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.

Optische Qualitätskontrolle von Oberflächen

Die Defekte der thermischen Verformung von Flugzeug-Esstischen werden durch den SFS-Algorithmus erkannt. Die Ergebnisse können mit KI-Algorithmen weiterverarbeitet und Materialfehler mit geeigneter Beleuchtung visualisiert werden.

Packplanung Versandkarton

Automatische modellfreie Vorgabe von Packmustern für Versandkartons.
Automatisierung des Verpackungsprozesses für diverse Objekten.

Peg-Men: Flexible Bestückung unter Störgrößen

Flexible Bestückung sensibler Ventilnadeln wird durch Deep Reinforcement Learning und Physiksimulation optimiert. Ziel ist die Automatisierung repetitiver Prozesse, um Effizienz und Präzision zu steigern.

Perzeption zur automatisierten Handhabung formlabiler Bauteile (AutoLab)

Automatisierte Handhabung formlabiler Bauteile optimiert Montageprozesse durch KI-gestützte Perzeption, Handhabung und Inspektion, um Effizienz und Qualität in der Produktion zu steigern.

Planning Bot

Ziel ist die Identifikation von KI-Anwendungen zur Verbesserung der Produktionsprogrammplanung. Mitarbeitende erhalten Schulungen, um Anwendungsfälle zu entwickeln und die Implementierung zu unterstützen.

Predictive Services

Mithilfe maschinellen Lernens sollen Fehler im Schneideprozess frühzeitig erkannt werden. Daten aus Logfiles und Serviceberichten ermöglichen eine zuverlässige Vorhersage und Minimierung von Maschinenausfällen.

RoboJudge: Erfolgreiche Prozessausführung mit KI

Die Kombination von KI-Methoden und Simulationstechniken ermöglicht die präzise Überwachung und Verbesserung von Montageprozessen, um die Automatisierung in der Schaltschrankmontage voranzutreiben.

Schadensauswertung mit Machine Learning

Die Anforderungen der Endabnahme an die Mitarbeiter wurde mithilfe von UNAs überprüft. KI-Potentiale wurden identifiziert und vorgeschlagen.

Schadensauswertung von Steinschlägen mit Machine Learning

Das semi-automatisierte Labeling-Tool kann Objekte in Bildern identifizieren und Begrenzungsrahmen um die fehlerhaften Bereiche mithilfe von Segment Anything ziehen. Obwohl der Datensatz begrenzt ist, hat das Objekterkennungsmodell vielversprechende Ergebnisse gezeigt und wird voraussichtlich mit einem größeren Datensatz weiter verbessert.

Semantic Navigation

Die Lösung für semantische Navigation verbessert die Umgebungswahrnehmung autonomer Roboter durch KI-gestützte Objekterkennung. Dadurch können Roboter effizienter navigieren und situativ reagieren.