Aktuelle & Vergangene Projekte

Human-Centered KI-System

Im Rahmen des Projekts wird ein Human-Centered KI-Arbeitsplatz (HCKIS) entwickelt, bei dem verschiedene Abstrahierungsebenen der Künstlichen Intelligenz zum Einsatz kommen. Ziel ist es, eine intelligente und interaktive Zusammenarbeit zwischen Mensch und smart vernetzten Maschinen auf verschiedenen Ebenen zu ermöglichen. Durch den gezielten Einsatz von Künstlicher Intelligenz (KI) soll ein Produkt in Interaktion mit KI, Roboter und Mensch gefertigt werden. Hierbei soll die KI nicht nur autonom agieren, sondern auch flexibel auf menschliche Interaktionen reagieren können.

Das zentrale Ziel des Vorhabens besteht darin, die Kooperation im Bereich vernetzter Künstlicher Intelligenz zu intensivieren und zugleich interdisziplinäre Anknüpfungspunkte innerhalb eines Prozesses zu schaffen. Die KI erfüllt hierbei mehrere Aufgaben. Ein LLM-Modell fungiert als eigenständiger Agent, der bei Bedarf eingreift und die an den Arbeitsplatz angeschlossen Systeme ansteuern kann.

Konkret wird im Rahmen der Entwicklung eines gemeinsamen Technologieträgers ein Szenario geschaffen, an dem neue Innovative Ideen für das zukünftige Arbeiten erprobt werden sollen. Der 360° KI-Arbeitsplatz dient als Demonstrationsplattform für aufeinander aufbauende KI-Methoden, insbesondere im Bereich der echtzeitbasierten Prozessanalyse und Qualitätssicherung. 360° bedeutet hier, dass der Mensch vollumfänglich von KI-Systemen bei einem Fertigungsauftrag assistiert wird. Hier sollen innovative Konzepte erprobt werden, die eine präzisere, effizientere und adaptivere Steuerung von Produktions- und Fertigungsprozessen ermöglichen. Damit leistet das Projekt nicht nur einen wichtigen Beitrag zur Weiterentwicklung smarter Produktionssysteme, sondern eröffnet auch neue Perspektiven für die Mensch-Maschine-Interaktion in einer zunehmend digitalisierten Arbeitswelt.

 HCKIS 2 One Pager359 KBPDF

KI for Sustainable Plastics – enabling circularity

Verschärfte Vorgaben diverser Verordnungen, wie der Gewerbeabfallverordnung (GewAbfV), dem Verpackungsgesetz (VerpackG) oder der Altfahrzeugverordnung (AltfahrzeugV) verfolgen das Ziel die Verbrennungsmengen von Abfällen zu senken und werkstoffliche Recyclingquoten zu erhöhen. Für Kunststoffverpackungen, die derzeit knapp 60 % der Gesamtmenge an Siedlungsabfällen ausmachen, sieht das neue VerpackG eine werkstoffliche Verwertung von min. 55 % bis 2030 vor. Nach heutigem Stand werden jedoch aus ökonomischen Gründen 53 % der Leichtverpackungs- (LVP)abfälle in Müllverbrennungsanlagen oder als Ersatzbrennstoff in Zementwerken überführt. Zurückgewonnene, sortierte Kunststoffballen sind häufig fehlerbehaftet. Resultierendes qualitativ niederwertiges, graues, riechendes Regranulat findet überwiegend in der Bauindustrie und Agrarwirtschaft seinen Einsatz. Konkretes Ziel von KI-Sustain ist mittels Künstlicher Intelligenz (KI) die Nutzbarkeit von Kunststoffrezyklaten aus Siedlungs- und Gewerbeabfällen durch eine optimierte Sortenreinheit zu steigern, um Kreisläufe in der Kunststoffwirtschaft zu schließen und Recyclingquoten zu erhöhen.

