Zum Hauptinhalt springen

Anwendungsfelder

KI zur Prognose und Steuerung von Produktionsanlagen

Eine besondere Herausforderung sind hochdimensionale Daten sehr verschiedener Typen, die analoge oder digitale Sensorwerte aber auch Zeiten, Bautypen, Verfügbarkeit oder Maschinenzustände beschreiben und sich auf unterschiedliche Objekte, wie einzelne Maschinen, ganze Anlagen oder die herzustellenden Produkte, beziehen. Ein industrielles KI-System muss diese unterschiedlichen Daten, eingebettet in einen zeitlichen Ablauf, in einem Simulationssystem verarbeiten und dabei eine Vielzahl von Nebenbedingungen berücksichtigen. Das Neutraining und die Anpassung der KI an den aktuellen Zustand erfolgt hierarchisch auf mehreren Zeitskalen entlang des Anlagenlebenszyklus.

Hochdimensionale Daten (analoge oder digitale Sensorwerte, Zeiten, Bautypen, Verfügbarkeit oder Maschinenzustände), die sich auf unterschiedliche Objekte (einzelne Maschinen, ganze Anlagen oder herzustellende Produkte) beziehen, werden in einem KI-basierten Simulationssystem verarbeitet. Dabei werden unzählige Nebenbedingungen berücksichtigt.

Dr.-Ing. Andreas Herzog
Wissenschaftlicher Mitarbeiter
Abteilung Biosystems Engineering
Fraunhofer IFF Magdeburg
Mehr erfahren

KI für Life Science Daten

Insbesondere im Life Science Kontext sind die Datenformate typischerweise nicht durchgängig klassisch vektoriell (Sequenzdaten, Spektren, Graphbeschreibungen...) und verlangen spezielle Vorverarbeitungen oder Modelle um im KI Kontext effektiv eingesetzt zu werden.  Zudem sind auch oft sehr große Datenmengen mit Metainformationen zu verknüpfen. Ein KI System benötigt somit entsprechenden Stukturen und Modelle, um mit derartigen Nicht-Standard-Daten effektiv zu arbeiten.

Prof. Dr. Frank-Michael Schleif
Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt
Fakultät Informatik und Wirtschaftsinformatik
Mehr erfahren

KI in der Landwirtschaft und Lebensmittelproduktion

Die besondere Herausforderung beim Einsatz KI-basierter Methoden in der Landwirtschaft besteht in der Heterogenität der Daten im Hinblick auf Kulturen (inhaltliche), Standorte (räumlich), Vegetationsperioden (zeitlich), usw. Hierfür müssen, neben der reinen Verknüpfung der Daten, spezielle Algorithmen beispielsweise des maschinellen Lernens oder von Expertensystemen entwickelt und über die o.g. Diversität validiert werden. Darüber hinaus besteht die Notwendigkeit, die Ergebnisse der Datenverarbeitung intelligent in den Kontext der Anwendung zu integrieren. Dies geht häufig über reine Visualisierung oder Maschinensteuerung hinaus. Ähnliches gilt für die Produktion von Lebensmitteln entlang der gesamten Wertschöpfungskette bis zum Endverbraucher im Hinblick auf die Diversität u.a. der Rohstoffe, Produktionsprozesse und Produkte.

Dr.-Ing. Andreas Backhaus
Wissenschaftlicher Mitarbeiter
Abteilung Biosystems Engineering
Fraunhofer IFF Magdeburg
Mehr erfahren
Dr. Uwe Knauer
Wissenschatlicher Mitarbeiter
Abteilung Biosystems Engineering
Fraunhofer IFF Magdeburg
Mehr erfahren

Selbstoptimierende Energieversorgung

Die kostengünstigste Option zur Versorgung industrieller Standorte mit Energie wird zunehmend schwerer zu finden. Immer größer und dynamischer wird die Auswahl - maßgeblich getrieben von schwankenden Marktpreisen, technischen Abhängigkeiten und dem volatilen Angebot regenerativer Energiequellen. Eine selbstoptimierende Energieversorgung ist in der Lage, diese komplexen Entscheidungsprozesse in Form von Handlungsempfehlungen zu unterstützen (Assistenzsysteme). Sowohl während des Betriebes (Energiebeschaffung, Last-/Erzeugungsprognose) als auch bereits in den Planungsprozessen lassen sich durch KI-basierte Verfahren optimale Strategien individuell und bedarfsgerecht ableiten.

Dr.-Ing. Marc Richter
Wissenschaftlicher Mitarbeiter
Abteilung Konvergente Infrastrukturen
Fraunhofer IFF Magdeburg
Mehr erfahren

Intelligente Energieverbrauchs- analyse und –prognose in der Industrie

Energie als Kosten- und Wettbewerbsfaktor gewinnt perspektivisch für die in Deutschland produzierenden Unternehmen immer mehr an Bedeutung. Die zunehmende Nutzung schwankender regenerativer Energien im Unternehmen führt zur Notwendigkeit einer stärkeren Beteiligung der Verbraucherseite und erfordert eine dynamische energieoptimierte Produktionsplanung. Durch Anwendung von hierarchischen KI-Modellen wird der Energieverbrauch einzelner Objekte unter Einbeziehung von Einflussgrößen, die den Gesamtenergieverbrauch maßgeblich beeinflussen, ermittelt und bereichsbezogen aggregiert. Dieses kann für die Bewertung von Produktionsszenarien und Energieeinsparpotenzialen sowie zur Berechnung von Energieverbrauchsprognosen genutzt werden.

