Um diese Website bestmöglich an Ihrem Bedarf auszurichten, nutzen wir Cookies und den Webanalysedienst Matomo, der uns zeigt, welche Seiten besonders oft besucht werden. Ihr Besuch wird von der Webanalyse derzeit nicht erfasst. Sie können uns aber helfen, indem Sie hier entscheiden, dass Ihr Besuch auf unseren Seiten anonymisiert mitgezählt werden darf.
Die Webanalyse verbessert unsere Möglichkeiten, unseren Internetauftritt im Sinne unserer Nutzerinnen und Nutzer weiter zu optimieren und auf den Bedarf der deutschen Forschungslandschaft hin anzupassen. Es werden keine Daten an Dritte weitergegeben.
Weiterentwicklung der Bilddatenerfassung und -verarbeitung für eine Qualitäts-bewertung medizinischer, hand-geflochtener Stents in der Mobilen Akquiseeinheit (MoA)
WANIP entwickelt eine funktionale Erweiterung für InStent-MoA, die eine mobile Akquiseeinheit zur optischen Inspektion handgeflochtener und lasergeschnittener Stents darstellt.Ziel ist eine adaptive, KI-gestützte Bilddatenerfassung und Bilddatenauswertung. In einem Auto-Teaching-Prozess sollen sowohl Kameraposition und Belichtung als auch der Fokus automatisch an eine neue Stentgeometrie anpasst werden. Durch die automatisierte Trajektorienplanung sollen relevante Stentbereiche, wie Stentkronen und Schweißnähte, die potenzielle Fehlerzonendarstellen, zuverlässig identifiziert und priorisiert aufgenommen werden.
Entwicklung eines KI-gestützten Verfahrens zur Identifikation und Klassifikation von Partikeln in der dynamische Bildanalyse
In der Partikelbildanalyse ist die präzise Unterscheidung zwischen relevanten Primärpartikeln und fehlerhaften Objekten wie Fremdpartikel eine zentrale Herausforderung. Herkömmliche Verfahren bieten nur beschränkte Informationen, es fehlt an einfachen, automatisierten Ansätzen zur qualitativen Bewertung und Gruppenzuordnung auf Basis von definierten Parametern.Im Projekt KI-DIA arbeitet die Fritsch GmbH an der Entwicklung eines KI-gestützten Verfahrens,das eine automatisierte und präzise Analyse von Partikeln in der dynamischen Bildanalyseermöglicht.
KI-gestützte Werkzeugidentifikation zur automatisierten Nachschleifauftrags-erstellung in SAP
Die Wiederaufbereitung von Werkzeugen stellt einen hochindividualisierten Prozeß dar. Von Kunden zurückgesendete gebrauchte Werkzeuge werden bislang durch erfahrene Mitarbeitende manuell auf Fehler identifiziert und für Nachschleifaufträge zugeordnet. Anschließend werden die gebrauchten Werkzeuge mittels Schleifbearbeitungsprozessen aufbereitet, sodass sie erneut in der Fertigung eingesetzt werden können. Der gesamte Prozess ist zeitaufwendig, fehleranfällig und bindet wertvolle Fachressourcen. Die große Variantenvielfalt und geometrische Komplexität der Werkzeuge erschweren eine standardisierte Erfassung erheblich.
KI-gestützte Vorsortierung zur Fehlervermeidung und Optimierung von Sortierprozessen
In Großwäschereien oder automatisierten Sortierlinien treten regelmäßig Fremdkörper auf, deren manuelle Erkennung zeitaufwendig, fehleranfällig und wirtschaftlich ineffizient ist. Die Varianz der Fremdkörper ist sehr hoch, von Kissen über Handschuhe bis hin zu kleinen Werkzeugen, was eine rein menschliche Sichtprüfung erheblich erschwert. Die Thielen Automation GmbH verfolgt mit dem Projekt zur KI-gestützten Vorsortierung das Ziel,Sortierprozesse in industriellen Wäsche- und Materialflüssen deutlich zu verbessern.Ziel ist die Entwicklung eines KI-basierten Bildverarbeitungssystems, das Fremdkörper zuverlässig erkennt und automatisch klassifiziert.
