KI-Projekte »Produktion & Industrie 4.0«

Dezentrale automatische Produktionsplanung 

Die Entwicklung einer dezentralen Produktionsplanung und -steuerung ist das Ziel von SMART FACE. Damit sollen die Fertigungsstrukturen an die Anforderungen der Kleinserienfertigung angepasst werden; Montageteile werden über eine netzwerkgestützte Anwendung individuell angefordert, Maschinen verteilen selbstorganisierend ihre Last. Eine zentrale Reihenfolgeplanung wird so überflüssig. Flexibilität, einfache Adaptierung und die bessere Reaktion auf unvorhergesehene Änderungen im Ablauf sind die Vorteile.

Fraunhofer-Institut für Materialfluss und Logistik IML

• Dezentrale automatisierte Produktionsplanung - SMART FACE

Akustische Sensorik zur Überwachung von Produktionsprozessen

Einzelne fehlerhafte oder gar defekte Maschinen können die Produktion zum Erliegen bringen. Je nach Industrieanlage kann eine Überwachung auf Fehler sehr komplex und kostenintensiv sein. Im Verbundprojekt ACME 4.0 untersuchen Partner aus Industrie und Forschung das Potenzial der akustischen Überwachung von Maschinen und Produktionsprozessen. Dafür werden unter anderem Körper-, Luft- und Ultraschall der Maschinen erfasst. Mithilfe von Verfahren der computerbasierten akustischen Ereigniserkennung sollen Unregelmäßigkeiten oder Fehler im Produktionsprozess zuverlässiger und leichter erkannt werden.

Fraunhofer-Institut für Digitale Medientechnologie IDMT

•  Akustische Zustandsüberwachung für Industrie 4.0 - ACME 4.0
  

Condition Monitoring – Früherkennung von Qualitätsproblemen in der Produktion

Bereits heute werden unzählige Daten in der industriellen Produktion erfasst. Eine zielgerichtete Auswertung erfolgt jedoch selten und somit auch die Ausschöpfung des eigentlichen Potenzials. Durch die Realisierung einer datenbasierten vorausschauenden Instandhaltung lassen sich z.B. die ungeplanter Stillstandszeiten um bis zu 70% reduzieren sowie ca. 30% der Wartungskosten einsparen.

Oft sind die Prozesse sowie die erfassten Daten zu komplex, als dass Nutzer*innen diese mit den tatsächlichen Maschinenzuständen sowie bestehenden Qualitätsparametern verbinden können. Das Verfahren des maschinellen Lernens vom Fraunhofer IIS/EAS ermöglicht es, auch in sehr großen Datenmengen relevante Zusammenhänge schnell zu identifizieren und die Produktivität von Anlagen und Maschinen zu erhöhen.

Fraunhofer-Institut für Integrierte Schaltungen IIS

• Condition Monitoring - CMSvi

Condition Monitoring in Industrie 4.0

Auf dem Markt sind momentan überwiegend Industriesensoren mit applikationsspezifischen Lösungen verfügbar. Sie sind kostenintensiv, kabelgebunden und nur in einem geringen Maß intelligent. In dem Projekt AMELI 4.0 entwickeln Fraunhofer-Forscher hochintegrierte, vernetzte und energieautarke MEMS-Multisensorsysteme mit intelligenter lokaler Echtzeit-Datenverarbeitung bei hoher Daten- und Systemsicherheit. Schlüsseltechniken sind die Erfassung von Körperschall und akustischem Schall in Kombination mit energieeffizienter Signalvorverarbeitung auf Sensorebene. Das Fraunhofer IPK arbeitet an Algorithmen und Analysemethoden zur Verschleiß-, Zustands- und Prozessüberwachung für ein breites industrielles Anwendungsfeld.

Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK

• Condition Monitoring in Industrie 4.0 - AMELI 4.0

Die vorausschauende Fabrik

Maschinelle Lernverfahren analysieren riesige Datenströme und finden Muster in den Daten – zum Beispiel, wenn ein Gerät überhitzt oder ein Produkt fehlerhaft hergestellt wird. Die Besonderheit: Das Programm der Big-Data-Analyse zeigt den Fehler so an, dass Ingenieure das Problem sofort verstehen und Gegenmaßnahmen einleiten können. Aus einem Unternehmen mit diesen intelligenten Maschinen wird eine vorausschauende Fabrik, eine »Predictive Enterprise«.

Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS

• Die vorausschauende Fabrik - iProdict

Lernen von Verhaltensmodellen zur Fehlerfrüherkennung
 

Das Fraunhofer IOSB entwickelt selbstlernende Assistenzsysteme in zwei Schritten: 1. Einsatz von überwachten und unüberwachten Lernverfahren zum Lernen von Verhaltensmodellen: Hier kommen unterschiedliche Verfahren zum Einsatz, um diskretes, kontinuierliches sowie hybrides Verhalten identifizieren zu können. 2. Nutzung der gelernten Modelle zur Anomalie-Erkennung: Im laufenden Betrieb wird die Ähnlichkeit des aktuellen Verhaltens zu dem gelernten Modell bestimmt. Im Falle einer Abweichung wird ein Fehler gemeldet. Ferner werden Trends in den Daten analysiert um somit eine prädiktive Fehlerwarnung (z.B. einen Verschleiß von Maschinen) ausgeben zu können.

Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

• Lernen von Verhaltensmodellen - AGATA

Qualitätsabweichung auf den Fertigungsprozess zurückführen

Ein oft noch ungenutztes und signifikantes Optimierungspotential in der Produktion liegt in der automatischen Ursachenanalyse von Qualitätsschwankungen und dem gleichzeitigen Ableiten von Korrekturparametern. Hierfür müssen die Datenquellen des Prozesses, des Produktionssystems und der Qualitätssicherung so miteinander vernetzt werden, dass Qualitätsschwankungen rechentechnisch auf Abweichungen und Fehlern in vorgelagerten Prozessschritten zurückgeführt und korrigiert werden können. Beispielsweise werden hierdurch auch neue datenbasierte Verfahren zur vorausschauenden Instandhaltung motiviert. Die optische Mess- und Prüftechnik ist eine der Schlüsseltechnologien, die das IIF in die qualitätsgesteuerte Produktion einbringt.

Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF

• Qualitätsabweichung auf den Fertigungsprozess zurückführen

Digital Engineering für Softsensorik mittels künstlicher Intelligenz

In vielen Fällen können direkte Messverfahren mit Hardware- Sensoren zur Messung von Kenngrößen nicht eingesetzt werden.
Hier helfen virtuelle oder Softsensoren weiter. Sie bestehen aus einem oder mehreren Sensoren, die indirekte Größen liefern, die in einem systematischen, aber mathematisch komplexen oder nicht analytisch beschreibbaren Zusammenhang mit der Zielgröße stehen. Dieser Zusammenhang wird aus den Sensordaten in Form eines empirischen Modells erlernt, das die Zielfunktion approximiert.

Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF

• Digital Engineering für Softsensorik mittels künstlicher Intelligenz

Condition Monitoring & Predictive Maintenance

Durch Vorhersagemodelle von Betriebsdaten in der Produktion lässt sich die Prognose des Abnutzungsvorrates deutlich verbessern. Dabei eröffnen neuronale Netze neue Möglichkeiten der technischen Diagnose. Die neuronalen Netze generieren aus Historiedaten (Betriebsdaten) automatisch Blackbox-Modelle, die im nächsten Schritt durch Erfahrungswissen z.B. eines Maschinenbedieners angereichert werden. So entsteht ein transparenter Fuzzy-Controller, mit dem trotz großer Anzahl von Einflussgrößen einzelne Parameter einer Sensivitätsanalyse unterzogen werden können. Die relevanten Parameter werden bei der Modellbildung bevorzugt, wodurch die Komplexität des Regelwerkes beherrschbar bleibt.

Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF

• Condition Monitoring & Predictive Maintenance

Überwachung von Funknetzwerken

Seit vielen Jahren halten Funksysteme Einzug in die Industrieautomation. Gerade bei der Vernetzung von beweglichen, weit entfernten oder schwer zugänglichen Anlagenteilen bieten sie viele Vorteile. Sich verändernde Ausbreitungsbedingungn, weitere Funksysteme sowie metallische Objekte können jedoch die Installation sowie den reibungslosen Betrieb stören. Die Folge sind Übertragungsausfälle und schlimmstenfalls der Stillstand der Produktion. Ein störungsfreier Betrieb kann nur durch ein übergreifendes Netzwerk- und Ressourcenmanagement gewährleistet werden. Das Fraunhofer IIS/EAS entwickelt hierfür Analyse- und Managementsysteme, welche die aktuelle Nutzung der Frequenzbänder durch verschiedene Teilnehmer analysieren, Störungen diagnostizieren und deren Ursachen identifizieren. Darauf basierend erfolgt eine optimierte Zuweisung der Funkressourcen.

Fraunhofer-Institut für Integrierte Schaltungen IIS

• Überwachung von Funknetzwerken

Vergleichende Analyse von ingenieurrelevanten Mess- und Simulationsdaten

In der industriellen Produktentwicklung werden numerische Simulationen vielfältig genutzt, um komplexe Phänomene zu verstehen. Ein Beispiel sind Parameterstudien zur Untersuchung des Crashverhaltens von Fahrzeugen bei unterschiedlichen Designauslegungen und ihrem Abgleich mit zeitabhängigen Daten aus realen Crashtests.
Mit mathematischen Konzepten können die zugrunde liegenden physikalisch-technischen Prozesse als Grey-Box-Modelle beschrieben werden, um mit innovativen maschinellen Lernmethoden Daten von vielen Simulationen gleichzeitig, vergleichend und interaktiv zu analysieren. Das macht die Arbeit des Entwicklungsingenieurs einfacher und effizienter und gestattet ihm, sich auf die eigentlichen ingenieurtechnischen Aspekte zu konzentrieren.

Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI

• Vergleichende Analyse von ingenieurrelevanten Mess- und Simulationsdaten - VAVID

Innovatives Materialdesign

In den Materialwissenschaften und in der Chemie werden Experimente und Simulationen in vielfältiger Weise verwendet, um charakteristische Eigenschaften und Prozesse besser zu verstehen, um neue Materialien mit verbesserten Eigenschaften zu entwickeln und um damit verbundene Prozesse zu optimieren. Zur effizienten Vorhersage der Performance von Materialien kombiniert SCAI dazu im Ansatz des datengetriebenen virtuellen Materialdesigns Methoden der hoch-dimensionalen Optimierung, des maschinellen Lernens, der Datenanalyse und der Multiskalen-Simulation. Hier wird typischerweise in sogenannten Grey-Box-Ansätzen die gesamte Prozesskette einbezogen. Diese Vorgehensweise bildet auch die Grundlage zur Entwicklung von sogenannten simulationsbasierten Entscheidungsunterstützungssystemen.

Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI

• Innovatives Materialdesign

Produktionsoptimierung in Smart Ecosystems

Durch die zunehmende Digitalisierung fallen rund um die Automobil-Produktion immer größere Datenmengen an. Die Daten sind jedoch über die gesamte Wertschöpfungskette, vom OEM über Teile- und Modul-Zulieferer bis hin zu Werkstattnetzen und zunehmend dem Fahrzeug selbst verteilt. Dies erschwert beispielsweise die Suche nach Fehlerursachen und das schnelle Einleiten von Gegenmaßnahmen, da keiner der Partner in der Wertschöpfungskette aktuell ein vollständiges Bild hat.
Das Ziel des PRO-OPT-Projekts liegt in der Bereitstellung einer Plattform, welche die unternehmensübergreifende, sichere Analyse von Daten über die gesamte Wertschöpfungskette in einem sogenannten Smart Ecosystem ermöglicht. Eine Voraussetzung, um Daten unternehmens- und standortübergreifend analysieren zu können, liegt darin, eindeutige Nutzungsbedingungen zu spezifizieren, welche Daten zu welchem Verwendungszweck von wem benutzt werden dürfen. Hierfür integriert die PRO-OPT-Plattform das IND2UCE-Framework des Fraunhofer IESE für Datennutzungskontrolle. Die PRO-OPT-Vorgehensweise zur Einführung und Anpassung der Plattform leitet systematisch aus den gemeinsamen Zielen der Partner in einem Smart Ecosystem diejenigen Informationsbedürfnisse und Datentöpfe ab, deren unternehmensübergreifende Auswertung einen Mehrwert für alle Beteiligten darstellt.

Fraunhofer-Institut für Experimentelles Software Engineering IESE

• Produktionsoptimierung in Smart Ecosystems - Pro-Opt

KI-Assistent für Maschinenbediener

In der Produktion der Zukunft spielt die Zusammenarbeit von Mensch und Maschine eine zentrale Rolle. Fraunhofer-Fachleute arbeiten an einer Systemlösung, die dem Menschen tatkräftige software-basierte Assistenten zur Seite stellen soll – etwa, wenn es darum geht, eine Anlage in Betrieb zu nehmen, zu warten oder vorbeugend instand zu halten (»Predictive Maintenance«). Die im Projekt APPsist entwickelten KI-Assistenten stellen sich automatisch auf den Unterstützungsbedarf des einzelnen Mitarbeitenden ein, so dass sich menschliche und künstliche Intelligenz jederzeit sinnvoll ergänzen.

Fraunhofer-Institut für Arbeitswirtschaft und Organisation IAO

• Intelligente Assistenzsysteme in der Produktion - APPsist

Intelligenter Tutor für technisch-gestütztes Lernen

Um einen ganzheitlichen Blick auf die jeweilige Lernsituation zu erhalten, werden die bereits in Lern-Management-Systemen (LMS) vorhandenen Daten über die Lernenden und den Lernstoff mit zusätzlichen Informationen angereichert. Dazu zählen Daten zum aktuell genutzten Computer, das aktuelle Lernumfeld und vor allem auch allgemeine und themenspezifische pädagogische Modelle. Daraus generiert der intelligente Tutor für jeden einzelnen Lernenden individuelle Lernempfehlungen, die ihn optimal durch den Lernstoff führen.

Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

• Intelligenter Tutor für technisch-gestütztes Lernen- INTUITEL