Die Lebensmittelindustrie unterliegt hohen Anforderungen und strengen Standards, um dem:der Endverbraucher:in eine gleichmäßig gute Qualität und Lebensmittelsicherheit zu bieten. Die lückenlose Überwachung von Grenzwerten während des Transportes und der Lagerung von Lebensmitteln erweist sich jedoch als anspruchsvoll. Gerade bei leicht verderblichen Lebensmitteln ist es von großer Bedeutung, die definierten Kennwerte, wie z.B. die Innentemperatur oder den Fülldruck des, für den Transport und die Lagerung verwendeten, Edelstahl Intermediate Bulk Containers (IBC), konstant zu tracken, um frühzeitig Abweichungen zu detektieren und Gegenmaßnahmen zu ergreifen.
Um diesen Herausforderungen zu begegnen, haben im Forschungsprojekt „smart.CONSERVE – Smart Container Services for Food Industries“ das Werkzeugmaschinenlabor WZL der RWTH Aachen als Konsortialführer, der Lehrstuhl für International Production Engineering and Management (IPEM) der Universität Siegen sowie die Industriepartner Zentis GmbH & Co. KG und Packwise GmbH gemeinsam die Integration von Informations- und Kommunikationstechnologien in Edelstahl-IBCs erforscht. Im Rahmen des Projekts konnte ein intelligenter Lebensmittelbehälter entwickelt werden, welcher mittel Sensorik alle relevanten Zustandsdaten des Behälters erfassen und aufzeichnen kann.
In den nachfolgenden Erklärvideos finden Sie die Projektergebnisse:
In diesem Video wird das Projekt auf Englisch vorgestellt
In diesem Video wird das Projekt auf Deutsch vorgestellt
Das Projekt wurde gefördert durch das Bundesministerium für Ernährung und Landwirtschaft; Projektträger Bundesanstalt für Landwirtschaft und Ernährung. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Gruppenleiter Philipp Nettesheim die Projektleitung übernommen.
Projektbeginn: 01.10.2020
Projektende: 30.09.2023
Das Forschungsprojekt 5GROW hat während der Projektlaufzeit den neuen Telekommunikationsstandard 5G für KI-basierte Echtzeitregelungen in industriellen Anwendungen erfolgreich eingesetzt. Als Beispiel diente ein automatisierter Schweißprozess. Zur Festlegung der optimalen Schweißparameter wurden in diesem Vorhaben Künstlicher Intelligenz (KI) und Computer Vision genutzt, wenn die zu verschweißenden Schweißspalte aufgrund von Maßabweichungen der Fügeteile schwankten. Dabei kam Computer Vision zur Vermessung der Schweißspaltbreite zum Einsatz. Die durch Computer Vision ermittelten Daten zur Schweißspaltbreite bildeten die Grundlage für die Ableitung der optimalen Schweißgeschwindigkeit durch künstliche Intelligenz. Des Weiteren wurde 5G vordergründig für die Echtzeitkommunikation zwischen dem Schweißroboter und dem KI-Server verwendet, was eine Echtzeitanpassung der Schweißparameter sicherstellt.
Die wesentliche Innovation besteht in der Kombination der Zukunftstechnologien 5G und KI, um eine kabellose Echtzeitregelung von automatisierten, robotergeführten Prozessen zu ermöglichen. 5G wurde damit zum Befähiger, die Effizienz automatisierter Prozesse sowie die Qualität der Produkte zu verbessern.
Das Projekt wurde vom Ministerium für Wirtschaft, Innovation, Digitalisierung und Energie des Landes Nordrhein-Westfalen gefördert. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Wissenschaftlicher Mitarbeiter Gerald Kolter die Projektleitung übernommen.
Weitere Informationen finden Sie auf der Projekt-Homepage 5GROW
Projektbeginn: 01.01.2021
Projektende: 30.06.2023
Das Forschungsvorhaben ODiWiP hat erfolgreich einen funktionsfähigen Demonstrator eines KI-basierten Assistenzsystems für die Bedienung einer Papiermaschine entwickelt und implementiert. Dieses Assistenzsystem bietet eine effiziente Möglichkeit, den Produktionsprozess zu überwachen, Qualitätsprobleme frühzeitig zu erkennen und zu beheben sowie die Entscheidungshoheit der Maschinenbedienenden zu wahren. Die Selbstoptimierungsfunktion und die Möglichkeit zur Erweiterung des Fachwissens stellen sicher, dass das System kontinuierlich verbessert wird und den sich wandelnden Anforderungen gerecht wird.
