Direkt zum Inhalt, zum Menü.


Logo des BMBFLogo des BMBF Logo ProjektträgerLogo NKS-IKT

Navigationsbereich

Servicemenü

  • English
  • Startseite
  • Inhalt
  • Kontakt
  • Impressum
  • Datenschutz
  • Gebärdensprache (DGS)
  • Leichte Sprache

Suche

Hauptthemen

  • Förderschwerpunkte
    • Künstliche Intelligenz
      • Basissystem Industrie 4.0
        • KMU-innovativ: IKT
          • KI für KMU
            • Software-Sprint
            • Europäische Initiativen
              • Digitalisierung der Automobilindustrie
              • Höchstleistungsrechnen
              • Big Data
                • Emergente IT-Systeme
                  • Software Engineering
                  • Förderinformationen
                    • Bekanntmachungen
                    • Nachwuchsförderung
                  • Service
                    • Ansprechpartner
                    • Veranstaltungen/Termine
                    • Publikationen
                  • Förderschwerpunkte
                    • Künstliche Intelligenz
                    • Basissystem Industrie 4.0
                    • KMU-innovativ: IKT
                    • KI für KMU
                      • Forschungsvorhaben (ausgewählter Menüpunkt)
                    • Software-Sprint
                    • Europäische Initiativen
                    • Digitalisierung der Automobilindustrie
                    • Höchstleistungsrechnen
                    • Big Data
                    • Emergente IT-Systeme
                    • Software Engineering
                  • Förderinformationen
                  • Service

                  Alle Themen

                  • Förderschwerpunkte
                    • Künstliche Intelligenz
                    • Basissystem Industrie 4.0
                    • KMU-innovativ: IKT
                    • KI für KMU
                      • Forschungsvorhaben (ausgewählter Menüpunkt)
                    • Software-Sprint
                    • Europäische Initiativen
                    • Digitalisierung der Automobilindustrie
                    • Höchstleistungsrechnen
                    • Big Data
                    • Emergente IT-Systeme
                    • Software Engineering
                  • Förderinformationen
                  • Service

                  Ansprechpartner

                  Alexandra Hilfer
                  DLR Projektträger
                  Sachsendamm 61 / 10829 Berlin
                  Tel.: 030 67055-8130 / E-Mail

                  Dr. Jens Totz
                  DLR Projektträger
                  Sachsendamm 61 / 10829 Berlin
                  Tel.: 030 67055-8130 / E-Mail


                  Seitenpfad und Links zu sozialen Netzwerken

                  Sie sind hier:

                  1. Startseite
                  2. Förderschwerpunkte
                  3. KI für KMU
                  4. Forschungsvorhaben (ausgewählter Menüpunkt)

                  Forschungsvorhaben

                  AIDA-Vis

                  AI-basiertes interaktives Empfehlungssystem für komplexe Datenvisualisierungen

                  Grafik zum Projekt AIDA-Vis

                  Kurzfassung:
                  Ziel des Vorhabens „AIDA-Vis“ ist es, die Prozesse der Erzeugung optimaler Visualisierungen zu beschleunigen und zu automatisieren. Im Ergebnis soll ein interaktives Empfehlungssystem die Anwender dabei unterstützen, mit minimalem Aufwand die individuell geeignetste Visualisierung für Datenbestände zu erstellen. Im Vorhaben werden dazu Methoden des Bestärkenden Lernens mit Verfahren des Interaktiven Maschinellen Lernens kombiniert, um durch die Abfrage der Anwenderpräferenzen das für das Empfehlungssystem notwendige Wissen aufzubauen. 

                  Projektpartner:
                  disy Informationssysteme GmbH, FZI Forschungszentrum Informatik

                  Projektblatt

                  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:
                  FEF GmbH, Bergische Universität Wuppertal

                  Projektblatt

                  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:
                  elevait GmbH & Co. KG, Fraunhofer IWU, S&K Anlagentechnik GmbH, Universität Paderborn

                  Projektblatt

                  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:
                  Computomics GmbH, Hochschule Weihenstephan-Triesdorf, TUM Campus Straubing

                  Projektblatt

                  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:
                  Renumics GmbH, Evago GmbH, Merkle und Partner GbR, RWTH Aachen, Karlsruher Institut für Technologie

                  Projektblatt

                  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:
                  Mansystems Deutschland GmbH, (DFKI) Institut für Wirtschaftsinformatik (IWi), BIKAR-Metalle GmbH, Universität Siegen, Institut für Wirtschaftsinformatik, Slawinski & Co. GmbH

                  Projektblatt

                  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:
                  Condat AG, Control€xpert GmbH, Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS

                  Projektblatt

                  Webseite

                  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:
                  tsenso GmbH, benelog GmbH & Co. KG, Cubert GmbH, Albert-Ludwigs-Universität Freiburg

