AIDA-Vis |
AI-basiertes interaktives Empfehlungssystem für komplexe Datenvisualisierungen ![]() Kurzfassung: |
ASIMoW | Analysesystem zum qualitätsmotivierten Inline-Monitoring für Schweißprozesse auf Basis von Methoden künstlicher Intelligenz Kurzfassung: Das Forschungsvorhaben "ASIMoW" hat zum Ziel, KI-Expertise mit schweißtechnischem Expertenwissen zu verbinden, um Deep Learning Verfahren für Qualitätsvorhersagen in Schweißprozessen zu erforschen und zu entwickeln. Projektpartner: |
COLIDE | Co-Training und Co-Regulierung für Industriedaten Kurzfassung: Ziel von COLIDE ist die Entwicklung von Auto-Multi-View-Learning-Verfahren (AutoMVL) für heterogene Industriedaten. Dazu werden multi-view learning (MVL) und automatisiertes maschinelles Lernen (AutoML) erstmals kombiniert. Damit werden insbesondere KMU in die Lage versetzt, verschiedenste Methoden auf heterogenen Datenquellen simultan und kosteneffizient zu nutzen und so innovative Lösungen vor allem in der Produktion anzubieten. Die Machbarkeit wird anhand von zwei realen Anwendungsfällen in den Bereichen der adaptiven Fertigung (3D-Druck) und der Überwachung von Produktionsanlagen aufgezeigt. Projektpartner: |
CropML | Neue Maschinelle Lernverfahren zur akkurateren Pflanzenzüchtung durch Integration heterogener externer Faktoren Kurzfassung: Ziel des Verbundvorhabens „CropML“ ist es, maschinelle Lernverfahren zu entwickeln, die Ertrag und andere Merkmale genau vorhersagen, indem sowohl die genetischen Eigenschaften als auch die Umwelteinflüsse berücksichtigt werden. Dafür werden erstmals Daten eingebunden, die die Umwelt beschreiben, also z. B. Wetterdaten, Bodenbeschaffenheit oder Faktoren wie Düngemitteleinsatz. Projektpartner: |
DAVIS | Datengetriebene Vernetzung für die ingenieurtechnische Simulation Kurzfassung: Ziel des Projektes ist die Entwicklung einer neuartigen KI-Assistenz, die Hexaedernetze effizient generiert. Mit einem solchen Ansatz könnte der Zeitaufwand für die Durchführung von Simulationen in vielen Automobil-, Medizintechnik- und Maschinenbauanwendungen mindestens halbiert werden. Indem Routinetätigkeiten reduziert werden, können sich Ingenieure besser auf wertschöpfende Tätigkeiten konzentrieren. So wird die Wettbewerbsfähigkeit kleinerer Ingenieursdienstleister in Deutschland stark erhöht. Es ist zu erwarten, dass einige der nach Osteuropa und Asien ausgelagerten Tätigkeiten wieder verstärkt in Deutschland durchgeführt werden können. Dies wird nicht nur Arbeitsplätze, sondern auch wichtiges ingenieurtechnisches Wissen um Konzepte, Prozesse und Daten in Deutschland erhalten. Projektpartner: |
ExPro | Kooperative Explorationsumgebung von Machine Learning-Prognosen am Beispiel der Produktionsplanung Kurzfassung: Ziel des Projektes ist es, ein Machine-Learning Modul für die Prognose produktionsrelevanter Kennzahlen zu entwickeln, das auf historischen Unternehmensdaten und Produktionsplänen basiert und für EndnutzerInnen nachvollziehbar ist. Als innovatives Kernelement ermöglicht der Anwendungsdemonstrator einer heterogenen Entscheidungsgruppe, Machine-Learning-Prognosen durch die Verarbeitung von Datenbeständen mit XAI-Methoden zu verstehen und gemeinsam zu einer Entscheidung zu finden. Dies soll im Projekt in enger Kooperation mit den Unternehmen aus dem Umfeld der Produktion und im spezifischen Kontext der Produktionsplanung realisiert und evaluiert werden. Projektpartner: |
