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 SE. 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

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

ProsKI - Resiliente Produktionsplanung und -steuerung durch den Einsatz von künstlicher Intelligenz

In Kooperation mit Partnern aus der Industrie, der Softwareentwicklung und dem Lehrstuhl für Ingenieurinformatik mit Schwerpunkt Produktionsinformatik entwickelt der Lehrstuhl für Organic Computing im Rahmen des ProsKI Projektes KI gestützte Methoden zur Unterstützung der Produktionsplanung. Ziel dabei ist die automatisierte Progonose von Logistischen Störungen und assistierte Umplanung zur Vermeidung von Produktionsausfällen. Nach umfassender Erfassung und Kategorisierung möglicher Störungsursachen durch die Projektpartner kommen Methoden der Stochastischen Optimierung zur Erzeugung neuer Planalternativen, die bezüglich Produktivität, Effizienz und Resourcennutzung optimal sind, zum Einsatz. In einem weiteren Schritt sollen Bayesian estimators verwendet werden, um die Wahrscheinlichkeit zukünftiger Lieferausfälle zu schätzen und bereits in die ursprüngliche Planung mit einbeziehen. Auf diese Weise wird die Anzahl logistisch bedingter Planungsausfälle reduziert und die Verbleibenden fristgerecht durch Ermittlung optimaler Alternativen umgangen. 

Ansprechpartner

MOOCS - Metaheuristiken für die Optimierung von Organic Computing Systemen

Der Einsatz von Metaheuristiken in OC Systemen bietet immer noch einige Herausforderungen, vor allem im Bezug auf die Auswahl der passenden Metaheuristik oder Metaheuristiken. Diese sollten für alle Optimierungsprobleme in einem OC System geeignet sein und sich dabei selbst-adaptiv an eine veränderliche Systemumgebung anpassen.
In diesem Projekt soll der Einsatz von Metaheuristiken in OC Systemen verbessert werden. Es wird untersucht, welche Metaheuristiken für welche Optimierungsprobleme geeignet sind, wobei der Stand der Technik dahingehend erweitert wird, dass Komponenten innerhalb der Metaheuristiken analysiert werden, die diese Eignung bedingen. Um einen möglichst generellen Optimierer zu erhalten, der für eine Vielzahl an OC-typischen Problemen verwendet werden kann, werden zudem selbst-adaptive Strategien für den Einsatz und den Austausch dieser Komponenten entwickelt. 

Ansprechpartner