Projekte

Schadensauswertung mit Machine Learning

Die Schäden an den schutzbeschichteten Proben für den Unterboden von Automobilen werden größtenteils durch den ML-basierten Objektdetektor erkannt. Diese analysierten Informationen können erweitert werden, um verschiedene Defekttypen zu klassifizieren, die geometrischen Größen der Defekte zu messen und die Lage der Fehler zu erkennen.

mehr Info

Schadensauswertung mit Machine Learning

mehr Info

Projekte

Ein zentraler Schwerpunkt des KI-Fortschrittzentrums ist die direkte Kooperation mit Industrieunternehmen: Machbarkeitsstudien (Quick Checks) und Projekte zur Entwicklung erster Prototypen (Exploring Projects) von KI-Anwendungen. Darüber hinaus zielen Konsortialprojekte und Innovationsnetzwerke auf einen unternehmensübergreifenden Austausch ab.

Automated Dispatch Planning

In der Versandlogistik der Bosch Produktionswerke und Logistikzentren sind Flächen begrenzt und müssen daher möglichst effizient genutzt werden. Es sollten Möglichkeiten geschaffen werden, Planungszeitfenster kontinuierlich zu aktualisieren. Dies kann zu jeder Zeit eine möglichst effiziente und auf die Auftragslage abgestimmte Nutzung verfügbarer Ressourcen wie Flächen oder Personal ermöglichen. Zeitplanungsalgorithmen, wie z.B. aus dem Bereich der genetischen Algorithmen oder aus dem Constraint Programming, stellen vielversprechende Möglichkeiten einer Umsetzung dar.
mehr Info
Digital Twin

© Fraunhofer IAO

Das Hauptziel des AI Explorer Projekts mit LGI war es gemeinsam einen Kriterienkatalog zu erstellen, der die Auswahl von Standorten zur Einführung als digitalen Zwilling effektiv ermöglicht.
mehr Info
Evaluierung von Robotern für die Kleinteile-Kommissionierung

© Manuel Mönning, Fraunhofer IPA

Der Quick Check hat untersucht, inwieweit eine automatisierte, modellfreie Kleinteile-Kommissionierung mit Robotern möglich ist. Dazu gehören die digitale Erfassung aller möglichen Artikel sowie eine geeignete Bildverarbeitung, verbunden mit passendem Greifer.
mehr Info
Intelligenter Boden

© Bosch Rexroth

In einem Feinlogistikszenario in der Montage sollen die Prozesse und Routenplanungen durch ein echtzeitfähiges KI-Vorschlagsystem optimiert werden, welches einen intelligenten Boden für die Nutzerführung verwendet.
mehr Info
KI-Assistenzsysteme

© Ludmilla Parsyak, Fraunhofer IAO

KI-basierte Assistenzsysteme können in Produktionsprozessen Mitarbeitende in vielerlei Hinsicht unterstützen und die Produktivität erhöhen. Viele derartige Systeme werden heute jedoch durch die Mitarbeitenden abgelehnt, da sie als Autonomieverlust bis hin zur Gängelei wahrgenommen werden. Es fehlt an Ansätzen, mit denen die intelligente Unterstützung tatsächlich als Bereicherung und als Verstärkung menschlicher Fähigkeiten erlebt wird. Hier setzt dieses AI Innovation Seed an und beschäftigt sich mit der zentralen Frage der Akzeptanz von KI-Assistenzsystemen
mehr Info
KI-gestütze dynamische Disposition

Das richtige Buch zur richtigen Zeit am richtigen Ort

© Fotolia

Als Logistikdienstleister, vor allem im Bereich des Buchhandels, ist die präzise Vorhersage der Nachfrage der im Bestand vorhandenen Artikel essentiell für eine optimale Lieferfähigkeit, optimalen Service und Kapitalbindung. Im Rahmen eines Quick Checks und Exploring Projects entwickeln wir für das Unternehmen KNV-Zeitfracht GmbH daten-getriebene ML-Prognosemodelle zur robusten Schätzung des augenblicklichen Bedarfs.
mehr Info
Logistics Control Tower

Durch den Aufbau eines Logistics Control Towers soll die Auftragssteuerung in der logistischen Abwicklung der Artikel verschiedener Kunden durch Vorhersagen zukünftig nicht mehr reaktiv, sondern proaktiv gemanagt werden, um das Gesamtsystem gleichmäßiger auszulasten.
mehr Info
ML mit Embedded Devices

Im Quick Check „KI mit Embedded Devices” werden KI-Beschleuniger (Hailo-8, Coral Edge TPU) zusammen mit einem Raspberry Pi evaluiert und verglichen. Solche effizienten KI-Chips bieten enormes Potenzial, um moderne KI-Systeme auf SPS zu bringen.
mehr Info
MRK-Applikation zur Bestückung von Maschinen

© Fraunhofer IPA

Im Rahmen des Quick Checks ist ein Konzept zur Bestückung von Maschinen für das Stanzen von Schraubenköpfe als kollaborative Applikation erarbeitet worden. Die Applikation ist als mobile Roboter-Plattform und mittels Bin-Picking-Lösung konzeptioniert.
mehr Info
Semantic Navigation

mehr Info