 KI-Sustain One Pager300 KBPDF

Einsatz von KI in der Planung, Budgetierung und Forecasting

Ziel des Projekts SKIPS ist es, Künstliche Intelligenz (KI), insbesondere Machine Learning (ML) und Neuronale Netze (NN), in die Controlling-Prozesse von kleinen und mittelständischen Unternehmen (KMU) zu integrieren. Durch die Nutzung externer Datenquellen wie Markttrends und Wirtschaftsdaten soll die Prognosegenauigkeit deutlich verbessert werden. Der innovative Ansatz ermöglicht es, interne Daten effizient zu nutzen und komplexe Zusammenhänge zu erkennen. Dies steigert die Effizienz von Planungs- und Budgetierungsprozessen, was zu Zeit- und Kosteneinsparungen führt und die Entscheidungsfindung in KMUs nachhaltig verbessert.

 SKIPS One Pager369 KBPDF

Interpretrierbare Anomalieerkennung für Nachhaltigkeit in Energie-, Wasser und Kreislaufwirtschaft

Die vorzeitige Identifikation ungewöhnlicher Betriebsmuster in den Bereichen Energie, Wasser und Kreislaufwirtschaft gestattet die Erhaltung eines nachhaltigen und umweltfreundlichen Betriebs technischer Anlagen. In der Praxis erfolgt die Selektion eines KI-Modells nicht ausschließlich anhand von Gütekennzahlen, sondern auch unter Berücksichtigung der Nachvollziehbarkeit und folglich implizit auch der Vertrauenswürdigkeit der Modelle. Das Projektziel besteht in der Entwicklung KI-Verfahren zur Anomalieerkennung in industriellen Zeitreihen, welche zum einen leistungsfähig sind, zum anderen aber auch Interpretierbarkeit gewährleisten.

 FiAZ 2.0 One Pager443 KBPDF

Deep Learning Super Resolution für eine verbesserte Abbildung feinster Strukturen in der industriellen Qualitätssicherung

Technisch soll das Verfahren aus zwei Modulen realisiert werden. Zum einen aus einer Adaption eines deep learning-basierten Super Resolution Netzwerks für die Materialmikroskopie und zum anderen, je nach Anwendungsfall, einem spezifischen Convolutional Neural Network zur Segmentierung oder Defekterkennung in Werkstoffen. Zunächst wird die Mikroskopieaufnahme mit niedriger Auflösung mit Hilfe des Super Resolution Netzwerks um einen gewählten Skalierungsfaktor erhöht (z. B. Faktor 4). Beispielsweise bei der Korngrenzenbestimmung von Kupfer werden dadurch feine, schlecht aufgelöste Korngrenzen deutlicher, was ihre Identifizierung vereinfacht.

SuReQA One Pager369 KBPDF

Allgemeine Multimodale Inspektion mittels Generative Pre-Trained Transformer

In industriellen Anwendungen sind klassische Computer Vision-Systeme aufgrund fehlender Trainingsdaten oft die einzige praktikable Lösung. Ihre Entwicklung ist jedoch zeit- und kostenintensiv, da sie tiefes Fachwissen und viele Kommunikationsschleifen zwischen Programmiererinnen und Domänenexpertinnen erfordert. Gleichzeitig steigt der Bedarf an flexiblen, visuell anpassbaren Bildverarbeitungslösungen – insbesondere für kleine und mittlere Unternehmen. AMI zielt darauf ab, diese Lücke zu schließen: Mithilfe multimodaler KI, die Text und Bild kombiniert, werden aus wenigen Beispielen automatisch verständliche und bearbeitbare Bildverarbeitungs-Workflows erzeugt. So wird es erstmals möglich, komplexe visuelle Prüfaufgaben ohne Programmierkenntnisse effizient zu lösen und flexibel anzupassen – für eine zugängliche, erklärbare und zertifizierbare industrielle Bildverarbeitung.

AMI One Pager274 KBPDF

Entwicklung von Selbst-lernenden Systemen im industriellen Umfeld

Machine Learning Systeme (ML-Systeme), welche in industriellen Anwendungen zur Qualitätskontrolle eingesetzt werden, sind üblicherweise maßgeschneidert für die jeweilige Anwendung. Dies impliziert, dass die Trainingsdaten speziell für die jeweilige Problemstellung gesammelt und insbesondere sorgfältig gelabelt werden müssen. Dieser Prozess ist sowohl aufwendig als auch kostspielig. Ziel ist es, ein System zu schaffen, das Algorithmen und Modelle enthält, um diesen Prozess zu vereinfachen. Auf diese Weise wird angestrebt, dass wiederkehrende, ähnliche und gleichzeitig komplexe Analyseaufgaben automatisch und mit möglichst minimalem Aufwand bewältigt werden können. Mithilfe der Erkennung von Anomalien, Ausreißern oder Abweichungen wird eine Verbesserung des Prozesses erzielt, da das Labeln der Lerndaten deutlich erleichtert werden kann.

