Das TMDT bietet maßgeschneiderte Forschung für Partner aus der Industrie.
Angewandte Forschungs- und Entwicklungsprojekte
Das TMDT weist eine langjährige Expertise für datengetriebene Digitalisierungs- und KI-Lösungen in der industriellen Praxis auf. Es blickt dabei auf eine Vielzahl von angewandten Forschungs- und Entwicklungsprojekten in enger Kooperation mit industriellen Unternehmen. Im Nachfolgenden werden einige ausgewählte Projekte dargestellt.
Ein essenzieller Bestandteil im Kontext von Industrie 4.0 ist die Aufnahme, Verwaltung und Verarbeitung von Daten. Viele Unternehmen haben jedoch nicht ausreichende Kapazitäten um i) die große Vielzahl an vorhandenen vielfältigen Datenquellen effizient zu verwalten und ii) Fachpersonal, wie beispielsweise Data Scientists, zu beschäftigen. Durch die voranschreitenden Entwicklungen im semantischen Datenmanagement und die fortschreitenden Durchbrüche beim automatisierten maschinellen Lernen (AutoML) gibt es jedoch bereits Werkzeuge, welche diese Herausforderungen angehen. Um diese Durchbrüche langfristig in der Industrie sichtbar zu machen und diese in die breite Anwendung zu tragen, forscht das TMDT zusammen mit der Siemens AG an Lösungen, um Unternehmen mittels semantischem Datenmanagement und AutoML einen besseren Zugang zu Data Science zu ermöglichen.
Im Rahmen eines Promotionsstipendiums, welches von der Phoenix Contact Stiftung gefördert wird, forscht der Lehrstuhl TMDT gemeinsam mit der Phoenix Contact GmbH an KI-basierten Optimierungsansätzen in der Fertigung und Montage von Leiterplatten. Phoenix Contact ist vor allem in der Herstellung von elektronischen Verbindungselementen und Schaltschränken im industriellen Sektor aktiv. Ein zentraler Forschungsgegenstand ist die Entwicklung und Umsetzung einer KI-gestützten Anomalie-Erkennung in der visuellen Qualitätsinspektion. Hierzu werden State-of-the-Art Methoden des Deep Learning entwickelt, um selten auftrende Fehler bei der Montage automatisiert zu identifizieren. Die Methoden werden dabei in der realen Fertigungslinie umgesetzt und validiert.
Das Auftreten von Wasserschäden im Keller eines Hauses und die damit einhergehenden kostspieligen Reparatur- und Renovierungsarbeiten sind ein großes Ärgernis für Hausbesitzer und -bewohner. Um in Zukunft frühzeitig und vergleichsweise günstig gegensteuern zu können, sind Möglichkeiten zur kontinuierlichen Überwachung des Zustandes der Isolationsschicht und eine dementsprechende frühzeitige Feuchtigkeitserkennung in Schadfällen erforderlich. Mit dem Ziel der Umsetzung eines ersten Proof-of-Concept forscht das TMDT gemeinsam mit der Achim Wunderlich Bauunternehmung GmbH & Co. KG an dem Einsatz von Digitalisierung im Baugewerbe. Durch die Integration von IoT-Sensoren während der Bauphase soll auch nach Fertigstellung eines Bauvorhabens eine kontinuierliche Qualitätsüberwachung ermöglicht werden. Im Zuge des Projektes werden Feuchtigkeitssensoren in eigens hierfür gebauten Kellerelementen integriert. Die Sensorwerte werden daraufhin mit Hilfe eines entwickelten Dashboards kontinuierlich überwacht und ausgewertet. In realen Experimenten werden unterschiedliche Einflussfaktoren, unter anderem die Beschaffenheit des Mörtels und die Position und Größe der Beschädigung, hinsichtlich Auswirkungen auf die Sensormessungen untersucht.
In der Fertigung von Windschutzscheiben stellen neueste Lösungen wie Augmented Reality Head-up-Displays (AR-HUD) neue Qualitätsanforderungen an die bestehende Produktion. Neue Technologien der Digitalisierung sowie der künstlichen Intelligenz versprechen großes Potenzial zur Prozessoptimierung. Im Rahmen des Projektes forscht das TMDT gemeinsam mit Saint-Gobain Sekurit und der HotSprings GmbH an KI-basierten Qualitätsprognosen im Fertigungprozess. Ein wesentliches Ziel hierbei ist es, auf Basis von gesammelten Prozessdaten sowie trainierten maschinellen Lernmodellen Inline-Qualitätsvorhersagen vorzunehmen sowie qualitätsverbessernde und prozessstabilisierende Handlungsempfehlungen für den Prozess abzuleiten.
Recommender Systeme (dt. Empfehlungssysteme) begegnen uns jeden Tag in Online-Shops, auf Streaming-Plattformen und auf Social-Media-Plattformen. Eine wesentliche Funktionalität liegt darin, Kunden entsprechend ihrer bekannten aber vor allem unbekannten Präferenzen neue und für sie interessante Angebote finden. In dem Vorhaben forscht das TMDT gemeinsam mit dem Start-Up Breinify (San Francisco, USA), dem führenden Anbieter von Software zur prädiktiven Personalisierung auf Kundenebene, an der nächsten Generation von Deep Learning-basierten Recommender Systeme. Das Lösungskonzept zielt hierbei darauf ab, auf stark fluktuierende Variablen zu reagieren und die Empfehlungen auf diese Veränderungen anzupassen. Im Rahmen des Vorhabens werden die erarbeiteten Ansätze in Produktivumgebungen getestet und in realen Szenarien eingesetzt, sodass wichtige Erkenntnisse für weitere Forschungsarbeiten sowie die KI-Wissenschaftscommunity generiert werden.
