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:
measX GmbH, RRS Schilling, FIT AG, GEFERTEC GmbH, Jennewein Metalltechnik GmbH & Co. KG, Technische Universität Ilmenau - Fakultät für Maschinenbau, Fraunhofer IDMT
Ansprechpartner:
measX GmbH & Co. KG
Projektblatt
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.
Projektpartner:
xChange Solutions GmbH, Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. - Fraunhofer-Center für Maritime Logistik und Dienstleistungen
Ansprechpartner:
xChange Solutions GmbH
Projektblatt
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:
Premium Robotics GmbH, Drag and bot GmbH, Fraunhofer-Institut für Produktionstechnik und Automatisierung (IPA), Daimler Truck AG
Ansprechpartner:
Premium Robotics GmbH
Projektblatt
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:
Open Experience GmbH
Projektblatt
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.
Im Projekt Hybrid Technology (HT) soll eine Lösung entwickelt werden, die die Beschäftigten von diesen anstrengenden Aufgaben entlastet, ohne sie zu ersetzen. Die Antragsteller sind überzeugt, dass der Mensch sich auf die kritischen und komplexen Fälle konzentrieren sollte, um seine Fähigkeiten von Intuition und Wissenstransfer optimal zu nutzen. Repetitive Aufgaben sollte er nach und nach auf die Maschine übertragen und damit automatisieren.
Projektpartner:
Luminovo GmbH, Technische Universität München
Ansprechpartner:
Luminovo GmbHi
Projektblatt
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:
Roboception GmbH, pi4 robotics GmbH, Ruhrbotics GmbH, FZI Forschungszentrum Informatik
Ansprechpartner:
Roboception GmbH
Projektblatt
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:
DHBW Karlsruhe, Ruhrbotics GmbH, Universität Stuttgart, Institut für Fertigung und Fabrikbetrieb IFF, ArtiMinds Robotics GmbH
Ansprechpartner:
DHBW Karlsruhe
Projektblatt
LaserSKI: Laser Screening by KI
In dem Projekt erarbeiten die Verbundpartner eine einheitliche Klassifizierung verschiedener Fehlerarten und erstellen Datensätze annotierter Bilder zum Training des Klassifikationsalgorithmus. Auf Basis der Trainingsdatensätze wird der KI-Algorithmus entwickelt, bei den Photonik-Partnern getestet und implementiert. Nach erfolgreicher Implementierung der KI-Software bei den Partnern wird die Software für weitere Anwendungsfälle in der Qualitätskontrolle in der Photonik, wie zum Beispiel in der automatisierten Montage von Mikrooptiken generalisiert, so dass der Anpassungsbedarf bei weiteren Prozessautomatisierungen minimiert wird.
Projektpartner:
dida Datenschmiede GmbH, Forschungsverbund Berlin e.V., eagleyard Photonics GmbH, Dilas Diodenlaser GmbH, Innolume GmbH
Ansprechpartner:
dida Datenschmiede GmbH
Projektblatt
Learning to Optimize: Dynamische komplexe Routenoptimierung für Fahrzeugflotten
Im Projekt „Learning to Optimize“ soll eine Lösung zur dynamischen Tourenplanung durch eine effektive und innovative Kombination von klassischen Optimierungsmethoden des OR und Techniken der Künstlichen Intelligenz (KI) gefunden werden. Dazu soll aus vorhandenen Daten und Erfahrungen gelernt werden, um die Qualität der Lösungen zu erhöhen. Im Kern verfolgt das Projekt einen parallelen Ansatz, in dem einerseits das Maschinelle Lernen dazu eingesetzt wird, um klassische OR Verfahren zu beschleunigen und Korrekturen bzw. eine Umplanung annähernd in Echtzeit durchführen zu können. Andererseits sollen OR Methoden die KI-basierten Ansätze unterstützen, um die Güte der erzielten Lösungen sicherzustellen. Zu diesem Zweck werden zunächst Planungsdaten von diversen Industriepartnern analysiert, auf dieser Basis geeignete Lösungsmethoden entwickelt sowie anschließend kontinuierlich angepasst und verbessert.