                  Projektblatt

                  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:
                  INNOCISE GmbH, Fraunhofer-Institut für Zerstörungsfreie Prüfverfahren IZFP, NEXT. robotics GmbH

                  Projektblatt

                  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:
                  W2E Wind to Energy GmbH, Rheinisch-Westfälische Technische Hochschule Aachen

                  Projektblatt

                  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:
                  SHS plus GmbH, STASA Steinbeis Angewandte Systemanalyse GmbH, RWTH-Aachen, Sumitomo (SHI) Demag Plastics Machinery GmbH

                  Projektblatt

                  KI4ToolPath

                  Geometrieunterstützte Klassifizierung von Prozesszuständen zur Bahnplanungsunterstützung

                  Kurzfassung:
                  Ziel des Projekts „KI4ToolPath: Geometrieunterstützte Klassifizierung von Prozesszuständen zur Bahnplanungsunterstützung“ ist es, Künstliche Intelligenz in diese Fertigungsprozesse zu bringen. Dazu werden zwei vielversprechende Ansätze kombiniert: Informationen über das gewünschte Aussehen des Produkts während des Fertigungsprozesses verfügbar zu machen und darauf aufbauend ein selbst-optimierendes anpassungsfähiges Fertigungsverfahren zu entwickeln.

                  Projektpartner:
                  collective mind AG, ModuleWorks GmbH, Fraunhofer-Institut für Produktionstechnologie IPT

                  Projektblatt

                  KI-Erosion

                  Einsatz von Methoden der Künstlichen Intelligenz zur datenbasierten Bewertung des Drahtfunkenerosionsprozesses

                  Kurzfassung:
                  Ziel des Verbundvorhabens „KI-Erosion“ ist es, ein KI-basiertes System zu entwickeln, mit dem die Qualität und Produktivität des kontinuierlichen Drahtfunkenerosionsprozesses online bewertet werden kann. Mit Aufbau eines digitalen Zwillings werden statistische und physikalische Modelle kombiniert, die Maschine und Produkt möglichst genau abbilden.

                  Projektpartner:
                  IconPro GmbH, WBA Aachener Werkzeugbau Akademie GmbH, RWTH Aachen

                  Projektblatt

                  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:
                  Das Kernelement des Projektes „KI-Kanal“ ist ein sogenanntes Internet of Floods (IoF). Dieses soll mittels künstlicher neuronaler Netze (KNN) dazu beitragen, Vorhersage- und Frühwarnsysteme für die betriebliche Optimierung der Kanalnetzsteuerung bzw. der Gefahrenabwehr im Entwässerungssystem zu verbessern.

                  Projektpartner:
                  Alexander Verworn bpi Hannover, Ostfalia Hochschule für angewandte Wissenschaften, SWO Netz GmbH

                  Projektblatt

                  KiRo3D

                  Künstliche Intelligenz für den Roboter 3D Druck

                  Kurzfassung:
                  Das Ziel dieses Forschungsprojektes ist, ein vollautomatisiertes Roboter-Datenvorbereitungssystem zu entwickeln, welches die Vorteile des Machine Learning (ML) nutzt. Darüber hinaus wird ein sensorgestütztes Online-Überwachsungs- und Steuerungssystem entwickelt, welches ebenfalls auf einem ML-Algorithmus beruht. Die Ergebnisse werden in einer 3D-Druck-Suite zusammengefasst und an einem Funktionsprototypen demonstriert. 

                  Projektpartner:
                  ICARUS Consulting GmbH, Fraunhofer-Einrichtung für Additive Produktionstechnologien IAPT

                  Projetblatt

                  KI-ROJAL

                  KI-Radar ObJekt Analyse Library – KI- Softwareumgebung zur erweiterten Objektanalyse mittels FMCW-Radar

                  Kurzfassung:
                  Ziel des Verbundvorhabens „KI ROJAL“ ist es, das zentrale Problem der Sensorabhängigkeit von KI-Auswerteeinheiten in der Radartechnik zu lösen. Um den Signalanteil des zu vermessenden Objektes von Signaleinflüssen durch variieren-de Sensoreigenschaften (z. B. aufgrund von Herstellungs-schwankungen) trennen zu können, wird eine neuartige Kalibrierung der Radardaten erforscht. Damit soll zukünftig die generische und breit einsetzbare, sensorunabhängige Nutzung von KI-Algorithmen mit widerverwendbaren und portierbaren KI-Auswerteeinheiten möglich werden.