Dieses Projekt zeigt das Potenzial von KI in der Industrie und hebt die Bedeutung von intelligenten Assistenzsystemen für die Steigerung der Effizienz und Qualität in komplexen Produktionsprozessen hervor. Die erfolgreiche Implementierung des Demonstrators eröffnet die Möglichkeit zur weiteren Entwicklung und Anpassung des Assistenzsystems. Es bleibt zu erwarten, dass diese Technologie in der Papierherstellungsindustrie und darüber hinaus eine immer wichtigere Rolle spielen wird, um die Produktionsprozesse zu optimieren und die Qualität der Endprodukte zu sichern.
Aufgrund der hohen Relevanz und der erkannten Notwendigkeit weiterer Entwicklungen, wurde ein Folgeprojekt, “KIBAPap – KI-basiertes Bedienerassistenzsystem im Wertstoffkreislauf Papier” initiiert. Es wird seit dem 01.07.2023 in der vom BMWK ausgeschriebenen Fördermaßnahme Industrielle Bioökonomie gefördert. Das Ziel dieses neuen Projekts, “KIBAPap”, ist es, den Prototypen von TRL 6 hin zu einer skalierbaren Lösung (TRL 8) weiterzuentwickeln. Dieser Fortschritt soll sicherstellen, dass der Prototyp die nötigen Reife- und Praxistests durchläuft, um eine erfolgreiche und nachhaltige kommerzielle Verwertbarkeit zu gewährleisten.
Das Projekt ODiWiP wurde vom Bundesministerium für Bildung und Forschung (BMBF) in der Maßnahme „Digtal GreenTech – Umwelttechnik trifft Digitalisierung“ des Aktionsplans „Natürlich.Digital.Nachhaltig“ gefördert. Der Aktionsplan steht im Kontext der Strategie „Forschung für Nachhaltigkeit (FONA)“ des BMBF. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Gruppenleiter Alexander Becher die Projektleitung übernommen.
Projektbeginn: 01.04.2021
Projektende: 31.03.2023
Im Projekt ManuBrain wurde eine universelle, skalierbare und offene Plattform für Anwendungen der Künstlichen Intelligenz im industriellen Mittelstand entwickelt. ManuBrain war Teil des Leitmarktwettbewerbs IKT.NRW, in dem elf Innovationsprojekte mit rund 16 Millionen Euro unterstützt wurden.
Nur wenige mittelständische Unternehmen nutzen bislang KI-Verfahren zur Analyse von Sensordaten in Produktionsanlagen. Daher wurde in dem Forschungsprojekt eine KI-Plattform entwickelt, die hilft, das Potential der Datenanalyse für konkrete industrielle Anwendungen zu erschließen.
Die ManuBrain-Plattform bietet eine umfassende Lösung für die Datenanbindung an Maschinen, den Datentransport, die Datenspeicherung und eine Ausführungsumgebung für KI-Methoden. Das Design und die Entwicklung der Plattform basiert auf zuvor formulierten und erfolgreich validierten Anwendungsfällen. Ziel dieses wegweisenden Projekts war es, kleinen und mittleren Fertigungsunternehmen (KMUs) eine Plug-and-Play-Lösung anzubieten, die den explorativen Einsatz von Künstlicher Intelligenz (KI) zur Optimierung ihrer Produktionsprozesse ermöglicht.
Nach erfolgreicher Implementierung wurde die Plattform in mehreren industriellen Anwendungsfällen getestet und validiert. Die entwickelte Lösung hat sich für eine Reihe von Anwendungen als geeignet erwiesen, darunter die Erkennung von Anomalien in Maschinendaten und die Optimierung von Produktionsprozessen.
Das Projekt wurde vom Europäischen Fonds für regionale Entwicklung gefördert. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Oberingenieur Fabian Steinberg die operative Projektleitung übernommen.
