Aktuelle Forschungsprojekte

FAMOUS: AAS-Basierte Modellierung zur Analyse veränderlicher cyberphysischer Systeme

In der digitalen Transformation wird die gesamte Wertschöpfungskette durch Technologien aus dem Kontext des Internet of Things (IoT) anwendungsübergreifend vernetzt. Die damit einhergehende Komplexität in der Softwareentwicklung erfordert in zunehmendem Maße interdisziplinäre Entwicklung von Hardware, Software und mathematischer Modellierung. Für traditionelle industrielle Mess- und Kalibrierverfahren beruht die metrologische Qualitätsinfrastruktur auf akkreditierten Kalibriereinrichtungen und standardisierten Auswerteverfahren, um Messwerten eine quantitative Aussage über ihre Verlässlichkeit zuzuordnen. Die zugrundeliegenden Verfahren müssen im Zuge der digitalen Transformation grundlegend überarbeitet werden.

Daher kombiniert das angestrebte Projekt AMORPH die Expertise der Forschungseinrichtungen mit den Kompetenzen der in Industrie 4.0 erfahrenen Unternehmen Endress+Hauser, Lenze und Bosch. Entlang des RAMI4.0-Modells wird in dem Projekt durch alle Ebenen die Datenqualität auf Basis der verfügbaren Informationen und mathematischer Modelle ausgewertet und nutzbar gemacht. Einzelne Sensoren werden dazu mit einem digitalen Zwilling verknüpft, der in der Lage ist, Informationen über die Messunsicherheit zu kommunizieren. Sub-Netze von Sensoren werden in flexiblen mathematischen Modellen zusammengefasst, um maschinennahe Datenauswertung zu ermöglichen. Mit Hilfe von Methoden des Organic Computing werden dabei flexible und teilweise autonom agierende Sub-Netzwerke gebildet.

 

 

Ansprechpartner

Wissenschaftlicher Mitarbeiter
Lehrstuhl für Organic Computing

ADELeS

Im Forschungsprojekt ADELeS - Anomaliebehebung durch extrahiertes Expertenwissen und lernende Systeme kooperieren wir seit September 2021 in einem vom bayerischen STMWI geförderten Projekt mit der XITASO GmbH, der Friedrich-Alexander Universität Nürnberg-Erlangen und der Rehau AG. In ADELeS wird ein Assistenzsystem zur KI-unterstützten Detektion und Behebung von Qualitätsabweichungen und Fehlern in Produktionsprozessen entwickelt. Dadurch sollen die Produktionsqualität verbessert, die Auswirkungen des Fachkräftemangels in der Produktion gemindert und die Standorts- und Zukunftssicherheit bayerischer Produktionsstätten gestärkt werden. Das angestrebte Verfahren zur Qualitätssicherung verknüpft erklärbare lernende Systeme mit Expertenwissen, welches erfahrungs- und datenbasiert extrahiert wird. Das Assistenzsystem soll sowohl passive, in der Form von Maßnahmenvorschlägen, als auch aktive Assistenz – direkte Eingriffe in die Maschinensteuerung – bieten. Die Methodik wird anhand von zwei realen Anwendungsbeispielen in Extrusionsprozessen entwickelt und evaluiert, ist aber auch auf andere Produktionsprozesse übertragbar.

 

 

Ansprechpartner

Wissenschaftlicher Mitarbeiter
Lehrstuhl für Organic Computing

SaMoA

Laufzeit

01.09.2021 -   31.08.2024
Projektträger

Federal Ministry of Education

and Research

Projektverantwortung vor Ort Prof. Dr. Jörg Hähner
Beteiligte Wissenschaftler:innen Henning Cui
Beteiligte Kooperationen

Andreas Margraf (Fraunhofer IGCV)

Simon Heimbach (Universität Stuttgart)

 

Schneller zur Bildverarbeitungslösung in der Industrie durch Künstliche Intelligenz

 

Mit der Hightech-Strategie 2025 „Forschung und Innovation für die Menschen“ hat sich die Bundesregierung das Ziel gesetzt, die vielfältigen Anwendungspotentiale exzellenter Forschung noch schneller und effektiver zu identifizieren und für Wirtschaft und Gesellschaft nutzbar zu machen. Dafür muss die Brücke zwischen akademischer Forschung und ihrer wirtschaftlichen Verwertung bzw. gesellschaftlichen Anwendung weiter gestärkt werden. Die BMBF-Fördermaßnahme "Validierung des technologischen und gesellschaftlichen Innovationspotenzials wissenschaftlicher Forschung – VIP+" setzt hier an und unterstützt Forscherinnen und Forscher dabei, Forschungsergebnisse systematisch zu validieren und Anwendungsbereiche zu erschließen. Die Entwicklung hochgenauer KI-basierter Bildverarbeitungslösungen – z. B. zur automatischen Defekterkennung von Bauteilen – stellt für Unternehmen klassischer Industriezweige eine personelle, zeitliche und monetäre Herausforderung dar. Konventionelle KI-Verfahren wie neuronale Netze benötigen zum Trainieren oft große Datensätze, viel Zeit und Expertenwissen. Ihre Lösungsfindung ist zudem in der Regel schwer nachvollzieh- und dokumentierbar.

Die drei Projektpartner in SaMoA haben ein neues Verfahren entwickelt, das auf klassischen Bildverarbeitungslösungen aufsetzt und von Natur und Genetik inspirierte Algorithmen verwendet. Das Verfahren automatisiert große Teile des Entwicklungsprozesses, kommt mit überschaubaren Datenmengen aus und liefert interpretierbare Lösungen. Neben der Einsparung von Ressourcen erleichtert es auch eine spätere Zertifizierung der Anwendungen z. B. in der Luftfahrt. Ziel des Vorhabens ist die Validierung des Verfahrens in Hinblick auf wichtige Leistungskennzahlen wie Auflösung, Berechnungszeit, Datenvolumen und Systemgrenzen. Im Anschluss an das Vorhaben ist die Verwertung über eine Ausgründung/Auslizensierung und Kooperationen mit Industriepartnern geplant.

 

 

Ansprechpartner

Wissenschaftlicher Mitarbeiter
Lehrstuhl für Organic Computing

Suche