Anwendung von Methoden der Künstlichen Intelligenz in der Praxis
Für den erfolgreichen Transfer von KI-Anwendungen in die Breite der Wirtschaft spielt neben der universitären und institutionellen Forschung die industrielle, anwendungsnahe Forschung eine wichtige Rolle. Mit der Bekanntmachung der Richtlinie zur Förderung von Projekten zum Thema "Künstliche Intelligenz in der Praxis" wird das BMBF Vorhaben fördern, die den Transfer von innovativen Forschungsergebnissen aus dem Gebiet der Künstlichen Intelligenz in die Praxis zum Ziel haben.
|
AKoS |
Akustische Kontrolle von Schweißnähten bei sicherheitskritischen Bauteilen im Rahmen der Qualitätssicherung Das Ziel des Vorhabens „AKoS“ besteht darin, eine KI-basierte Toolbox zu entwickeln, welche den aufwendigen Prozess der Einrichtung der Inlinebasierten Prozessüberwachung und die Bewertung der Daten um mehr als 85 Prozent reduziert. Hier bieten KI-basierte Frameworks enorme Potentiale zur flexiblen Zusammenfassung und Konfiguration dieser Bausteine sowie zur Einrichtung auf neue Fehlertypen und veränderte Rahmen-bedingungen. Im Vorhaben soll die akustische Prozessüberwachung einen Schwerpunkt bilden; weitere Messverfahren sollen jedoch ebenso integriert bzw. berücksichtigt werden. Projektpartner: Ansprechpartner: |
|
C-TIMING |
Container Availability Index Made in Germany Durch die Anwendung von Künstlicher Intelligenz in der maritimen Logistik entsteht mit dem Container Availability Index eine Informationsgrundlage, die deutsche Logistikunternehmen, Speditionen und Reedereien bei der effizienten und nachhaltigen Planung und Steuerung von Containertransporten unterstützten kann. Da es gegenwärtig keine mit C-TIMING vergleichbaren Lösungen gibt, hat das Projekt das Potenzial, die Entwicklung innovativer, datenbasierter Logistikservices „Made in Germany“ zu forcieren und damit den Standort Deutschland im internationalen Wettbewerb um die neuen Wertschöpfungspotenziale der Digitalisierung zu stärken. Ansprechpartner: |
|
Deep Picking |
KI-basiertes, flexibles Kommissioniersystem für Vereinzelungs- und Depalettieranwendungen Ziel des Vorhabens Deep Picking ist es, selbstlernende und selbstkonfigurierende Systeme zu entwickeln, um Bauteile in Kisten oder Gebinden auf Paletten zu erkennen. Das Fraunhofer IPA bringt dazu umfassende Expertise und Vorarbeiten ein. Neben bereits vorhandenen Simulationsumgebungen und Lernverfahren für gezielte Greifprozesse aus Kisten und von Paletten wird ein etabliertes „Griff-in-die-Kiste-System“ eingesetzt. Die Vorarbeiten werden im Projekt entsprechend den Marktbedürfnissen hinsichtlich der praktischen Verwendbarkeit weiter verbessert. Um diese Gegenstände automatisiert aufnehmen und bewegen zu können, werden intelligente Greifstrategien berechnet. Anders als bisher werden die Parameter dieser Systeme größtenteils automatisiert und damit einfach, schnell und ohne Expertenwissen angepasst. Projektpartner: Ansprechpartner: |
| ESKIMO | Entwicklung von Systembausteinen der Künstlichen Intelligenz für eine digitale mobile Wertschöpfungskette für die Bauausführung Das Ziel des Projekts ESKIMO besteht darin, die während der Bauausführung erfassten Bild-daten aus Kamerasystemen, Smartphones oder Tabletcomputern durch KI-Algorithmen zu interpretieren. Damit sollen Bauobjekte und deren Merkmale automatisiert erkannt sowie diese Ergebnisse mit der standardgestützten Gebäudedatenmodellierung (Building Information Modeling, BIM) abgeglichen werden. So entsteht ein virtuelles Abbild des aktuellen Bauzustands inklusive Maschinen und Materialien, wodurch es möglich wird, den Leistungsfortschritt und potentielle Abweichungen von der Planung zu ermitteln. ESKIMO wird drei bauspezifische Basistechnologien entwickeln, die bestehende KI-Methoden anpassen und erweitern. Die Basistechnologien sind im Projekt eng miteinander verzahnt und werden bei erfolgreicher Integration den Einsatz von KI in der Praxis ermöglichen. Weiterhin wird eine Echtzeit-Positionsermittlung auf der Baustelle mittels zusätzlicher Sensordatenfusion angestrebt. Dieses virtuelle Abbild wird eine neuartige technische und kaufmännische Qualitätssicherung sowie die intelligente Material- und Personenlogistik auf der Baustelle ermöglichen. Weiterhin wird das Konzept die Anwendung von modernen kollaborativen Baumethoden wie die vernetzte Baustelle, Just-in-Time-Lieferung, intelligente Baulogistik und getaktete Arbeitsweise erleichtern. Projektpartner: Open Experience GmbH, PMG Projektraum Management GmbH, Actimage GmbH, Frankfurt Economics AG, Karlsruher Institut für Technologie (KIT), Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB), Hochschule Darmstadt, Bauunternehmung Karl Gemünden, Ed. Züblin AG Ansprechpartner: |
