SeSy
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.
FiAZ
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.
KIUPRO
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.
KI-REN Marktplatz
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.
KI ProWitA
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.
TRANGAN
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.
HCKIS
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.