Weitere Informationen finden Sie auf der Projekt-Homepage ManuBrain
Projektbeginn: 01.01.2020
Projektende: 31.12.2022
Im Zuge der fortschreitenden digitalen Transformation werden sich die Technologien des Alltags grundlegend verändern: Sie werden proaktiv, autonom und für den Menschen immer undurchschaubarer. Am Beispiel des Produktionsmanagements wird in diesem Forschungsprojekt untersucht, wie eine Zusammenarbeit zwischen Menschen und algorithmischen Agenten gestaltet werden kann und sollte. Mögliche Designs werden im Hinblick auf drei potentiell konkurrierende Ziele untersucht: Performance, Zufriedenheit und Rechenschaftspflicht. Zu diesem Zweck werden die drei Antragsteller:innen gemeinsam an einer explorativen Studie arbeiten. Generell werden Beispiele für verschiedene Arten der Mensch-Algorithmus-Kooperation geschaffen und deren Auswirkungen auf die Effizienz und Effektivität des Ergebnisses, die Arbeitszufriedenheit und das Wohlbefinden der beteiligten Menschen sowie gesellschaftliche und regulatorische Implikationen untersucht. Während das Produktionsmanagement als Beispiel dient, wird sich das Projekt mit umfassenderen Fragen befassen, wie die Mensch-Algorithmus-Kooperation zwischen den Prioritäten der Industrie, der:die Arbeitnehmer:in und der Gesellschaft insgesamt gestaltet werden kann.
Das Projekt wurde von Prof. Dr. Carolin Gerlitz, Prof. Dr. Marc Hassenzahl und Prof. Dr.-Ing. Peter Burggräf geleitet. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unsere Wissenschaftliche Mitarbeiterin Lili Wu die operative Projektleitung übernommen.
Weitere Informationen finden Sie auf der Projekt-Homepage Sensing & Sensibility
Projektbeginn: 01.10.2020
Projektdauer: 2 Jahre (3 Jahre nach erfolgreicher Evaluation im zweiten Jahr)
Ziel des Forschungsvorhabens ist die Optimierung logistischer Prozesse in produzierenden Unternehmen, wobei der Schwerpunkt auf der Bearbeitung und Pflege von Stammdaten liegt. Stammdaten sind langfristig gültige Daten, auf denen die Geschäftsprozesse im Unternehmen maßgeblich aufbauen. Eine hohe Qualität und aktuelle Pflege dieser Stammdaten sind daher von enormer Bedeutung.
Derzeit werden Stammdaten häufig noch mit hohem manuellem Aufwand gepflegt. Eingabefehler, Inkonsistenzen und Dubletten sind einige der Probleme, die dadurch entstehen können.
Um dieses grundlegende Problem der Digitalisierung zu lösen, setzen wir auf die Unterstützung durch Künstliche Intelligenz (KI) und datengetriebene Methoden, insbesondere maschinelles Lernen (ML). Im Rahmen des Forschungsprojektes wollen wir herausfinden, in welcher Form ML im Stammdatenmanagement effektiv eingesetzt werden kann. Dabei sollen feste Regelwerke und Expertensysteme durch KI-Methoden ersetzt werden, um die Stammdatenpflege und -anlage zu automatisieren und gleichzeitig die Datenqualität zu verbessern.
Ziel des Projekts ist es, durch Mustererkennung auf Basis historischer Stammdaten die Pflege neuer Stammdaten zu automatisieren und Inkonsistenzen zu erkennen. Dies ermöglicht eine effizientere Prozessgestaltung, entlastet die verantwortlichen Mitarbeiterinnen und Mitarbeiter und führt zu einer deutlich höheren Datenqualität. Eine qualitativ hochwertige, datengetriebene Entscheidungsfindung wird somit auf einer soliden Datenbasis ermöglicht.
Gefördert durch: Hessen Agentur
Projektbeginn: 01.07.2021
Projektende: 31.08.2022
Das Ziel des Forschungsprojekts ReLIFE ist es, die Ressourceneffizienz durch eine Verlängerung des Lebenszyklus von Investitionsgütern zu steigern. Dazu wurde im Forschungsprojekt der Ansatz des Adaptiven Remanufacturing erfolgreich entwickelt. Dieser beschreibt eine adaptive Instandhaltungsstrategie, die basierend auf Sensorik-Auswertungen unter technischen, ökonomischen sowie ökologischen Gesichtspunkten den optimalen Zeitpunkt und Umfang von Instandhaltungsmaßnahmen bestimmt. Wesentlicher Bestandteil des Adaptiven Remanufacturingist ein Entscheidungsmodell, welches Anwender bei der Entscheidung über den optimalen Zeitpunkt und Umfang der Instandhaltungs- und Remanufacturing-Maßnahmen unterstützt.