Projektpartner:
Universität Hildesheim, Spedition Hahne, SpediFix
Ansprechpartner:
Universität Hildesheim
Projektblatt
ML-MoRe: Maschinelles Lernen für die Modellierung und Regelung der Emissionen von Hybridfahrzeugen in Realfahrzyklen
Ziel des Vorhabens ist es, auf der Grundlage von Methoden des Maschinellen Lernens (ML) steuergerätetaugliche Ansätze zur Emissionsvorhersage im realen Fahrzeugbetrieb zu entwickeln, die modell- und datenbasierte Konzepte miteinander verknüpfen. Mit den zu entwickelnden ML-basierten Ansätzen soll die situationsbezogene Wahl der Betriebsstrategie, insbesondere im Hybridfahrzeug, in Kombination mit Fahrererkennung, Streckenvorausschau und Diagnosefunktionen niedrigste Emissionen im praktischen Fahrzeugbetrieb sicherstellen.
Projektpartner:
TU Kaiserslautern, RA Consulting GmbH, KST-Motorenversuch GmbH & Co. KG
Ansprechpartner:
TU Kaiserslautern, Lehrstuhl für Antriebe in der Fahrzeugtechnik, Fachgebiet für Elektromobilität
Projektblatt
MM4SPA: Multimodale Analyse für Sports Analytics: Intelligente Synchronisierung und semantische Anreicherung von Positions- und Videodaten zur Analyse von Sportspieldaten
Das Projekt MM4SPA ist ein Transferprojekt aus dem Bereich der Sports Analytics. Ziel des Projekts ist die prototypische Integration von Methoden des maschinellen Lernens in die bestehende Analyseplattform des industriellen Kooperationspartners KINEXON GmbH. Durch die Anwendung von Methoden des maschinellen Lernens im Bereich Sports Analytics entstehen neue, innovative Dienstleistungen im Bereich des Zukunftsmarkts Sports Analytics. Ausgehend von umfangreichen, verfügbaren Videoauszeichnungen sowie der bestehenden Positionsdatenlösung von KINEXON wird eine automatisierte Zusammenführung von Positions- und Videodaten bei Sportspielen entwickelt.
Projektpartner:
Deutsche Sporthochschule Köln, Leibniz Universität Hannover, Kinexon Sports & Media GmbH
Ansprechpartner:
Deutsche Sporthochschule Köln, Institut für Trainingswissenschaften und Sportinformatik
Projektblatt
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:
Fraunhofer-Institut für Nachrichtentechnik, Heinrich-Hertz-Institut, Atesio GmbH, BROWN-IPOSS GmbH
Ansprechpartner:
Fraunhofer-Institut für Nachrichtentechnik, Heinrich-Hertz-Institut
Projektblatt
Rob-aKademI: Generierung robuster Steuerungs-Algorithmen für Roboter aus der Physiksimulation mittels Methoden der Künstlichen Intelligenz zur hochflexiblen, variantenreichen Montage in „Losgröße 1“
Im internationalen Wettbewerb müssen Unternehmen auch bei sinkenden Stückzahlen wirtschaftlich produzieren können. Insbesondere für kleine und mittlere Unternehmen ist das bisher oft nur mit manueller Fertigung realisierbar. Roboterbasierte Anwendungen bieten viele Vorteile wie die Übernahme von nicht ergonomischen, gefährlichen oder monotonen Tätigkeiten und gleichbleibender Qualität in der Aufgabenausführung. Allerdings ist die Roboterprogrammierung bislang aufwendig und an Expertenwissen gebunden, sodass der Robotereinsatz erst bei größeren Stückzahlen wirtschaftlich ist.