In diesem Projekt wird das realistische Abbilden von 3D-Modellen für das Online-Marketing industrieller Bauteile und Güter betrachtet, beispielsweise von Werkzeugen wie Bohrern oder von komplexeren Produkten wie Fahrzeugen. Hierfür existiert derzeit eine Verarbeitungspipeline, mit der 3D-Modelle in realistische Darstellungen überführt werden. Ziel des Projekts ist es, ausgewählte Verfahrensschritte innerhalb dieser Pipeline durch den Einsatz von Verfahren der Künstlichen Intelligenz zu unterstützen, um den manuellen Aufwand signifikant zu reduzieren und die Effizienz des Gesamtprozesses zu steigern. Zu diesen Verfahrensschritten zählen insbesondere die Segmentierung von 3D-Daten, die automatisierte Generierung von UV Karten sowie die zielgerichtete Aufbringung von Texturen auf spezifische Bereiche des 3DModells.
Künstliche Intelligenz für die Angebotserstellung und Arbeitsvorbereitung in der Metallbearbeitung
In der Arbeitsplanung für industrielle Bauteile sind zentrale Entscheidungen über die Auswahl geeigneter Fertigungsprozesse, deren Sequenzierung, die Bestimmung von Werkzeugen und Halterungen sowie die Ableitung von Werkzeugwegen zu berücksichtigen. Darüber hinaus sind die Fertigungszeiten zu ermitteln und eine Abschätzung der entstehenden Kosten vorzunehmen,die wesentliche Grundlage für die wirtschaftliche und technische Ausgestaltung der Produktion sind. In der aktuellen Praxis wird die Arbeitsplanung häufig individualisiert, personengebunden und nicht-standardisiert durch langjährige Wissensträger vor Ort durchgeführt.
KI gestützte Fehleranalyse im Produktionsprozess Aktivkohlenrollenware
Setaplast produziert unter Verwendung von Klebesystemen kaschierte Rollen- und Plattenwaren.Im Produktionsprozess sollen Fehler frühzeitig erkannt und klassifiziert werden. Ziel ist ein KI-gestütztes, bildbasiertes System zur automatischen Analyse von Fehlern mit Einordnung in relevant/nicht relevant und Alarmierung kritischer Fälle. Darüber hinaus wird eine prädiktive Erkennung angestrebt, um potenzielle Fehlstellen vor ihrem Auftreten zu identifizieren. Das System soll den Aufbau eines kamerabasierten Datensystems unterstützen, das kontinuierliche Verbesserungen in der Fertigung ermöglicht.
KI – die unsichtbare Arbeitskraft zur Steigerung der Produktivität & der Wettbewerbsfähigkeit
In diesem Anwendungsfall wird der Bereich des Reverse Engineering betrachtet. Dabei werden physische Bauteile mithilfe geeigneter Sensorik erfasst, wodurch zunächst Punktwolken erzeugt werden, die die geometrische Oberfläche des Objekts approximieren. Auf Basis dieser Punktwolken erfolgt anschließend die Überführung in ein 3D-CAD-Modell, das als Grundlage für weitere Konstruktions- und Fertigungsprozesse dient. Ziel ist die Entwicklung eines schnellen und weitgehend automatisierten Systems zur Generierung von 3D-CAD-Modellen aus Punktwolken unter Nutzung von Verfahren der Künstlichen Intelligenz.
KI-Rauheit: Messung von Oberflächengüten mithilfe von bildba-sierterKünstlicher Intelligenz
Die ELLENBERGER GmbH & Co. KG hat sich zum Ziel gesetzt, mit diesem Projekt die Bestimmung der Oberflächenrauheit von Werkstücken durch ein bildbasiertes, KI-gestütztes Verfahren zu modernisieren. Klassische taktile Verfahren sind kostenintensiv, wartungsaufwendig und liefern nur punktuelle Messungen, wodurch eine flächendeckende Beurteilung erschwert wird. Im Projekt MOKI soll ein berührungsloses System entwickelt werden, das Oberflächen flächig erfasst und standardisiert bewertet. Dazu werden Bilddaten so aufbereitet, dass relevante Rauheitsmerkmale robust extrahiert werden können, auch bei variierender Materialbeschaffenheit.