Der innovative Charakter des Adaptiven Remanufacturing liegt in der zeitlichen sowie inhaltlichen Adaptivität des Verfahrens. Basierend auf dem sensorisch überwachten Verschleißzustand von Komponenten werden präventive, auf die jeweilige Situation abgestimmte Remanufacturing-Maßnahmen vorgeschlagen. Die dadurch sichergestellte Leistungsfähigkeit der Investitionsgüter bildet die Grundlage für innovative Geschäftsmodelle zur Gewährleistung langfristiger Produktivität.
Das Entscheidungsmodell wurde im Rahmen einer browserbasierten Softwareanwendung erfolgreich umgesetzt und datentechnisch an den Demonstrator angebunden. Der Funktionsumfang umfasst neben der visuellen Zustandsüberwachung die Auswahl und Terminierung geeigneter Maßnahmen. Parallel wurden drei Produkt-Service-System orientierte Geschäftsmodelle für das Konzept des Adaptiven Remanufacturing entwickelt. Die ökonomische Validierung dieser Modelle zeigte ein finanzielles Risiko durch langfristige Zahlungen, weshalb im Rahmen des Projektes der Fokus auf das klassische produktorientierte Modell gelegt wurde. Mit den erzielten Projektergebnissen besteht zukünftig die Möglichkeit die breit entwickelte Methodik auf andere Produkte, Branchen und Industrien zu übertragen zur umfassenden Markterschließung. Durch die erhöhte Ressourceneffizienz wird wiederum nachhaltig die Wettbewerbsfähigkeit der Unternehmen sichergestellt.
Das Projekt wurde vom Bundesministerium für Bildung und Forschung gefördert. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Wissenschaftlicher Mitarbeiter Marius Wigger die Projektleitung übernommen.
Weitere Informationen finden Sie auf der Projekt-Homepage ReLife
Projektbeginn: 01.07.2019
Projektende: 30.06.2022
Traditionell findet eine Bestimmung des optimalen Automatisierungsgrades anhand von monetären Vergleichsrechnungen statt. Eine rein monetäre Bewertung ist jedoch ausreichend: Einflussgrößen wie Produktgestaltung, Zuverlässigkeit, Verfügbarkeit, Qualitätsverbesserungen, und insb. Flexibilität haben ihrerseits weitreichende Auswirkungen auf den Erfolg von Automatisierungsentscheidungen. Ziel des Forschungsprojektes MAproFli ist daher die Entwicklung einer Entscheidungsmethodik für den optimalen Automatisierungsgrad in der volumen- und produktflexiblen Fließmontage auf Basis multivariabler Kriterien. Dabei soll zunächst die Entscheidungsfähigkeit durch eine kontextrelevante Auswahl der Entscheidungsfaktoren verbessert und das notwendige Maß an Wandlungsfähigkeit abgebildet werden. Basierend hierauf kann eine Auswahl und Bewertung an Automatisierungsalternativen vorgenommen werden. Eine Verbesserung der Entscheidungsqualität für Automatisierungsalternativen soll durch die Übertragung von Erkenntnissen aus der Arbeitswissenschaft, der Entscheidungstheorie und bewährten Methoden der Wirtschaftlichkeitsrechnung erreicht werden. Schließlich soll der Entscheidungsaufwand durch die Entwicklung einer auf der Entscheidungsmethodik basierenden Softwarelösung reduziert werden. Der Untersuchungsbereich konzentriert sich dabei auf die Fließmontage von Mittel- bis Großserien.
Zur Validierung und Gewichtung bisher ermittelter Entscheidungsfaktoren hat der Lehrstuhl IPEM in Zusammenarbeit mit dem Werkzeugmaschinenlabor (WZL) der RWTH Aachen eine Online-Studie durchgeführt, die sich vornehmlich an Experten aus Werks- und Montageplanung richtet.