Dr.-Ing. Sergii Kolomiichuk
Wissenschaftlicher Mitarbeiter
Geschäftsfeld Logistik- und Fabriksysteme
Fraunhofer IFF Magdeburg
Mehr erfahren

Predictive Maintenance

Das Erkennen potenzieller Störungen trägt entscheidend zur Steigerung der Verfügbarkeit von Produktionsanlagen bei. Vorhersagemodelle für die Aufzehrung von Abnutzungsvorräten und Störungsdetektion müssen komplexe Ursache-Wirkungs-Zusammenhänge zwischen Auslegungs-, Produktions-, Instandhaltungs- und Umweltdaten berücksichtigen. Künstliche Neuronale Netze eröffnen hierbei neue Möglichkeiten zur Bewertung von Beanspruchungen und zur Prognose des Betriebs- und Ausfallverhaltens. Die Kombination mit Erfahrungswissen, welches in einer Fuzzy-Logik abgebildet wird, trägt zu einer weiteren Verbesserung der Vorhersage bei und schafft Transparenz in einem komplexen Regelwerk.

Mehrwert durch KI:

Planbare, bedarfsgerechte Instandhaltungsmaßnahmen, geringere Stillstandzeiten.

Dr.-Ing. Frank Ryll
Stellv. Geschäftsfeldleiter
Geschäftsfeld Logistik- und Fabriksysteme
Fraunhofer IFF Magdeburg
Mehr erfahren

KI in der IT

Die steigenden Anforderungen an IT-Systeme und –Dienstleistungen, zusammen mit dem sich verstärkenden Fachkräftemangel in der Branche, erhöhen den Bedarf an KI-basierter Automatisierung von Prozessen. Dabei kann KI einerseits im operativen Kontext eingesetzt werden, z.B. beim optimierten Lastmanagement zur Reduktion des Energieverbrauches. Andererseits kann KI auch taktisch eingesetzt werden, um Entwicklungsprozesse zu unterstützen, z.B. bei der Analyse von Kundenfeedback oder Tickets. Herausforderungen liegen hier in dem Design von effektiven KI-Lösungen für den jeweiligen Anwendungsfall wie auch in der Integration der KI-Lösungen in die bestehende IT-Systemlandschaft.

Prof. Dr. Klaus Turowski
Magdeburg Research and Competence Cluster Very Large Business Applications
Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Mehr erfahren

KI für Monitoring- und Prozessdatenanalyse in der Photovoltaik (PV)

Um den PV-Fertigungsstandort Deutschland wettbewerbsfähig zu halten, wird das Einsetzen von intelligenter Prozessdatenanalyse zusehends unabdingbar. In der Wafer-Fertigung führen neue Sägetechnologien zu einer Steigerung der Produktivität, jedoch auch zu einer Änderung der Wafer-Qualität welche deutliche Auswirkungen auf die Folgeprozesse zeigen. Zur weiteren Erhöhung der Produktivität, Zellqualität und der Solarmodulzuverlässigkeit wird der gesamte Produktionsprozess mit Hilfe von KI-Modellen optimiert. Dies umfasst die frühzeitige Detektion und Selbstoptimierung von Schwachpunkten im Prozessablauf, das Erkennen von Wirkzusammenhängen über die Prozessgrenzen hinaus und die Sicherstellung einer maximalen Maschinenperformance bei Gewährleistung einer unveränderten Wafer-Qualität. Im finalen Einsatz liefern Monitoringsysteme von PV-Anlagen eine Unmenge an Betriebsdaten, welche mittels KI analysiert werden, wie z. B. das Ermitteln von Ertragsverlusten oder das Abschätzen von zukünftigem Ertragsverhalten. Dies hilft Entscheidungsprozesse zu unterstützen und Betriebsabläufe zu verbessern. Die Anwendung der Prozessdatenanalyse und der Monitordatenanalyse können auf andere Industriezweige übertragen werden.

Dipl.-Ing. Ringo Köpge
Wissenschaftlicher Mitarbeiter
Materialien und Prozesse
Fraunhofer-Center für Silizium-Photovoltaik CSP
Mehr erfahren
M.Sc. David Daßler
Wissenschaftlicher Mitarbeiter
Modul- und Systemzuverlässigkeit
Fraunhofer-Center für Silizium-Photovoltaik CSP
Mehr erfahren

Die Digitale Infrastruktur als Grundlage für KI

Der Erfolg eines KI-Projektes wird maßgeblich durch die Qualität und den Umfang der zugrunde liegenden Daten bestimmt. Ein hinreichender Datenumfang wird häufig auf Basis digitaler Prozesse erzielt. Hierfür müssen bestehende, analoge Prozesse zuerst digitalisiert, bestenfalls automatisiert werden. Je nach Anwendung werden dabei hohe Anforderungen an die Skalierbarkeit der Dateninfrastruktur gestellt. Moderne, Cloud-basierte Softwarelösungen liefern hierfür die Grundlage, ohne Kompromisse bei der Datensicherheit einzufordern. Darüber hinaus ist die fehlerfreie Verarbeitung der erhobenen Daten für die Entwicklung individueller Unternehmenslösungen unerlässlich. Diese muss durch umfangreiches technisches Know-how, insbesondere im Bereich des automatisierten Softwaretestings und der kontinuierlichen Datenvalidierung, sichergestellt werden.

Philipp Bischoff
Technischer Leiter
CodeGewerk GbR

Lassen Sie uns gemeinsam Ihr KI-Projekt starten!

Vereinbaren Sie jetzt einen Termin

Kontakt