Ergebnisse

Exklusive Einblicke in fünf wegweisende Forschungs- und Entwicklungsprojekte, die das »International Center for Networked Adaptive Production (ICNAP)« gemeinsam mit Industriepartnern im Jahr 2024 durchgeführt hat, präsentiert der »ICNAP Report 2024«. Er vereint aktuelle Zahlen, Fakten und Erkenntnisse aus interaktiven Workshops, praxisorientierter Forschung und Entwicklungskooperationen. Für Unternehmen, die die Zukunft von Industrie 4.0 aktiv mitgestalten wollen, bietet er damit eine unverzichtbare Erkenntnisgrundlage.

Der Studienbericht »ICNAP Study Report 2023« zeigt die Ergebnisse von fünf kollaborativen Forschungs- und Entwicklungs-Studien, die das International Center for Networked Adaptive Production (ICNAP) im Jahr 2023 gemeinsam mit seinen Industriepartnern durchgeführt hat. Die Ergebnisse der Zusammenarbeit zwischen Forschenden und Partnerunternehmen der ICNAP-Community spiegeln die Erkenntnisse zu den folgenden Themen wider: Industrialisierung der künstlichen Intelligenz, innovative Lösungen für Energie, die Umsetzung von Plug-and-Produce, ein Digitaler Zwilling-Demonstrator sowie ein Energiemonitoring-Framework.

Das Projekt umfasste die Sammlung einer Reihe von Anwendungsfällen aus wissenschaftlichen Veröffentlichungen und laufenden wissenschaftlichen und industriellen Projekten, wobei eine zweidimensionale Clusterung auf der Grundlage von Rechenzielen und Forschungsbereichen vorgenommen wurde.

Dieses Projekt untersuchte einen nicht-invasiven Ansatz zur Erkennung von Einzelteilen in der industriellen Produktion mit Hilfe von kamerabasierten Werkzeugen und ortsabhängigen Hash-Algorithmen (LSH).

In diesem Projekt wurde ein Computer-Vision-basiertes System zur Qualitätskontrolle von Pflanzen entwickelt, das eine kontinuierliche und zerstörungsfreie Qualitätsbewertung vor der Ernte für eine effiziente und nachhaltige Indoor-Produktion von pflanzlichen Lebensmitteln ermöglicht.

Ziel des Evolve-Projekts war die Entwicklung einer Softwareanwendung, die Bayes'sche Optimierung für die kundenspezifische Prozessoptimierung in zwei verschiedenen Fällen einsetzt: Ultrakurzpuls-Laserstrukturierung von metallischen Oberflächen und Kultivierung von Pflanzensuspensionszellen in einem Batch-Fermentationsbioreaktor.

In diesem Projekt wurden Ansätze zur Bilddatensynthese für maschinelle Lernsysteme in der Fertigung erforscht und evaluiert. Zwei Anwendungsfälle wurden bearbeitet: Werkzeugklassifizierung und Klassifizierung von Oberflächenstrukturen nach dem Laserpolieren.

Diese Studie zeigt Möglichkeiten für den Einsatz von KI bei der Optimierung von Prozessdesigns auf.

Für viele Prozesse benötigen Unternehmen einen sicheren Transfer über Unternehmensgrenzen hinweg. In diesem Projekt haben wir ein zugelassenes Blockchain-Netzwerk aufgebaut, das eine sichere Übertragung zwischen zwei verschiedenen Unternehmen ermöglicht.

In diesem Projekt wurden aktive und halb-überwachte Lernprinzipien verwendet, um ein effizientes und interaktives Training von Deep-Learning-Systemen zu testen.

Wie kann der Energieverbrauch überwacht und für die Energiemodellierung abgebildet werden?

Den Digital Twin greifbar machen: Wie kann eine praktische Umsetzung in die Produktion übertragen werden?

Wie werden Maschinen schnell in den Shopfloor integrieren?

Wie kann das drahtlose IIoT selbstversorgend werden?

Wie können Unternehmen und Firmen von industrialisierter KI profitieren?