Visuelle Inspektion von Automobil-Kabelbäumen mittels KI
Das Projekt VI²NAKAI der fleXstructures GmbH verfolgt das Ziel, die bislang manuelle visuelle Inspektion von Automobil-Kabelbäumen durch ein KI-gestütztes Prüfverfahren zu ersetzen.Kabelbaumstrukturen gelten als komplex, unübersichtlich und schwer visuell zu bewerten, da kleinste Abweichungen oder Montagedefekte nicht zuverlässig erkannt werden. Im aktuellen Produktionsprozess führen fehlerhafte Kabelbäume häufig zu zeitintensiven Nacharbeiten,Ausschuss oder sogar sicherheitsrelevanten Problemen in der Endmontage. Ziel des Projekts ist die Entwicklung eines automatisierten Analyseverfahrens, das auf Deep-Learning-Methoden basiert und Fehlerbilder wie falsch positionierte Stecker, falsche Wicklungen oder fehlende Komponenten auf den Fertigungsbrettern der Kabelbäume zuverlässig erkennt.
Produzierende KMU stehen häufig vor der Herauforderung, übergreifend Daten für das Enterprise Ressource Planning (ERP) nutzbar zu machen. KI-gestützte Analysen und Auswertungen unterstützen in der Auftragsfertigung im Bereich des Maschinenbaus, indem sie als zentrale Datendrehscheibe für Einkauf, Vertrieb, Materialwirtschaft, Disposition, Produktion und betriebswirtschaftliche Steuerung fungieren. Der Ist-Zustand bei R&W Maschinenbau GmbH in Remagen ist dadurch gekennzeichnet, dass die anfallenden Unternehmensdaten zwar in großem Umfang vorhanden sind, jedoch verteilt über mehrere Systeme vorliegen und nur teilweise in Zusammenhängen ausgewertet werden. Ziel des Projekts ist der Aufbau einer KI-gestützten Analyse- und Entscheidungsebene, die auf dem ERP-System als zentraler Datenbasis aufsetzt und perspektivisch auf weitere Fachsysteme ausgedehnt werden kann.
Eine kurze Unachtsamkeit, eine unter Zeitdruck ausgeführte Handlung – und ein Arbeitsunfall ist geschehen. In einer Branche, in der schwere Maschinen betrieben werden, katastrophale Folgen haben. Die Regeln und Anweisungen für die ordnungsgemäße Verwendung von persönlicher Schutzausrüstung (PSA) werden dabei grundsätzlich befolgt, aber auch die gewissenhaftesten Mitarbeitenden wie Vorgesetzten können irgendwann einmal in eine Gefahrenlage geraten. Alufinish entwickelt mit seinem Projekt InSafeAI ein KI-basiertes System , das Live-Videobilder analysiert, um in Echtzeit zu überprüfen, ob die PSA korrekt verwendet wird. Das System würde genau dann eine Warnung auslösen, wenn ein Verstoß festgestellt wird. Das richtige Timing ist entscheidend, um Unfälle von vornherein zu verhindern.
KI-gestützte Visualisierungstechnologien in der Medienindustrie
Der Hintergrund dieses Anwendungsfalls ist, dass derzeit von künstlicher Intelligenz (KI) generierte Inhalte die Medienbranche überschwemmen, dieser sogenannte AI SLOP sorgt für Irritationen und vielerorts gilt mittlerweile AI-free als Gütesiegel in der Medienproduktion. Dabei bieten sich durchaus vielfältige Chancen durch Generative KI, um gerade qualitativ hochwertige Inhalte viel schneller, einfacher und kostengünstiger zu erstellen als dies in der Vergangenheit machbar war. In einem sich derart wandelnden Szenario muss Deutschland die Möglichkeiten der KI in der Medienbranche nutzen, um relevant zu bleiben. Vor diesem Hintergrund möchte InventiveStudios KI nutzen, um den Casting- und Auswahlprozess vollständig zu transformieren, indem Casting Direktoren die Möglichkeit erhalten, die Schauspieler in einer Szene virtuell zu sehen, anstatt sie sich nur vorzustellen, bevor sie eine Entscheidung treffen.
