprozessen
Sonstige Informationen
Know-how-Transfer durch Wissenschaftler*innen des Zentrums für Dispergiertechnik des Fraunhofer IPA und Kooperationspartner aus der Industrie.