|
Hybrid Technology |
Hybrid Technology - eine Infrastruktur zur Beschleunigung repetitiver Prozesse im Zusammenhang mit Bildern, Videos und Texten durch eine sinnvolle Arbeitsteilung zwischen Mensch und KI Ob beim Überprüfen von Medieninhalten oder bei der Verarbeitung von Rechnungen, oftmals handelt es sich um monotone, sich stetig wiederholende Aufgaben. Diese werden branchenübergreifend vor allem als Beeinträchtigung der Produktivität und Rentabilität von Unternehmen gesehen. Das kann bei den Mitarbeiterinnen und Mitarbeitern, die diese Aufgaben erledigen müssen, zu fehleranfälliger Handhabung durch Ermüdung, geringer Zufriedenheit und Problemen der psychischen Gesundheit führen. Projektpartner: Ansprechpartner: |
| KI4MRK | KI für effiziente, industrielle MRK Anwendungen Ziel dieses Vorhabens ist die Entwicklung einer Vorhersage, wie sich der Mensch im Arbeitsraum bewegt. Hierzu wird der gemeinsame Arbeitsraum in eine Blockdarstellung (Voxeldarstellung) überführt, die es ermöglicht, Hindernisse als Volumen darzustellen. Menschliche Posen werden mittels Autoencoder (künstliche, neuronale Netze) so vorverarbeitet, dass diese im System effizient gespeichert werden können. Ein zweiter Autoencoder wird anhand von öffentlichen Bewegungs-Datenbanken trainiert und erlaubt so die Prädiktion von Einzelbewegungen des Menschen. Im letzten Schritt kann ein rückgekoppeltes Neuronales Netz, das mittels Long short-term memory (LSTM) mit nur wenigen, aufgabenspezifischen Daten trainiert wurde, dennoch komplexe Handlungen vorhersagen. Projektpartner: Ansprechpartner: |
| KIRK | KI-basierte Roboterkalibrierung Im Projekt KIRK werden mit den Möglichkeiten des Maschinellen Lernens neue Kalibrier-Methoden entwickelt, die flexibler in der Anwendung sind, zu höheren Genauigkeiten führen und damit die Einsatzmöglichkeiten der Industrie-Roboter erweitern. Im Fokus stehen dabei sogenannte tiefe neuronale Netze (Deep Learning), sowie Techniken der Domain Randomization und Domain Adaption. Bei der Domain Randomization werden eine Vielzahl physikalischer und kinematischer Größen wie z. B. Massen, Trägheit, Lichtverhältnisse des Roboters sowie der Umgebung variiert, bei der Domain Adaptation wird der Unterschied in der Datenverteilung bei der Lösung derselben Aufgabe in verschiedenen Umgebungen berücksichtigt. Der direkte Nutzen der neu erarbeiteten Methoden wird für drei typische industrielle Anwendungsfälle gezeigt: Berücksichtigung von Effekten in der Auf-wärmphase, Verschiebungen von Pivotpunkten/Achslagen durch Abnutzung und Verbes-serung der Genauigkeit besonders preisgünstiger Roboter anhand von Demonstratoren. Projektpartner: Ansprechpartner: |
| LaserSKI |
Laser Screening by KI Projektpartner: Ansprechpartner: |
| Learning to Optimize |
Dynamische komplexe Routenoptimierung für Fahrzeugflotten Ansprechpartner: |
|
ML-MoRe |
Maschinelles Lernen für die Modellierung und Regelung der Emissionen von Hybridfahrzeugen in Realfahrzyklen |
|
MM4SPA |
Multimodale Analyse für Sports Analytics: Intelligente Synchronisierung und semantische Anreicherung von Positions- und Videodaten zur Analyse von Sportspieldaten |
| PräKIpio | Prädiktion mittels KI für Planung, Interferenzanalyse und Optimierung Im Verbundvorhaben „PräKIpio“ sollen Verfahren des maschinellen Lernens (ML) zur Funkausbreitungsvorhersage und Fehleranalyse in künftigen 5G-Campusnetzen mit Massive-MIMO entwickelt werden. Im Vorhaben sollen KI-gestützte Prädiktionsmodelle entwickelt und in Planungswerkzeugen genutzt werden, um einerseits mit Hilfe von Gebäudedaten und gegebenenfalls punktuellen Messungen wesentliche Eigenschaften der Funkversorgung vor-hersagen sowie andererseits Fehlerfälle in 5G-Campusnetzen automatisiert analysieren zu können. Um die Forschungsziele zu erreichen, sollen die speziellen Ausbreitungseigenschaften des Funkmediums in 5G-Massive-MIMO-Szenarien durch Messungen, vor allem im 5G-Berlin-Campus, charakterisiert werden. Die Messdaten bilden die Basis für den Entwurf und das Training von Methoden des Maschinellen Lernens (ML) zur Vorhersage der Funkversorgung. Projektpartner: Ansprechpartner: |