Projektbeginn: 2016
Projektende: 2019
Die Lebensmittelindustrie unterliegt hohen Anforderungen und strengen Standards, um dem:der Endverbraucher:in eine gleichmäßig gute Qualität und Lebensmittelsicherheit zu bieten. Die lückenlose Überwachung von Grenzwerten während des Transportes und der Lagerung von Lebensmitteln erweist sich jedoch als anspruchsvoll. Gerade bei leicht verderblichen Lebensmitteln ist es von großer Bedeutung, die definierten Kennwerte, wie z.B. die Innentemperatur oder den Fülldruck des, für den Transport und die Lagerung verwendeten, Edelstahl Intermediate Bulk Containers (IBC), konstant zu tracken, um frühzeitig Abweichungen zu detektieren und Gegenmaßnahmen zu ergreifen.
Um diesen Herausforderungen zu begegnen, haben im Forschungsprojekt „smart.CONSERVE – Smart Container Services for Food Industries“ das Werkzeugmaschinenlabor WZL der RWTH Aachen als Konsortialführer, der Lehrstuhl für International Production Engineering and Management (IPEM) der Universität Siegen sowie die Industriepartner Zentis GmbH & Co. KG und Packwise GmbH gemeinsam die Integration von Informations- und Kommunikationstechnologien in Edelstahl-IBCs erforscht. Im Rahmen des Projekts konnte ein intelligenter Lebensmittelbehälter entwickelt werden, welcher mittel Sensorik alle relevanten Zustandsdaten des Behälters erfassen und aufzeichnen kann.
In den nachfolgenden Erklärvideos finden Sie die Projektergebnisse:
In diesem Video wird das Projekt auf Englisch vorgestellt
In diesem Video wird das Projekt auf Deutsch vorgestellt
Das Projekt wurde gefördert durch das Bundesministerium für Ernährung und Landwirtschaft; Projektträger Bundesanstalt für Landwirtschaft und Ernährung. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Gruppenleiter Philipp Nettesheim die Projektleitung übernommen.
Projektbeginn: 01.10.2020
Projektende: 30.09.2023
Das Forschungsprojekt 5GROW hat während der Projektlaufzeit den neuen Telekommunikationsstandard 5G für KI-basierte Echtzeitregelungen in industriellen Anwendungen erfolgreich eingesetzt. Als Beispiel diente ein automatisierter Schweißprozess. Zur Festlegung der optimalen Schweißparameter wurden in diesem Vorhaben Künstlicher Intelligenz (KI) und Computer Vision genutzt, wenn die zu verschweißenden Schweißspalte aufgrund von Maßabweichungen der Fügeteile schwankten. Dabei kam Computer Vision zur Vermessung der Schweißspaltbreite zum Einsatz. Die durch Computer Vision ermittelten Daten zur Schweißspaltbreite bildeten die Grundlage für die Ableitung der optimalen Schweißgeschwindigkeit durch künstliche Intelligenz. Des Weiteren wurde 5G vordergründig für die Echtzeitkommunikation zwischen dem Schweißroboter und dem KI-Server verwendet, was eine Echtzeitanpassung der Schweißparameter sicherstellt.
Die wesentliche Innovation besteht in der Kombination der Zukunftstechnologien 5G und KI, um eine kabellose Echtzeitregelung von automatisierten, robotergeführten Prozessen zu ermöglichen. 5G wurde damit zum Befähiger, die Effizienz automatisierter Prozesse sowie die Qualität der Produkte zu verbessern.
Das Projekt wurde vom Ministerium für Wirtschaft, Innovation, Digitalisierung und Energie des Landes Nordrhein-Westfalen gefördert. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Wissenschaftlicher Mitarbeiter Gerald Kolter die Projektleitung übernommen.
Weitere Informationen finden Sie auf der Projekt-Homepage 5GROW
Projektbeginn: 01.01.2021
Projektende: 30.06.2023
Das Forschungsvorhaben ODiWiP hat erfolgreich einen funktionsfähigen Demonstrator eines KI-basierten Assistenzsystems für die Bedienung einer Papiermaschine entwickelt und implementiert. Dieses Assistenzsystem bietet eine effiziente Möglichkeit, den Produktionsprozess zu überwachen, Qualitätsprobleme frühzeitig zu erkennen und zu beheben sowie die Entscheidungshoheit der Maschinenbedienenden zu wahren. Die Selbstoptimierungsfunktion und die Möglichkeit zur Erweiterung des Fachwissens stellen sicher, dass das System kontinuierlich verbessert wird und den sich wandelnden Anforderungen gerecht wird.