Ziel des „Rob-aKademI“-Projekts ist es deshalb, die Roboterprogrammierung mithilfe von maschinellem Lernen (ML) deutlich zu vereinfachen und in großen Teilen zu automatisieren. Der Roboter erkundet autonom seine Umgebung und kann seine Verhaltensweise selbstständig ableiten und optimieren. Diese Lernprozesse finden in einer Simulationsumgebung statt, in der die reale Produktionsumgebung als digitaler Zwilling modelliert wird.
Projektpartner:
micropsi industries GmbH, TruPhysics GmbH, Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA, Universität Stuttgart, elprotek GmbH, dd elektronik ingenieurtechnik GmbH, Käpple Qualitätsleister e.K. , Walter Meile GmbH
Ansprechpartner:
micropsi industries GmbH
Projektblatt
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:
Otto-von-Guericke-Universität Magdeburg, Thorsis Technologies GmbH, TECTRON GmbH
Ansprechpartner:
Otto-von-Guericke-Universität Magdeburg
Projektblatt
STARFISH: Safety and Artificial Intelligence Speech Recognition
Ziel des Vorhabens STARFISH ist es, ein System zu entwickeln, das mit der vorgeschriebenen und natürlichen Arbeitsweise der Lotsen vereinbar ist und zugleich deren Entscheidungskompetenz fördert. Hierzu setzt das Vorhaben an drei Punkten an: Die KI-Spracherkennung (SE) der Lotsenkommandos soll verbessert werden, indem domänenspezifisches Wissen verwendet wird und anhand von Umgebungsdaten mittels tiefer Neuronaler Netze die wahrscheinlichsten Kommandos ermittelt werden. Die von der SE erkannten Kommandos sollen einer Plausibilitätsprüfung unterzogen werden. Die übermittelten Kommandos sollen nur dann im Assistenzsystem A-SMGCS (Advanced-Surface Movement Guidance and Control System) für Rollverkehrslotsen umgesetzt werden, wenn sichergestellt werden kann, dass sie kein inakzeptables Risiko darstellen.
Projektpartner:
ATRiCS Advanced Traffic Solutions GmbH, Fraport AG, Deutsches Zentrum für Luft- und Raumfahrt e.V., Universität des Saarlandes
Ansprechpartner:
ATRiCS Advanced Traffic Solutions GmbH
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:
Recogizer Analytics GmbH, ISI Automation GmbH & Co. KG, Hendricks Automotive Group GmbH, GTP Schäfer Giesstechnische Produkte GmbH, Helmut-Schmidt-Universität, Fraunhofer IOSB INA
Ansprechpartner:
Recogizer Analytics GmbH
Projektblatt
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:
Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik (IEE), Universität Kassel, Fachgebiet Intelligente Eingebettete Systeme (IES), enercast GmbH, 50Hertz Transmission GmbH (assoziierter Partner)
Ansprechpartner:
Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik
Projektblatt
TreeSatAI: Künstliche Intelligenz mit Erdbeobachtungs- und Multi-Source Geodaten für das Infrastruktur-, Naturschutz- und Waldmonitoring
Das übergeordnete Ziel von TreeSatAI ist die prototypische Entwicklung von KI-Methoden für das Monitoring von Wäldern und Baumbeständen auf lokaler, regionaler und globaler Skala. Auf Basis frei zugänglicher Geodaten verschiedener Quellen (Fernerkundung, Administration, Social Media, Mobile App, Monitoring-Bibliotheken, offene Bilddatenbanken) werden Prototypen für die Deep Learning basierte Extraktion und Klassifikation von Baum- und Bestandsmerkmalen entwickelt. Grundlage sind vier verschiedene Anwendungsfälle aus dem Bereich Forst-, Naturschutz- und Infrastrukturmonitoring.
Projektpartner:
Technische Universität Berlin, Deutsches Zentrum für Künstliche Intelligenz GmbH, LiveEO GmbH, Luftbild Umwelt Planung GmbH, Vision Impulse GmbH
Ansprechpartner:
Technische Universität Berlin
Projektblatt