In diesem Projekt wurde ein Tool entwickelt, um die Qualität von Produktionsdaten zu quantifizieren und zu bewerten. Das Bewertungssystem konzentriert sich auf Zeitreihen- und Querschnittsdaten und nutzt 41 Kriterien in vier Kategorien.

Ziel dieses Projekts war die Entwicklung einer einfachen Methodik zur Identifizierung geeigneter Energy Harvesting Quellen für industrielle Prozesse. Dadurch können Anwendungsfälle für Energy Harvesting vor ihrer Umsetzung bewertet werden.

In diesem Projekt wurde ein Instrument zur Klassifizierung von Produktionsprozessen hinsichtlich ihrer Nachhaltigkeit entwickelt. Dabei wurde eine Ökobilanzanalyse (LCA) an einem standardisierten Produkt durchgeführt.

Durch ultrakurzgepulste Laserstrukturierung können Nanostrukturen erzeugt werden, um optische, haptische und funktionale Oberflächeneigenschaften zu modifizieren. Die Nachteile dieses Vorgangs, wie lange Prozessdauer und hoher Energieverbrauch, können durch maschinelles Lernen adressiert werden indem Prozessdaten aus verschiedenen Quellen integriert werden, um prädiktive Qualitätsmodelle für die Laserstrukturierung zu trainieren.

Ziel dieser Studie ist es, den Einsatz von Energy Harvesting für die Energieversorgung von drahtlosen (5G-)Sensorplattformen in der Industrie zu untersuchen.

Proteine sind biologische Makromoleküle und ein zentraler Baustein des Lebens auf unserem Planeten. Für den Einsatz in Therapeutika, Diagnostika oder in der Lebensmittelindustrie werden Proteine in lebenden Zellen synthetisiert, aufgrund zahlreicher und teilweise unbekannter Einflussfaktoren und Wechselwirkungen sind diese biologischen Prozesse aber hochkomplex und schwer vorherzusagen. Durch den Einsatz von Algorithmen des maschinellen Lernens könnte dieser Prozess erleichtert werden.

Dieses Projekt behandelte drei Themen: einen flexiblen KI-Algorithmus für die Bildanalyse, einen neuen Anwendungsfall für die KI-gestützte Bilderkennung im Kontext des Laserstrahlschweißens und die Schätzung der schwer zu bestimmenden Schlüssellochtiefe beim Laserstrahlschweißen.

Ein Konzept für eine Plattform zur digitalen Verfolgung von Prozessdaten auf Basis von Asset Administration Shells wurde für den Anwendungsfall des Laserstrahlschweißens entwickelt und erprobt.

Time Sensitive Networking (TSN) ist eine Reihe von herstellerunabhängigen Standards für Datenübertragung. In diesem Projekt wurden die Vorteile dieser Standards anhand einer Fallstudie aufgezeigt.

In diesem Projekt wurde der »IoT Assistant« entwickelt, eine Initiative, die automatisierte Dienste wie die Verbindung von Geräten, oder die Speicherung und die Analyse von Daten regeln kann.

In diesem Projekt wurde eine virtualisierte Überwachungsanwendung, die auf der Fraunhofer Edge Cloud (FEC) läuft, in die Maschinenumgebung des Fraunhofer IPT integriert.

Für den Einsatz in Therapeutika, Diagnostika oder in der Lebensmittelindustrie müssen Proteine aus komplexen Matrizes gereinigt werden, die aus Tausenden von Molekülen, einschließlich anderer Proteine, bestehen. Dafür müssen die Proteine modelliert werden. Ein Ansatz für die Modellierung ist die Verwendung von skalaren Deskriptoren, die in diesem Projekt analysiert wurde.

Wie können Unternehmen Cybersicherheitsmaßnahmen für die Produktion auswählen und umsetzen?

Wie ermöglichen digitale Infrastrukturen eine nachhaltige und gewinnbringende Produktion?

Was sind die Nutzen und Möglichkeiten von industriellen Datenräumen für produzierende Unternehmen?