Dieses Projekt zeigt das Potenzial von KI in der Industrie und hebt die Bedeutung von intelligenten Assistenzsystemen für die Steigerung der Effizienz und Qualität in komplexen Produktionsprozessen hervor. Die erfolgreiche Implementierung des Demonstrators eröffnet die Möglichkeit zur weiteren Entwicklung und Anpassung des Assistenzsystems. Es bleibt zu erwarten, dass diese Technologie in der Papierherstellungsindustrie und darüber hinaus eine immer wichtigere Rolle spielen wird, um die Produktionsprozesse zu optimieren und die Qualität der Endprodukte zu sichern.
Aufgrund der hohen Relevanz und der erkannten Notwendigkeit weiterer Entwicklungen, wurde ein Folgeprojekt, “KIBAPap – KI-basiertes Bedienerassistenzsystem im Wertstoffkreislauf Papier” initiiert. Es wird seit dem 01.07.2023 in der vom BMWK ausgeschriebenen Fördermaßnahme Industrielle Bioökonomie gefördert. Das Ziel dieses neuen Projekts, “KIBAPap”, ist es, den Prototypen von TRL 6 hin zu einer skalierbaren Lösung (TRL 8) weiterzuentwickeln. Dieser Fortschritt soll sicherstellen, dass der Prototyp die nötigen Reife- und Praxistests durchläuft, um eine erfolgreiche und nachhaltige kommerzielle Verwertbarkeit zu gewährleisten.
Das Projekt ODiWiP wurde vom Bundesministerium für Bildung und Forschung (BMBF) in der Maßnahme „Digtal GreenTech – Umwelttechnik trifft Digitalisierung“ des Aktionsplans „Natürlich.Digital.Nachhaltig“ gefördert. Der Aktionsplan steht im Kontext der Strategie „Forschung für Nachhaltigkeit (FONA)“ des BMBF. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Gruppenleiter Alexander Becher die Projektleitung übernommen.
Projektbeginn: 01.04.2021
Projektende: 31.03.2023
Im Projekt ManuBrain wurde eine universelle, skalierbare und offene Plattform für Anwendungen der Künstlichen Intelligenz im industriellen Mittelstand entwickelt. ManuBrain war Teil des Leitmarktwettbewerbs IKT.NRW, in dem elf Innovationsprojekte mit rund 16 Millionen Euro unterstützt wurden.
Nur wenige mittelständische Unternehmen nutzen bislang KI-Verfahren zur Analyse von Sensordaten in Produktionsanlagen. Daher wurde in dem Forschungsprojekt eine KI-Plattform entwickelt, die hilft, das Potential der Datenanalyse für konkrete industrielle Anwendungen zu erschließen.
Die ManuBrain-Plattform bietet eine umfassende Lösung für die Datenanbindung an Maschinen, den Datentransport, die Datenspeicherung und eine Ausführungsumgebung für KI-Methoden. Das Design und die Entwicklung der Plattform basiert auf zuvor formulierten und erfolgreich validierten Anwendungsfällen. Ziel dieses wegweisenden Projekts war es, kleinen und mittleren Fertigungsunternehmen (KMUs) eine Plug-and-Play-Lösung anzubieten, die den explorativen Einsatz von Künstlicher Intelligenz (KI) zur Optimierung ihrer Produktionsprozesse ermöglicht.
Nach erfolgreicher Implementierung wurde die Plattform in mehreren industriellen Anwendungsfällen getestet und validiert. Die entwickelte Lösung hat sich für eine Reihe von Anwendungen als geeignet erwiesen, darunter die Erkennung von Anomalien in Maschinendaten und die Optimierung von Produktionsprozessen.
Das Projekt wurde vom Europäischen Fonds für regionale Entwicklung gefördert. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Oberingenieur Fabian Steinberg die operative Projektleitung übernommen.