FedXtract | Föderierte KI-Lösung zur Verarbeitung komplexer Dokumente Kurzfassung: Ziel des Projekts ist es, ein container-basiertes OpenSource Software Development Kit zu entwickeln, das Unternehmen ohne komplexes KI Know-How in die Lage versetzt, gemeinsam unter Wahrung der Datenhoheit KI-Modelle mit geringen Datenmengen zu trainieren und das gemeinsame Modell auf den individuellen Anwendungsfall anzupassen. Mithilfe des sogenannten Föderierten Lernens kann ein globales KI-Modell unternehmensübergreifend durch mehrere, verteilte Anwender kontinuierlich verbessert werden. Dabei werden lediglich die schrittweisen Verbesserungen der Modelle ausgetauscht, so dass die sensiblen Daten lokal bleiben. Jeder Anwender kann dann anschließend ein User-spezifisches KI-Modell entwickeln, indem das globale, gemeinsame Modell über das sogenannte Transfer Learning für den eigenen Anwendungsfall optimiert wird. Projektpartner: |
FreshTwin | Hybride Grey-Box-Modelle zur Bestimmung und Prognose der Qualitätsattribute am Beispiel von Lebensmitteln Kurzfassung: Ziel des Projekts FreshTwin ist es, die tatsächlichen Eigenschaften von Lebensmitteln entlang der Lieferkette, vom Produzenten bis zum Konsumenten, mithilfe von modernen Mess- und KI-Methoden automatisiert bestimmen und testen zu können. Hierzu werden bestehende Logistikdaten und Daten der Qualitätssicherung sowie sekundäre Datenquellen, wie z. B. die Wetterbedingungen am Ernteort verwendet. Diese Daten werden durch den Einsatz moderner, schneller Mess- und Analyseverfahren, wie die Spektroskopie und Bilderkennung, ergänzt. In der FreshTwin Cloud-Infrastruktur werden diese beiden Ansätze, die Daten zusammenzuführen und innovative Messmethoden, kombiniert, womit der IST-Zustand präzise und hinreichend beschrieben werden kann. Die Arbeiten werden in einem Demonstrator umgesetzt und umfassend evaluiert. Projektpartner: |
GecKI |
KI-basierte Objekterkennung und adaptive Steuerung für intelligente, bioinspirierte Robotergreifsysteme zur Einbettung in Industrie 4.0-Umgebungen Kurzfassung:Um wettbewerbsfähig zu bleiben, müssen Unternehmen ihre Produktionsprozesse immer weiter automatisieren. Gleichzeitig werden statt standardisierten immer individuellere Produkte nachgefragt. Eine Lösung für diese Herausforderung ist es, KI-basierte Robotik-Konzepte zu erforschen und zu entwickeln und sie in digitale Wertschöpfungsketten von Industrie 4.0 einzubinden. Das Projekt „GecKI“ trägt zu dieser Lösung bei, indem Methoden der Künstlichen Intelligenz erforscht werden sollen, um ein hocheffizientes Greifsystem für innovative Robotertechnologien zu entwickeln. Ziel ist es, das Greifsystem dazu zu befähigen, Objekte zu erkennen und diese Informationen in eine angepasste Wechselwirkung umzusetzen. Projektpartner: |
IntelliWind |
Intelligente Modelle zur selbstoptimierenden Lastreduktion bei Windenergieanlagen Kurzfassung:Ziel des Vorhabens ist es, zu erforschen, wie sich KI-Verfahren zur Entwicklung schwer modellierbarer (statischer und dynamischer) nichtlinearer Teilmodelle und Modellparameter von WEA einsetzen lassen. Dabei sollen sich die KI-Modelle online mit den real verfügbaren Sensoren verbinden und so stetig das Regelungssystem optimieren. Aufgrund der ähnlichen Struktur von WEA, lässt sich der entwickelte Modellierungsansatz leicht auf verschiedene Anlagen übertragen. Die neuartigen KI-basierten Modellierungsmethoden sollen dabei mit klassischen regelungstechnischen Algorithmen zur Zustandsschätzung und mit der modellbasierten prädiktiven Regelung kombiniert werden. Damit soll die Nutzung von anpassbaren, lastreduzierenden Regelungssystemen ermöglicht werden. Allein durch die Anpassung der zur Steuerung verwendeten Software kann die Lebensdauer einer WEA verlängert werden. So können bestehende Anlagen deutlich wirtschaftlicher betrieben und neue Anlagen „schlanker“ ausgelegt werden. Projektpartner: |
