Im Forschungsprojekt ADELeS - Anomaliebehebung durch extrahiertes Expertenwissen und lernende Systeme kooperieren wir seit September 2021 in einem vom bayerischen STMWI gef?rderten Projekt mit der XITASO GmbH, der Friedrich-Alexander Universit?t Nürnberg-Erlangen und der Rehau SE. In ADELeS wird ein Assistenzsystem zur KI-unterstützten Detektion und Behebung von Qualit?tsabweichungen und Fehlern in Produktionsprozessen entwickelt. Dadurch sollen die Produktionsqualit?t verbessert, die Auswirkungen des Fachkr?ftemangels in der Produktion gemindert und die Standorts- und Zukunftssicherheit bayerischer Produktionsst?tten gest?rkt werden. Das angestrebte Verfahren zur Qualit?tssicherung verknüpft erkl?rbare lernende Systeme mit Expertenwissen, welches erfahrungs- und datenbasiert extrahiert wird. Das Assistenzsystem soll sowohl passive, in der Form von Ma?nahmenvorschl?gen, 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 Bildverarbeitungsl?sung 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 vielf?ltigen 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 gest?rkt werden. Die BMBF-F?rderma?nahme "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 erschlie?en. Die Entwicklung hochgenauer KI-basierter Bildverarbeitungsl?sungen – z. B. zur automatischen Defekterkennung von Bauteilen – stellt für Unternehmen klassischer Industriezweige eine personelle, zeitliche und monet?re Herausforderung dar. Konventionelle KI-Verfahren wie neuronale Netze ben?tigen zum Trainieren oft gro?e Datens?tze, viel Zeit und Expertenwissen. Ihre L?sungsfindung ist zudem in der Regel schwer nachvollzieh- und dokumentierbar.

Die drei Projektpartner in SaMoA haben ein neues Verfahren entwickelt, das auf klassischen Bildverarbeitungsl?sungen aufsetzt und von Natur und Genetik inspirierte Algorithmen verwendet. Das Verfahren automatisiert gro?e Teile des Entwicklungsprozesses, kommt mit überschaubaren Datenmengen aus und liefert interpretierbare L?sungen. Neben der Einsparung von Ressourcen erleichtert es auch eine sp?tere Zertifizierung der Anwendungen z. B. in der Luftfahrt. Ziel des Vorhabens ist die Validierung des Verfahrens in Hinblick auf wichtige Leistungskennzahlen wie Aufl?sung, 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 St?rungen und assistierte Umplanung zur Vermeidung von Produktionsausf?llen. Nach umfassender Erfassung und Kategorisierung m?glicher St?rungsursachen durch die Projektpartner?kommen Methoden der Stochastischen Optimierung zur Erzeugung neuer Planalternativen, die bezüglich Produktivit?t, Effizienz und Resourcennutzung optimal sind, zum Einsatz. In einem weiteren Schritt sollen Bayesian estimators verwendet werden, um die Wahrscheinlichkeit zukünftiger Lieferausf?lle?zu sch?tzen und bereits in die ursprüngliche Planung mit einbeziehen. Auf diese Weise wird die Anzahl logistisch bedingter Planungsausf?lle 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 ver?nderliche 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 m?glichst 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