Weitere Informationen finden Sie auf der Projekt-Homepage ManuBrain
Projektbeginn: 01.01.2020
Projektende: 31.12.2022
Im Zuge der fortschreitenden digitalen Transformation werden sich die Technologien des Alltags grundlegend verändern: Sie werden proaktiv, autonom und für den Menschen immer undurchschaubarer. Am Beispiel des Produktionsmanagements wird in diesem Forschungsprojekt untersucht, wie eine Zusammenarbeit zwischen Menschen und algorithmischen Agenten gestaltet werden kann und sollte. Mögliche Designs werden im Hinblick auf drei potentiell konkurrierende Ziele untersucht: Performance, Zufriedenheit und Rechenschaftspflicht. Zu diesem Zweck werden die drei Antragsteller:innen gemeinsam an einer explorativen Studie arbeiten. Generell werden Beispiele für verschiedene Arten der Mensch-Algorithmus-Kooperation geschaffen und deren Auswirkungen auf die Effizienz und Effektivität des Ergebnisses, die Arbeitszufriedenheit und das Wohlbefinden der beteiligten Menschen sowie gesellschaftliche und regulatorische Implikationen untersucht. Während das Produktionsmanagement als Beispiel dient, wird sich das Projekt mit umfassenderen Fragen befassen, wie die Mensch-Algorithmus-Kooperation zwischen den Prioritäten der Industrie, der:die Arbeitnehmer:in und der Gesellschaft insgesamt gestaltet werden kann.
Das Projekt wurde von Prof. Dr. Carolin Gerlitz, Prof. Dr. Marc Hassenzahl und Prof. Dr.-Ing. Peter Burggräf geleitet. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unsere Wissenschaftliche Mitarbeiterin Lili Wu die operative Projektleitung übernommen.
Weitere Informationen finden Sie auf der Projekt-Homepage Sensing & Sensibility
Projektbeginn: 01.10.2020
Projektdauer: 2 Jahre (3 Jahre nach erfolgreicher Evaluation im zweiten Jahr)
Ziel des Forschungsvorhabens ist die Optimierung logistischer Prozesse in produzierenden Unternehmen, wobei der Schwerpunkt auf der Bearbeitung und Pflege von Stammdaten liegt. Stammdaten sind langfristig gültige Daten, auf denen die Geschäftsprozesse im Unternehmen maßgeblich aufbauen. Eine hohe Qualität und aktuelle Pflege dieser Stammdaten sind daher von enormer Bedeutung.
Derzeit werden Stammdaten häufig noch mit hohem manuellem Aufwand gepflegt. Eingabefehler, Inkonsistenzen und Dubletten sind einige der Probleme, die dadurch entstehen können.
Um dieses grundlegende Problem der Digitalisierung zu lösen, setzen wir auf die Unterstützung durch Künstliche Intelligenz (KI) und datengetriebene Methoden, insbesondere maschinelles Lernen (ML). Im Rahmen des Forschungsprojektes wollen wir herausfinden, in welcher Form ML im Stammdatenmanagement effektiv eingesetzt werden kann. Dabei sollen feste Regelwerke und Expertensysteme durch KI-Methoden ersetzt werden, um die Stammdatenpflege und -anlage zu automatisieren und gleichzeitig die Datenqualität zu verbessern.
Ziel des Projekts ist es, durch Mustererkennung auf Basis historischer Stammdaten die Pflege neuer Stammdaten zu automatisieren und Inkonsistenzen zu erkennen. Dies ermöglicht eine effizientere Prozessgestaltung, entlastet die verantwortlichen Mitarbeiterinnen und Mitarbeiter und führt zu einer deutlich höheren Datenqualität. Eine qualitativ hochwertige, datengetriebene Entscheidungsfindung wird somit auf einer soliden Datenbasis ermöglicht.
Gefördert durch: Hessen Agentur
Projektbeginn: 01.07.2021
Projektende: 31.08.2022
Das Ziel des Forschungsprojekts ReLIFE ist es, die Ressourceneffizienz durch eine Verlängerung des Lebenszyklus von Investitionsgütern zu steigern. Dazu wurde im Forschungsprojekt der Ansatz des Adaptiven Remanufacturing erfolgreich entwickelt. Dieser beschreibt eine adaptive Instandhaltungsstrategie, die basierend auf Sensorik-Auswertungen unter technischen, ökonomischen sowie ökologischen Gesichtspunkten den optimalen Zeitpunkt und Umfang von Instandhaltungsmaßnahmen bestimmt. Wesentlicher Bestandteil des Adaptiven Remanufacturingist ein Entscheidungsmodell, welches Anwender bei der Entscheidung über den optimalen Zeitpunkt und Umfang der Instandhaltungs- und Remanufacturing-Maßnahmen unterstützt.