KI assists KMU |
KI-gestützte virtuelle Assistenz in der industriellen Produktion bei KMU Kurzfassung:Aufgrund der Vielzahl von Einstell-, Umgebungs- und Qualitätsparametern sind Verarbeitungs-prozesse wie das Spritzgießen auch für den Fachmann nur schwer zu verstehen. Zudem leidet die Kunststoffindustrie besonders unter einem Mangel an gut ausgebildeten Fachkräften, die die komplexen Zusammenhänge zwischen einer Vielzahl an Einstellparametern und Einflussgrößen kennen. Den oftmals angelernten Mitarbeitern, die zudem in der Regel für die Bedienung mehrerer Maschinen gleichzeitig zuständig sind, fehlt neben einem tiefergehenden Prozessverständnis vielfach auch die Methodenkompetenz für eine strukturierte Vorgehensweise bei der Fehlerbehebung in der laufenden Produktion. Aufgrund des hohen Automatisierungs-grades der Kunststoffindustrie und der umfassenden Nutzung der existierenden Standards steht jedoch eine branchenweit vergleichsweise einheitliche Datenschnittstelle zur Verfügung. Daher kann ein auf Methoden der Künstlichen Intelligenz (KI) basierendes Assistenzsystem hier eine sinnvolle Unterstützung bieten und die Aufmerksamkeit des Nutzers dorthin lenken, wo sein Eingreifen benötigt wird. Projektpartner: |
KI4ToolPath |
Geometrieunterstützte Klassifizierung von Prozesszuständen zur Bahnplanungsunterstützung Kurzfassung: Projektpartner: |
KI-Erosion |
Einsatz von Methoden der Künstlichen Intelligenz zur datenbasierten Bewertung des Drahtfunkenerosionsprozesses Kurzfassung: Projektpartner: |
KI-Kanal |
Optimierte Kanalnetzsteuerung anhand eines KI-Modells basierend auf einer Mustererkennung der zeitlichen und räumlichen Vertelung von Regendaten mit integrierter Versagenanalyse des Kanalnetzes Kurzfassung: Projektpartner: |
KiRo3D |
Künstliche Intelligenz für den Roboter 3D Druck Kurzfassung: Projektpartner: |
KI-ROJAL |
KI-Radar ObJekt Analyse Library – KI- Softwareumgebung zur erweiterten Objektanalyse mittels FMCW-Radar |
KISoSys |
KI-basierte Softsensorik für Fluidfördersysteme |
KIt-CAD | KI-basierte, vollautomatisierte Modellierung von CAD-Gebäudeplänen für Open- und Closed-BIM Kurzfassung: Im Projekt KIt-CAD werden auf Künstlicher Intelligenz (KI) basierende Methoden entwickelt und erprobt, mit denen geometrische Messdaten von Wirtschaftsgebäuden automatisiert in ein BIM-konformes 3D-Modell überführt und mit Metainformationen versehen werden. Die Messdaten liegen zunächst als datenintensive texturierte 3D-Punktwolken vor. Mit Hilfe von KI soll darin automatisiert typische Elemente wie z. B. Maschinen, Wände oder Rohre anhand der Farb-, 3D- und Flächeninformation erkannt, voneinander getrennt und in ein einfaches, schlankes Modell überführt werden. Das Modell, das einem Baukastenprinzip entspricht, wird dann automatisch mit Metainformationen wie bspw. Typenbezeichnungen, Material oder Maßen versehen. Dieser bisher händische Datenverarbeitungsprozess soll mit KIt-CAD stark verkürzt werden. Zudem werden im Projekt breite Schnittstellen zu Open- und Closed-BIM geschaffen. Open-BIM steht für den offenen, softwarefamilien-unabhängigen und systemübergreifenden Datenaustausch, Closed-BIM für die Arbeit aller Planungs-beteiligten in einem Gebäudemodell und in einem Hersteller-Datenformat. Projektpartner: galileo-ip Ingenieure GmbH , ibz Ingenieurbüro Zeisig GmbH & Co. KG, Fraunhofer-Institut für Physikalische Messtechnik IPM, Hochschule Furtwangen Projektblatt |
KITo |