| Rob-aKademI |
Generierung robuster Steuerungs-Algorithmen für Roboter aus der Physiksimulation mittels Methoden der Künstlichen Intelligenz zur hochflexiblen, variantenreichen Montage in „Losgröße 1“ Ansprechpartner: |
| SENECA | Ein selbstlernendes Entscheidungsunterstützungssystem für die echtzeitfähige Auftragsreihenfolge- und Maschinenbelegungsplanung Der Bedarf an echtzeitfähigen Lösungsverfahren nimmt kontinuierlich zu. Die Planung von Auftragsreihenfolgen und Maschinenbelegungen ist dabei eine der Hauptaufgaben der Produktionsplanung und -steuerung in produzierenden Unternehmen. Es handelt sich hierbei grundsätzlich um Optimierungsprobleme, welche in der Regel nicht mit exakten analytischen Lösungsverfahren zeit- und kosteneffizient berechnet werden können. Stattdessen kommen bisher problemspezifische, heuristische Verfahren zum Einsatz, welche sich einer optimalen Lösung schrittweise nähern (wie bspw. trial and error – Versuch und Irrtum). Diese Verfahren beanspruchen in der Regel eine lange Berechnungszeit, wodurch sie sich nicht für die kurzfristige Auftragsreihenfolge- und Maschinenbelegungsplanung in hochdynamischen Produktionsumgebungen eignen. Methoden des Maschinellen Lernens sind in der Lage, basierend auf Daten (z. B. Auftragscharakteristiken, Systemzustände) Entscheidungen in Echtzeit zu treffen (z. B. Zuordnung von Aufträgen zu Maschinen, Reihenfolgebildung von Aufträgen). Vor diesem Hintergrund wird im Vorhaben SENECA ein selbstlernendes Assistenzsystem entwickelt, um eine Auftragsreihen-folge und eine Maschinenbelegung planen zu können. Der Aufbau und das Funktionsprinzip sind in der Abbildung dargestellt. Als Unterstützungssystem in Form eines digitalen Assistenten bleibt der Mensch jedoch stets die letzte Entscheidungsinstanz. Der auf der Kombination verschiedener ML-Strategien basierende Prototyp soll in einer realen Testumgebung implementiert und evaluiert werden. Neben der Software- wird es auch eine entsprechende Hardwareentwicklung im Projekt geben. Projektpartner: Ansprechpartner: |
| STARFISH |
Safety and Artificial Intelligence Speech Recognition Ansprechpartner: |
|
Time4CPS |
Ein Software-Framework zur Analyse des zeitlichen Verhaltens von Produktions- und Logistikprozessen In Time4CPS analysiert eine Software mittels Methoden des maschinellen Lernens zuerst alle Daten und bestimmt automatisch alle relevanten Ereignisse. Zwischen diesen Ereignissen werden die Zeitspannen kontinuierlich während des Betriebs überwacht, und zwar abhängig vom jeweiligen Systemzustand. Sollten signifikante Veränderungen auftreten, so wird der Benutzer gezielt informiert. Dieser kann dann das System reparieren oder verbessern. Die wirtschaftliche Verwertung im Rahmen dieses Projekts wird durch das KMU Recogizer Analytics GmbH erfolgen. Evaluiert wird der Ansatz durch die Firma ISI Automation GmbH & Co. KG, sowie Hendricks Automotive Group und GTP Schäfer Gießtechnische Produkte. Diese Firmen möchten die zu entwickelnden Lösungen z. B. auf folgende Optimierungsszenarien im Bereich der Inter- und Intralogistik und auf Prozesse der diskreten Fertigung (z. B. bei Automobilzulieferern) anwenden. Projektpartner: Ansprechpartner: |
| TRANSFER | Transfer Learning als essentielles Werkzeug für die Energiewende Ziel des Vorhabens „TRANSFER“ ist es, Methoden und Ansätzen von maschinellen Wissenstransfer zu entwickeln, um die Netzeinspeisung neu installierter EE-Anlagen sowie die dynamischen Leistungsflüsse durch Transformatoren zwischen Hoch- und Höchstspannung modellieren und prognostizieren zu können. Dazu sollen allgemeingültige Modelle des Transfer Learning zum automatisierten Wissenstransfer zwischen einzelnen Systemkomponenten erstellt werden. Die Modelle werden vorab geschätzte und im Laufe des Betriebs überprüfte Ähnlichkeiten zwischen Systemkomponenten erkennen und nutzen, um zuverlässige und nachvollziehbare Lösungen z. B. für Prognosen zu generieren. Die entwickelten Modelle werden anhand drei realer Use-Cases (Windparks, Photovoltaikspeichersysteme und Leistungsflüsse durch Transformatoren) und Datensätze aus dem energiewirtschaftlichen Themenfeld erprobt und an anwendungsnahen Prototypen demonstriert. Projektpartner: Ansprechpartner: |
| TreeSatAI |
Künstliche Intelligenz mit Erdbeobachtungs- und Multi-Source Geodaten für das Infrastruktur-, Naturschutz- und Waldmonitoring Ansprechpartner: |