KI-gestützte semantische Suche zur Vertriebsunterstützung
In produzierenden KMU gibt es häufig Anfragen von Kunden oder eigenen Mitarbeitenden, die auf der Suche nach Ähnlichkeiten – unter anderem bei Artikeln, Materialien oder Konstruktionen – sind. Diese können technische Spezifikationen wie Abmessungen, Materialien, Traglasten, Bezeichnungen und (unstrukturierte) Beschreibungen enthalten. Die herkömmliche Suche erfolgt dabei manuell meist nur nach exakten Schlagwörtern, berücksichtigt keine kontextuellen Ähnlichkeiten und muss in verschiedenen Systemen wie im ERP- sowie in weiteren Dateisystemen erfolgen, um nach passenden Produkten, Varianten oder Aufträgen zu recherchieren. Ziel des Projekts ist es, eine KI-basierte Lösung zu entwickeln, die Suchanfragen bspw. über eine Chatfunktion analysiert, relevante technische Parameter extrahiert und passende Produkte aus dem Portfolio identifiziert.
Arbeitsplanung in einer hochdynamischen Auftragsfertigung in der Metallverarbeitung
In vielen produzierenden Unternehmen basiert die Produktions- und Arbeitsplanung noch stark auf Erfahrung und manuellen Schätzungen. Insbesondere im Kontext der Auftragsfertigung in Kleinserie mit Manufakturanteilen steht die Fertigungsleitung unter dem ständigen Druck, Liefertermine einzuhalten, obwohl unvorhersehbare Ereignisse wie Maschinenausfälle, Krankheitsfälle, verspätete Materiallieferungen oder Eilaufträge die bestehenden Pläne laufend infrage stellen. In diesem hochdynamischen Umfeld sind etablierte Produktionsplanungstools, die für maschinelle Serienentwicklung in größeren Unternehmen ausgelegt sind, nicht ausreichend flexibel und leichtgewichtig.Der hier betrachtete Anwendungsfall beschreibt die Entwicklung eines KI-Assistenten zur Unterstützung der Umplanung in der Auftragsfertigung im Kleinserienumfeld.
Gerade in kleinen Betrieben stehen Ausbilder vor der Herausforderung, das zeitintensive Projektgeschäft mit der ebenso anspruchsvollen Betreuung von Auszubildenden zu verbinden. Das Anlernen, Einweisen und die laufende Unterstützung von Auszubildenden binden qualifizierte Fachkräfte, die zugleich in Kundenprojekten gebraucht werden. In der Praxis führt dies häufig dazu, dass Auszubildende in der Projektarbeit zwar früh mit komplexeren Tätigkeiten in Berührung kommen, grundlegende Fertigkeiten und theoretische Inhalte aber verzögert und teilweise unsystematisch erlernen müssen. Gleichzeitig benötigen Auszubildende für das sichere Erlernen von Grundfähigkeiten intensive Betreuung, Rückmeldung und die Möglichkeit, Fragen zu stellen. Vor diesem Hintergrund verfolgt der Anwendungsfall das Ziel, einen KI-gestützten Assistenten zu entwickeln, der Auszubildende beim Erlernen grundlegender Fertigkeiten begleitet.