                  Projektpartner:
                  2pi-Labs GmbH, iNOEX GmbH, KROHNE Innovation GmbH, Ruhr-Universität Bochum, Lehrstuhl für Integrierte Systeme


                  Projektblatt

                  KISoSys

                  KI-basierte Softsensorik für Fluidfördersysteme

                  Kurzfassung:
                  Ziel des Verbundvorhabens „KISoSys“ ist die Entwicklung von Softsensorik für die Prozessindustrie (Chemie, Petrochemie, Gasverarbeitung, Pharmazie, Lebensmittel- und Wasserversorgung). Diese Softsensorik wird durch Maschinelle Lernalgorithmen generiert und auf Einplatinenrechnern integriert. Im Projekt wird dazu ein Demonstrator entwickelt, welcher Maschinelle Lernalgorithmen auf einer „low energy“ Hardware vereint und mit möglichst geringem Aufwand in das Automatisierungssystem integriert werden kann.

                  Projektpartner:
                  LEGER GmbH, algorithmica technolgies GmbH, Solectrix GmbH,  Technische Hochschule Nürnberg, Nuremberg Campus of Technology


                  Projektblatt

                  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

                  Kurzfassung:
                  Ziel des Projektes KITo ist es, eine prototypische Softwarelösung mit Methoden der Künstlichen Intelligenz zu entwickeln, um die Prozesskette zur Optimierung der Topologie zu automatisieren. Der Lösungsansatz beruht auf bereits vorhandenen und zusätzlich zu generierenden Datensätzen, die neben den CAD-Daten (Computer-Aided Design-Daten) auch sämtliche Randbedingungen des Optimierungsmodells sowie die Ergebnisse der Optimierung beinhalten. Tiefe neuronale Netze sollen auf die Segmentierung der 3D-Daten trainiert und die Segmente zurück ins CAD überführt werden, um sie zum automatisierten Modellaufbau zu nutzen. 

                  Projektpartner:
                  ProductionToGo GmbH, Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., IAPT

                  Projektblatt

                  LIMoFlow

                  Lernende interaktive Modellierungsassistenz für Data Science Workflows

                  Kurzfassung:
                  Im Projekt LiMoFlow werden intelligente, lernende Assistenzsysteme entwickelt, die den Einsatz von KI-Methoden und die Gestaltung von DS-Workflows durch automatische Vorschläge passender DS-Workflows für die jeweilige Aufgabe unterstützen. Um die Vorschläge automatisch zu generieren und zu erklären, werden erfolgreiche DS-Workflows, Wissen über DS und den Anwendungsbereich, prozess- und dialogorientiertes fallbasiertes Schließen und Maschinelles Lernen genutzt. Darüber hinaus werden bekannte Workflows automatisch oder interaktiv angepasst und kombiniert.

                  Projektpartner:
                  RapidMiner GmbH, Bitburger Braugruppe GmbH, Old World Computing GmbH, QuinScape GmbH, Deutsches Forschungszentrum für Künstliche Intelligenz GmbH

                  Projektblatt

                  MARIA

                  Kooperatives maschinelles Lernen zum Entwurf elektronischer Systeme unter Verwendung robuster Simulationsmethoden

                  Kurzfassung:
                  Die Halbleiterindustrie ist durch immer leistungsfähigere elektronische Komponenten Schlüsseltechnologie und das wesentliche Rückgrat unserer Industrie und Gesellschaft. Ohne integrierte und hochleistungsfähige Mikro- und Nanochips wären die globale Digitalisierung und damit zahlreiche neue Geschäftsmodelle nicht möglich. Die aktuelle Chipversorgungskrise nach COVID19 zeigt die hohe Abhängigkeit von dieser Technologie. Die des Projektes MARIA ist es die immer größere Komplexität und entsprechende Datenmengen im Chipentwurf zu bewältigen. Im Vorhaben soll erforscht werden, welche Verfahren des Maschinellen Lernens (ML) und der Künstlichen Intelligenz (KI) sich dazu eignen.

                  Projektpartner:
                  MunEDA GmbH, Fraunhofer Institut für Elektronische Nanosysteme ENAS

                  Projektblatt

                  NetZeroNet

                  KI-unterstützte Analyse von Nachhaltigkeitsberichten zur Bewertung der Klimaneutralität von Unternehmen

                  Kurzfassung:
                  Um die Klimaneutralität von Unternehmen bewerten zu können, sind möglichst kontinuierlich Unmengen von Textdokumenten zu recherchieren, zu analysieren und zu bewerten. Um Analysten dabei durch Künstliche Intelligenz zu unterstützen, sollen in NetZeroNet wissenschaftliche und technologische Grundlagen geschaffen werden. Mit aktuellen Verfahren der Textmodellierung sollen die zunehmenden Informationsmengen, u. a. aus Firmenberichten, erschlossen und ein Wissensmodell aufgebaut werden, welches erstmalig auch indirekte Emissionen aus Wertschöpfungsketten (bspw. aus der Zulieferkette) ganzheitlich und branchenspezifisch erfasst. Dabei sollen zwei KI-Kernkomponenten agil erarbeitet werden: eine Informationsextraktion, die bewertungsrelevante Fakten in Firmenberichten detektiert, und eine sogenannte Knowledge Graph Completion, die diese Fakten nach ihrer Relevanz priorisiert und den Analysten vorschlägt, Fakten strukturiert und anhand des aktuellen Nutzerkontexts priorisiert.