KI-gestützte automatisierte Topologieoptimierungs-Prozesskette |
LIMoFlow |
Lernende interaktive Modellierungsassistenz für Data Science Workflows Kurzfassung: |
MARIA |
Kooperatives maschinelles Lernen zum Entwurf elektronischer Systeme unter Verwendung robuster Simulationsmethoden Kurzfassung: |
NetZeroNet |
KI-unterstützte Analyse von Nachhaltigkeitsberichten zur Bewertung der Klimaneutralität von Unternehmen Kurzfassung: |
PASCAL |
Proaktiver Smart Controller für Ampelanlagen Kurzfassung: |
RECAST |
Überwachung der Schweißqualität durch künstliche Intelligenz Kurzfassung: |
SALM |
Selbst-Adaptives Lademanagement für Ladeinfrastruktur – Modellierung, Prognose und Planung mit Methoden des Maschinellen Lernens ![]() Kurzfassung: |
SCAMP | SCAle-out Machine-learning Platform Kurzfassung: Ziel des Verbundvorhabens „SCAMP“ ist es, einen datenschutzkonformen Sprachassistent für B2B/B2C-Anwendungen zu entwickeln, der erstmalig auch den simultanen Dialog mehrerer Sprecher begleiten und unterstützen kann. Die bestehende Sprach-assistenz-Pipeline wird um neue Funktionen zur Sprecheridentifikation und -zuordnung ergänzt. Dazu wird die Eignung verschiedener ML-Netzstrukturen und Digitalisierung analoger Signale untersucht. Projektpartner: Xelera Technologies GmbH , Technische Universität Darmstadt Projektblatt |
SchauML | Entwicklung nutzerzentrierter, optischer Warenschau -systeme für komplexe Produkte mittels Machine Learning Kurzfassung: Im Projekt wird am Beispiel komplexer Textilien nutzerzentriert ein Expertensystem entwickelt, welches die Bedienerfreundlichkeit regelbasierter Systeme erhöht. Zudem wird ein KI-basierter, digitaler Warenschautisch erstellt, welcher je nach Lerngrad Daten im laufenden Prozess erhebt und lernt, bei der manuellen Warenschau assistiert und die Warenschau übernimmt. Außerdem werden Verfahren zur Organisation des Produktlebenszyklus‘ KI-basierter Warenschausysteme entwickelt. Projektpartner: MABRI.VISION GmbH, Entwurfreich GmbH, RWTH Aachen Projektblatt |
SLIK | Synthese linguistischer Korpusdaten Kurzfassung: Ziel des Verbundvorhabens „SLIK“ ist es, KMU, die nicht über genügend eigene Trainingsdaten verfügen, den Einsatz von Sprachverarbeitungsmodellen zu erleichtern. Dazu werden Werkzeuge entwickelt, die domänenspezifische, synthetische Sprachdaten erzeugen, mit deren Hilfe KMU ohne große Datensammlungen text- und sprachbasierte Sprachassistenten erstellen können. Zudem sollen vorgefertigte, mittels Data Augmentation generierte Korpora geschriebener und gesprochener Sprache für verschiedene KMU-relevante Anwendungsdomänen bereitgestellt werden. Um diese Ziele zu erreichen, sollen hybride Systeme zum Einsatz kommen, die regelbasierte Verarbeitung mit Maschinellem Lernen kombinieren und so wesentliche Vorteile gegenüber einem rein statistischen Ansatz bieten. Dabei werden auch die besonderen Anforderungen von KMU berücksichtigt: eng eingegrenzte Anwendungsdomänen, Kontrolle, Sicherheit, Vertraulichkeit und Nachvollziehbarkeit sowie die einfache Durchführbarkeit der Data-Augmentation. Kauz GmbH, Aristech GmbH, Universität des Saarlandes Projektblatt |
SoftProc | Entwicklung von Verfahren zur retrograden Prozessanalyse aus einer laufenden Applikation heraus Kurzfassung: Ziel ist ein Verfahren, das die Aktivitäten im Produktivsystem während der Abarbeitung eines Prozesses beobachtet und diese Informationen detailliert protokolliert. Zur Online-Prozessanalyse werden parallel die softwareseitigen Abläufe aus der laufenden Applikation heraus ermittelt, wobei die Verwendung von Anwendungen über unterschiedliche Anwender, Standorte oder Uhrzeiten dokumentiert wird. Prozessinformationen werden so automatisiert aus bestehenden Softwareinfrastrukturen generiert, wobei der Datenschutz des Nutzers durch technische und organisatorische Maßnahmen gewährleistet wird. Projektpartner: PITSS GmbH, Universität Ulm Projektblatt |