Maschinendatenanalyse mit KI für Vorhersage von Zuständen bei der CNC-Bearbeitung
In vielen kleinen und mittleren Unternehmen besteht der Maschinenpark aus heterogenen, älteren Anlagen, denen standardisierte Schnittstellen zur Einbindung in digitale Systeme fehlen. Der Austausch der Maschinen bzw. eine vom Hersteller angebotene Nachrüstung scheitert im KMU-Umfeld häufig an den hohen Investitionskosten. Gleichzeitig ist das Potenzial einer gezielten Digitalisierung dieser Bestandsmaschinen erheblich.Das Projektziel ist also, bisher nicht digital angebundene Produktionsmaschinen mit einfacher Sensorik nachzurüsten, um ihre Betriebszustände automatisiert zu erfassen und für ausgewählte Geschäftsziele nutzbar zu machen. Die Unterscheidung von Rüst-, Lauf- und Stillstandszeiten sowie relevanter Fehlerzustände soll z.B. mit Hilfe von Vibrationssensoren getroffen werden.
Großhändler stehen vor der Herausforderung, Produktdaten neuer und bestehender Lieferanten effizient in den eigenen Produktkatalog zu integrieren. Lieferantendaten liegen in sehr unterschiedlichen Formaten und Strukturen vor, sodass individuelle Skripte manuell erstellt werden müssen, um die externen Daten in das interne Zielformat zu überführen. Ziel des Projekts ist es, diesen Prozess mithilfe generativer KI zu automatisieren und zu standardisieren. Ein KI Assistent soll automatisch aus den bereitgestellten Lieferantendaten die relevante Struktur erkennen, ein Mapping auf das interne Zielschema herstellen und daraus ein Überführungsskript generieren. Dadurch soll die Anbindung neuer Lieferanten deutlich beschleunigt, die Aktualisierung von Daten vereinfacht und die Fehlerquote bei der Datenübernahme reduziert werden.
Im Unternehmen eines Lebensmittel-Großhändlers stehen sowohl Vertriebsmitarbeitende als auch bestellende Kunden vor der Herausforderung, schnell und zuverlässig passende Produkte im umfangreichen Sortiment zu finden. Oft werden Produkte trotz vorhandener Verfügbarkeit nicht gefunden, Suchvorgänge dauern unnötig lange, oder es kommt zu Falschbestellungen. Der geplante KI-Anwendungsfall adressiert diese Defizite durch eine intelligente Produktsuche auf Basis von generativer KI, die treffgenauere und personalisierte Ergebnisse liefert. Die Suche soll mit Rechtschreibfehlern umgehen können, Synonyme und regionale Begriffe erkennen und aus realen Suchanfragen fortlaufend lernen. Zusätzlich soll sie Informationen aus der Bestellhistorie heranziehen, um wahrscheinliche Treffer höher zu priorisieren.
Bei Energieaudits gehen Prüfende in der Regel durch die betreffenden Gebäude und erfassen Daten manuell auf Papier. Diese Daten werden dann manuell in eine Tabellenkalkulation übertragen. Die nachfolgende Analyse erfordert meist zusätzliche Online-Recherchen von Verbrauchsdaten für Elektrogeräte oder eine Suche in Herstellerdokumenten.Ziel dieses Projektes ist die Modernisierung des Energieauditprozesses, um die monotone manuelle Aufgabe der Erfassung und Analyse von Energieverbrauchsdaten mithilfe künstlicher Intelligenz (KI) zu vereinfachen oder möglicherweise ganz zu eliminieren. Das Unternehmen Enbiz beabsichtigt unter anderem, die Daten mittels Diktat oder audiovisuellen Methoden zu erfassen sowie mittels KI eine Hintergrundbewertung zu erstellen, die die Qualität der erfassten Daten sicherstellt.
KI-gestützte Plattform für effiziente Energie- und Sanierungsberatung
Deutschland hinkt bei der Erreichung seiner Klimaziele deutlich hinterher, insbesondere bei der energieeffizienten Sanierung von Nichtwohngebäuden, die bei 0,69 % stagniert (im Vergleich zum Ziel von 2 % bis 2030). Dies führt zu steigenden Energiekosten, steigenden Emissionen und verpassten Chancen für eine nachhaltige Zukunft. Ein zentraler Grund für die geringe Sanierungsquote ist der Mangel an qualifizierten Energieberatern im Nichtwohngebäudebereich sowie eine unzureichende Datengrundlage. Vor diesem Hintergrund möchte GRÜNwerk eine durch künstliche Intelligenz (KI) unterstützte Hilfsplattform entwickeln, die die vorhandenen Daten analysieren, Muster aus erfolgreichen Renovierungen lernen und praktische Empfehlungen für die Berater ableiten kann.
