Aktuelle Projekte

Fehler innerhalb eines Konfigurationsprozesses wie zum Beispiel unzulässige Produktvarianten können weitreichende Folgen für das gesamte System haben. Trotzdem ist die Fehler- und Unsicherheitsanalyse von solchen Systemen häufig noch die Aufgabe von Menschen. In diesem Projekt soll dies geändert werden und ein Verfahren mit Hilfe von Künstlicher Intelligenz entwickelt werden, welches den Prozess auf systematische und stochastische Fehler, Unsicherheit und Zuverlässigkeit hin untersucht.

Das Ziel des Projekts ist es, den Heilungsverlauf von Wunden mittels optimaler Behandlung sowie fach-gerechter Therapie zu verbessern, und zwar im Kontext der Wundversorgung in der Altenhilfe und -pflege. Die Aufgabe von Verfahren der künstlichen Intelligenz (KI) ist dabei, Bilder von Wunden bezüg-lich verschiedener Merkmale automatisch zu klassifizieren. Darauf aufbauend sollen Wundverläufe vorhergesagt und Behandlungsempfehlungen generiert werden, um Pflegekräfte in ihrer täglichen Ar-beit zu unterstützen.

Durch die wachsende Vernetzung von Automatisierungsgeräten und die steigende Rechenleistung von eingebetteten Geräten sind Produktionsanlagen komplexer geworden, was die Fehlererkennung erschwert. Diese Arbeit zielt darauf ab, hybride Modelle zur Anomalie-Erkennung und Diagnose zu entwickeln. Hierfür wird ein einem ersten Schritt durch Weiterentwicklung bekannter oder Erstellung neuer Algorithmen die automatische Identifikation diskreter Modelle ermöglicht. Im zweiten Schritt wird dies durch das Nutzen von Deep Learning auf hybride Modelle erweitert.

In diesem Projekt wird u.a. mittels cutting-edge Verfahren des Deep Reinforcement Learnings an einer Künstlichen Intelligenz für StarCraft2 gearbeitet die Wissen bewahrbar und übertragbar macht und zudem für Menschen nachvollziehbar ist (Explainability).

In diesem Projekt soll sowohl ein digitaler Zwilling der Produktionsumgebung mit ihren möglichen Variationen zur dynamischen Bewertung als auch ein Assistenzsystem zur Auswahl von Szenarien im Rahmen der Strategieplanung der Produktionsversorgung bei Phoenix Contact entwickelt werden. Mit dem digitalen Zwilling soll die Produktionsumgebung mittels Simulation bewertbar gemacht werden. Auf Basis der Simulation kann dann ein Entscheidungsunterstützungssystem entwickelt werden, um für konkrete Anwendungsfälle der Produktionsversorgung das passende Konzept zu finden.

Ziel des Projektes ist die Entwicklung eines Systems, das mittels KI-/ML-Verfahren das Nutzungsverhalten der Bewohner*innen eines Smart Homes erlernt, um anschließend, geeignete Handlungsempfehlungen bereitzustellen oder, bei der Erkennung von Anomalien, geeignete Maßnahmen einzuleiten. Wissenschaftliche Herausforderung des Projekts ist die Anwendung und Evaluation von maschinellen Lernverfahren zum Lernen von Interaktionsmustern basierend auf den gelieferten Daten der Minimalsensorik, sowie der Prädiktion zukünftiger Interaktion und der Anomalieerkennung. 

Für die Entwicklung und Optimierung von Erntemaschinen stellen die Methoden des Machine Learning ein immenses Potenzial dar. Die Betrachtung bzw. Überwachung von Ernteprozessen und deren Optimierung ist mit heutiger Sensorik bereits möglich, eine Implementierung von Algorithmen liegt jedoch noch nicht in jedem Anwendungsbereich vor. Hier besteht die Möglichkeit aus vorhandenen Sensordaten aus dem Erntebetrieb relevante Kenngrößen zu bestimmen und für die weitere Verarbeitung zu nutzen.

Smart2i befasst sich mit der Produktionsdatenerfassung und deren Aufbereitung in kundenspezifischen Dashboards, um stets einen Überblick über die Produktion zu haben und auf Produktionsprobleme zeitnah reagieren zu können.
Das Projekt im Forschungsmaster soll untersuchen, wie moderne DataScience Verfahren (bspw. Zeitreihenanalyse, Anomalieerkennung, multidimensionale Musteranalyse) den Nutzen des Dashboards steigern können.

Die Personalisierung von Produkten durch datengetriebene Ansätze verspricht begeisternde Kun-denerfahrungen. Dabei ist die effiziente Anpassung und Orchestrierung von kundenspezifischen Klas-sifikatoren für die Bereitstellung personalisierter Erkennungsdienste herausfordernd. Ziel dieses Pro-jekts ist es, selbstüberwachte Lernverfahren anzuwenden, um domänenspezifische Repräsentationen zu erhalten, die in einem zweiten Schritt für die Umsetzung von kundenspezifischen Klassifikatoren mit einer geeigneten Betriebsstrategie dienen.

Zur Planung von komplexen Produktions- und Logistiksystemen werden immer häufiger Simulationsmodelle eingesetzt, um die Auswirkungen von Entscheidungen (z.B. Ressourcenpläne, Produktionsprogramme, Engpassmaßnahmen) detailliert evaluieren zu können. In dem hier beschriebenen Projekt soll mittels Reinforcement Learning die Erstellung der Entscheidungsszenarien, durch eine Künstliche Intelligenz automatisiert werden. Das Verfahren des maschinellen Lernens kann hierbei die Simulation als Trainingsumgebung verwenden.

In diesem Projekt wird ein autonomer Agent entwickelt, der als Kernkomponente ein Large Language Model (LLM) hat und in einer Buchhaltungsumgebung interagieren kann. Das Forschungsprojekt ist in dem Unternehmen Diamant Software GmbH durchzuführen.

Das Thema „Erfassung, Dokumentation und Optimierung der Produktqualität“ erfährt in der Bäckereibranche zunehmende Bedeutung. Ziel ist es, die Qualität der Ausbringung zu erhöhen und den Ausschuss zu minimieren. In diesem Projekt soll eine Qualitätsbeurteilung der Teiglinge mittels KI-Objekterkennung installiert werden. Dann sollen alle Informationen aus Sensorik und Prozessparametern zu virtuellen Teigling-Objekten aggregiert werden. Diese Datenobjekte werden anschließend genutzt, um eine übergeordnete KI zur Erkennung von Ursache-Wirkungs-Zusammenhängen zu trainieren, die zur Optimierung der Produktions-Qualität dient.

Die stetige Individualisierung der Produkte stellt nicht nur die deutsche Automobilproduktion vor Herausforderungen, die ein vollständiges Umdenken in der Produktionsorganisation erzwingen. Weg von getakteten Fließfertigung hin zur dezentralen Matrixproduktionssystemen. Schwärme von autonomen Roboter koordinieren hier die Wertschöpfungsprozesse und passen sich flexible an die aktuelle Situation an. Während die Grundidee des Konzeptes klar umrissen ist, ergeben sich im Detail noch sehr viele offene Forschungsfragen, die insbesondere das Verhalten der einzelnen Roboter betrifft. Hier setzt das Projekt an und erforscht unterschiedliche Strategien der KI in einem virtuellen Testbed.