One Pager SeSy1,00 MBPNG

Transferierbares Framework zur interpretierbaren Anomalieerkennung für industrielle Zeitreihendaten

In industriellen Anwendungen erfolgt die Auswahl eines ML-Modells nicht nur anhand von Gütekennzahlen, sondern auch auf Basis der Interpretierbarkeit, Nachvollziehbarkeit und damit implizit auch Vertrauenswürdigkeit der Modelle. Ziel ist es, KI-Verfahren zur Anomalieerkennung in industriellen Zeitreihen zu entwickeln, welche leistungsfähiger und trotzdem interpretierbar sind.

One Pager FiAZ346 KBPNG

KI- unterstützte Prozessstabilisierung für 3D-Druck und Politur

Ziel des Projektes KIUPRO ist es, mittels KI- Methoden, speziell Machine Learning, sowohl den 3D Kunststoffdruck als auch den Computer gesteuerten Polierprozess auf Basis einer Prozess Sensorik zu stabilisieren und damit eine höhere Bauteilqualität zu erzielen. Im Ergebnis soll ein Machine Learning Modell zur Verfügung gestellt werden, welches in der Lage ist für unterschiedliche Prozesse Qualitätsparameter auf Basis Sensordaten vorauszusagen.

One Pager KIUPRO551 KBPNG

KI-unterstützter Marktplatz für regional erzeugten EE-Strom basierend auf dynamischen Preismodellen

Ziel dieses Forschungsprojektes ist die Entwicklung und Umsetzung einer integrierten Plattform, die basierend auf der KI zur Prognose von Verbrauchs- und Erzeugungsdaten die regionale/lokale Nachfrage und das regionale/lokale Angebot von Strom aus erneuerbaren Energien auf einem Marktplatz mittels dynamischer Preismodelle bestmöglich in Einklang bringt.

One Pager KI-REN Markplatz569 KBPNG

KI-gestützte Prozessoptimierung zur Wiederverwertung von Post-Industrial Abfällen

Das Ziel des Vorhabens ist es mit Hilfe der künstlichen Intelligenz (KI) die Wiederverwertung von Post-Industrial Abfällen für neue Bauteile insoweit zu ermöglichen, dass die Qualitätsanforderungen an ein Neuprodukt erfüllt bleiben.

One Pager KI ProWitA431 KBPNG

Verbesserung der Detektionsgenauigkeit durch Erweiterung von Zustandsklassen für transiente Luft- und Körperschallsignale mittels künstlich generierter Prozessdaten.

Ziel des Projektes TRANGAN ist eine allgemein anwendbare Methode zur künstlichen Datengenerierung. Diese Methode soll die Bildung künstlicher transienter Prozessdaten ermöglichen. Der Impact des Lösungsansatzes besteht in der Weiterentwicklung bekannter Methoden zur GAN-Datengenerierung von quasi-stationären Signalen hin zur Generierung transienter Signale. Somit wird die Entwicklung von KI basierten Zustandsüberwachungssystemen mit der Anforderung an eine hohe Klassifikationsgenauigkeit signifikant vereinfacht und die Entwicklungszeit durch die Reduktion der benötigten Versuchsanzahl verkürzt.

One Pager TRANGAN412 KBPNG

Human-Centered KI-System

Aufgebaut werden soll ein Human-Centered KI-System [HCKIS], welches es ermöglicht, dass smart vernetzte Maschinen mittels KI-Systemen mit dem Menschen auf unterschiedlichen Ebenen interagieren. Im Rahmen des Vorhabens soll ein gemeinsamer Technologieträger aufgebaut werden, an dem insbesondere Methoden zur echtzeitbasierten Prozessanalyse und Qualitätssicherung unter Verwendung von Künstlicher Intelligenz demonstriert werden.

One  Pager HCKIS389 KBPNG