Der innovative Charakter des Adaptiven Remanufacturing liegt in der zeitlichen sowie inhaltlichen Adaptivität des Verfahrens. Basierend auf dem sensorisch überwachten Verschleißzustand von Komponenten werden präventive, auf die jeweilige Situation abgestimmte Remanufacturing-Maßnahmen vorgeschlagen. Die dadurch sichergestellte Leistungsfähigkeit der Investitionsgüter bildet die Grundlage für innovative Geschäftsmodelle zur Gewährleistung langfristiger Produktivität.
Das Entscheidungsmodell wurde im Rahmen einer browserbasierten Softwareanwendung erfolgreich umgesetzt und datentechnisch an den Demonstrator angebunden. Der Funktionsumfang umfasst neben der visuellen Zustandsüberwachung die Auswahl und Terminierung geeigneter Maßnahmen. Parallel wurden drei Produkt-Service-System orientierte Geschäftsmodelle für das Konzept des Adaptiven Remanufacturing entwickelt. Die ökonomische Validierung dieser Modelle zeigte ein finanzielles Risiko durch langfristige Zahlungen, weshalb im Rahmen des Projektes der Fokus auf das klassische produktorientierte Modell gelegt wurde. Mit den erzielten Projektergebnissen besteht zukünftig die Möglichkeit die breit entwickelte Methodik auf andere Produkte, Branchen und Industrien zu übertragen zur umfassenden Markterschließung. Durch die erhöhte Ressourceneffizienz wird wiederum nachhaltig die Wettbewerbsfähigkeit der Unternehmen sichergestellt.
Das Projekt wurde vom Bundesministerium für Bildung und Forschung gefördert. Seitens des IPEM-Lehrstuhls der Universität Siegen hat unser Wissenschaftlicher Mitarbeiter Marius Wigger die Projektleitung übernommen.
Weitere Informationen finden Sie auf der Projekt-Homepage ReLife
Projektbeginn: 01.07.2019
Projektende: 30.06.2022
Traditionell findet eine Bestimmung des optimalen Automatisierungsgrades anhand von monetären Vergleichsrechnungen statt. Eine rein monetäre Bewertung ist jedoch ausreichend: Einflussgrößen wie Produktgestaltung, Zuverlässigkeit, Verfügbarkeit, Qualitätsverbesserungen, und insb. Flexibilität haben ihrerseits weitreichende Auswirkungen auf den Erfolg von Automatisierungsentscheidungen. Ziel des Forschungsprojektes MAproFli ist daher die Entwicklung einer Entscheidungsmethodik für den optimalen Automatisierungsgrad in der volumen- und produktflexiblen Fließmontage auf Basis multivariabler Kriterien. Dabei soll zunächst die Entscheidungsfähigkeit durch eine kontextrelevante Auswahl der Entscheidungsfaktoren verbessert und das notwendige Maß an Wandlungsfähigkeit abgebildet werden. Basierend hierauf kann eine Auswahl und Bewertung an Automatisierungsalternativen vorgenommen werden. Eine Verbesserung der Entscheidungsqualität für Automatisierungsalternativen soll durch die Übertragung von Erkenntnissen aus der Arbeitswissenschaft, der Entscheidungstheorie und bewährten Methoden der Wirtschaftlichkeitsrechnung erreicht werden. Schließlich soll der Entscheidungsaufwand durch die Entwicklung einer auf der Entscheidungsmethodik basierenden Softwarelösung reduziert werden. Der Untersuchungsbereich konzentriert sich dabei auf die Fließmontage von Mittel- bis Großserien.
Zur Validierung und Gewichtung bisher ermittelter Entscheidungsfaktoren hat der Lehrstuhl IPEM in Zusammenarbeit mit dem Werkzeugmaschinenlabor (WZL) der RWTH Aachen eine Online-Studie durchgeführt, die sich vornehmlich an Experten aus Werks- und Montageplanung richtet.
Projektbeginn: 2016
Projektende: 2019