                  Projektpartner:
                  Sociovestix Labs Ltd., Hochschule RheinMain

                  Projektblatt

                  PASCAL

                  Proaktiver Smart Controller für Ampelanlagen

                  Kurzfassung:
                  Ziel des Verbundvorhabens „PASCAL“ ist es, KI-Verfahren zu entwickeln, die Ampelanlagen proaktiv steuern und den Verkehr im städtischen Bereich optimieren. Erprobt werden sollen die Ergebnisse in einem Testfeld der Stadt Magdeburg. Dieses Testfeld, in dem Fahrzeuge mit Verkehrseinrichtungen kommunizieren, wurde von Thorsis Technologies in Kooperation mit der Stadt Magdeburg aufgebaut, um Verkehrsdaten in Echtzeit zu erfassen und zu analysieren. Für das gesteckte Ziel, die Ampelschaltzyklen für den Verkehrsfluss zu optimieren, werden von den Projektpartnern neue KI-basierte Verfahren (überwachtes Lernen, bestärkendes Lernen, Graph-basiertes Lernen) erforscht und eingesetzt.

                  Projektpartner:
                  Thorsis Technologies GmbH, Otto-von-Guericke-Universität Magdeburg (Artificial Intelligence Lab, Digitales Anwendungszentrum Mobilität, Logistik und Industrie)

                  Projektblatt

                  RECAST

                  Überwachung der Schweißqualität durch künstliche Intelligenz

                  Kurzfassung:
                  Um die Produktivität von Produktionsanlagen zu erhöhen, sieht die Industrie ein hohes Potential im Einsatz von Künstlicher Intelligenz (KI), was sich für viele aber aufgrund zurzeit noch fehlender Lösungen nicht so schnell umsetzen lässt. Ziel des Verbundvorhabens „RECAST“ ist es daher, ein einfach zu bedienendes und dennoch adaptierbares Framework zur Prozessbegleitung zu erstellen.

                  Projektpartner:
                  WOGRA AG, Deutsches Zentrum für Luft- und Raumfahrt e.V.W

                  Projektblatt

                  SALM

                  Selbst-Adaptives Lademanagement für Ladeinfrastruktur – Modellierung, Prognose und Planung mit Methoden des Maschinellen Lernens

                  Grafik zum Vorhaben SALM

                  Kurzfassung:
                  Ziel des Verbundvorhabens „SALM“ ist es, eine neuartige Software-basierte Steuerung der Energieverteilung für umfangreiche Ladeinfrastrukturen für Elektrofahrzeuge unter Einsatz von KI-Methoden zu entwickeln. Hierzu bilden „Digitale Zwillinge“ das Verhalten der Ladestationen nach und ermöglichen so, die Steuerung zu optimieren. Darauf aufbauend werden die Vorteile einer Selbstoptimierung durch Einsatz von KI-Verfahren erforscht. Dazu werden Qualitätsziele definiert und anhand von Qualitätskennzahlen die Ergebnisse des Lademanagements bewertet. Im Ergebnis soll ein lernendes System nach dem Prinzip der LCS (learning classifier systems) entwickelt werden. Dieses System soll sich zur Laufzeit weitgehend autonom an neue Situationen anpassen und dabei gezielt Wissen über die Lastverläufe an den realen Ladestationen mit wählbaren Zielparametern kombinieren können.

                  Projektpartner:
                  FLAVIA IT-Management GmbH, Universität Kassel, Fachgebiet Intelligente Eingebettete Systeme

                  Projektblatt

                  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.

                  Projektpartner:
                  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
                   


                  Seitenübersicht

                  • Förderschwerpunkte
                    • Künstliche Intelligenz
                    • Basissystem Industrie 4.0
                    • KMU-innovativ: IKT
                    • KI für KMU
                    • Software-Sprint
                    • Europäische Initiativen
                    • Digitalisierung der Automobilindustrie
                    • Höchstleistungsrechnen
                    • Big Data
                    • Emergente IT-Systeme
                    • Software Engineering
                  • Förderinformationen
                    • Bekanntmachungen
                    • Nachwuchsförderung
                  • Service
                    • Ansprechpartner
                    • Veranstaltungen/Termine
                    • Publikationen