SynthNet | Visuelle Suche zur automatischen Identifikation von Industriekomponenten basierend auf mit synthetischen Kurzfassung: Ziel des Verbundvorhabens „SynthNet“ ist es, den kritischen Prozess der Ursachenfindung durch KI-basierte visuelle Identifikation der defekten Maschinengruppen und Bauteile deutlich zu beschleunigen. Die Einsätze der Service-Mitarbeiter können damit effizienter geplant oder gänzlich ersetzt werden. Dabei sollen etablierte KI-basierte Technologien auf die visuelle Suche im industriellen Kontext übertragen werden. Projektpartner: nyris GmbH, topex GmbH, Beuth Hochschule Projektblatt |
Text2Tech | Deep Learning-gestütztes Text Mining für Technologiemonitoring in der Automobilproduktion Kurzfassung: Ziel von Text2Tech ist eine automatisierte Informationsaufbereitung mithilfe von Deep Learning Verfahren, um Unternehmen entscheidungsrelevantes Wissen über Techno-logieentwicklungen rasch und effizient zur Verfügung stellen zu können. Projektpartner: Neofonie GmbH, Deutsches Forschungszentrum für Künstliche Intelligenz GmbH, Innovationsgesellschaft für fortgeschrittene Produktionssysteme in der Fahrzeugindustrie (inpro) GmbH Projektblatt |
UP_Ramp-up | KI gestützter Prozess zur Optimierung des Parameterraums von Fertigungsprozessen zur Einzelstückfertigung von komplexen optischen Strukturen Kurzfassung: Das Ziel des Vorhabens UP_Ramp-up ist es, die genannten Herausforderungen anzugehen und eine ressourcenschonende, automatisierte KI-Prozessentwicklung zu erreichen. Der Parameterraum soll dabei mithilfe einer prozessintegrierten KI-Lösung optimiert werden, die den regelungs- und steuerungsseitig dem Fertigungsprozess angepassten Parametersatz bereitstellt. Projektpartner: Innolite GmbH, Fraunhofer Institut für Produktionstechnologie (IPT) Projektblatt |
valid-AI-te | GxP-konforme Computersoftware-Validierung durch Process Automation Kurzfassung: Ziel des Verbundvorhabens „valid-AI-te“ ist es, Künstliche Intelligenz für die weitgehende Automatisierung von CSV zu nutzen, um sie einfacher, verlässlicher, kostengünstiger und effizienter umzusetzen. Der im Projekt verfolgte Lösungsansatz zielt darauf ab, die Ausführungsdaten in IT-Systemen zu erfassen, die dazu gehörenden digitalen Geschäftsprozesse zu identifizieren und dabei zu erkennen, ob die Software so funktioniert, wie sie spezifiziert und für ihren Einsatz validiert wurde. Projektpartner: DHC Business Solutions GmbH & Co. KG, Universität Mannheim – Management Analytics Center (MAC), Ticeba GmbH Projektblatt |
VorPlanML | Unterstützung der Vorgangsfolgeermittlung in der Arbeitsplanung durch maschinelles Lernen Kurzfassung: Das Ziel des Vorhabens VorPlanML ist es, den Arbeitsplanungsaufwand zu reduzieren, indem Schritte der Vorgangsfolge durch tiefe maschinelle Lernalgorithmen auf Basis früherer Fertigungsdaten vorhergesagt werden. Dazu sollen Daten von vorhandenen Arbeitsplänen und zugehörigen Produktinformationen mit Hilfe von Domänenwissen aufbereitet werden. Basierend darauf sollen Lernmodelle entwickelt werden, die das darin vorhandene implizite Expertenwissen erfassen. Anschließend soll zur praxisorientierten Anwendung ein Softwaredemonstrator realisiert und validiert werden. Projektpartner: up2parts GmbH, KWS Kölle GmbH, Technische Universität Kaiserslautern Projektblatt |