Autonome Schweißvorrichtung mit KI Gesteuerter Parameteranpassung
TUBE-TEC ist auf das Schweißen von Rohren spezialisiert, bei dem sehr hohe Sicherheitsanforderungen gelten und nur geringe Fehlertoleranzen im Endprodukt zulässig sind. Derzeit wird der Prozess halbautomatisch durchgeführt. Während des Schweißens muss eine Fachkraft aktiv die Parameter (z. B. Strom, Drahtvorschub, Schweißfilter, Drehzahl) und die Position des Brenners anpassen. Daher hängt die Schweißqualität stark von deren Erfahrung und Fachwissen ab. Sie muss ständig das Fließverhalten des geschmolzenen Metalls beobachten und feststellen, ob die Parameter richtig eingestellt sind. Selbst eine sehr geringe Abweichung in der Wandstärke, eine Veränderung der Spalte oder des Abstands zwischen Brenner und Bauteil kann sich negativ auf die Schweißqualität auswirken. Um dieses Problem zu mindern, beabsichtigt TUBE-TEC künstliche Intelligenz (KI) in den Schweißprozess integrieren, wo menschliches Fachwissen und KI-Präzision zusammenkommen können.
KI-gestütztes Materialdaten-Matching und Emissionsanalyse für eine nachhaltige Produktion
Die Ökobilanzierung dient der systematischen Erfassung und Bewertung der umweltbezogenen Auswirkungen eines Produkts oder Prozesses über dessen gesamten Lebenszyklus hinweg, von der Rohstoffgewinnung über die Herstellung und Nutzung bis hin zur Entsorgung oder Wiederverwertung.Ein zentrales Problem in diesem Kontext besteht in der Zuordnung geeigneter Emissionsfaktoren zu den einzelnen Komponenten einer Stückliste. Die hierfür notwendigen Daten stammen häufig aus unterschiedlichen Datenquellen und Datenbanken und sind nicht einheitlich strukturiert oder benannt. Dies erschwert die eindeutige Zuordnung von Material- und Prozessinformationen zu passenden Emissionsfaktoren erheblich und führt zu hohem manuellem Aufwand sowie zu potenziellen Inkonsistenzen. Ziel ist die Entwicklung eines LLM-basierten Agenten, der sowohl das Entity Matching zwischen Emissionsfaktoren und Stücklistenpositionen automatisiert als auch die Analyse von Ökobilanzdaten unterstützt.
Einsatz von Machine Learning Modellen in der Authentizitätskontrolle von Fruchtsäften
Dieser Anwendungsfall konzentriert sich auf die Lebensmittelauthentizität und -sicherheit, genauer gesagt auf die Erkennung von Verfälschungen in der Fruchtsaftindustrie. Derzeit wird diese Analyse größtenteils manuell von qualifizierten Experten durchgeführt. Die Experten stützen sich stark auf ihre Erfahrung, und ihre Zahl ist begrenzt. Sie sind in erster Linie für die Erstellung einer Referenzdatenbank zuständig, die später für die Authentifizierung von Fruchtsäften verwendet wird. Während einfache univariate Analysen bereits durchgeführt werden können, ist die Ermittlung komplexer Zusammenhänge zwischen mehreren Variablen noch ein unerforschtes Gebiet. Der Einsatz von maschinellem Lernen zur Ermittlung von Mustern und Zusammenhängen zwischen mehreren Variablen kann neue Perspektiven für die Bestimmung der Echtheit von Fruchtsäften eröffnen, da dieser Ansatz schneller und genauer ist und sich an die im Laufe der Zeit auftretenden Schwankungen anpassen kann.
