Referenzprojekte

In unserem Projekt entwickeln wir eine KI-gestützte Lösung zur zerstörungsfreien Erkennung von Defekten in Leichtmetall-Gussteilen, insbesondere Autoreifenfelgen. Während herkömmliche Qualitätssicherungssysteme auf Röntgenbildern und klassischen Bildverarbeitungsmethoden basieren, bietet unsere innovative Herangehensweise die Möglichkeit, flexibler und effizienter zu arbeiten. Dies ist besonders wertvoll, wenn Fachpersonal rar ist oder häufige Rekalibrierungen notwendig sind. Gemeinsam mit dem Fraunhofer IIS streben wir an, präzise und automatisierte Defekterkennung zu ermöglichen.

Künstliche Intelligenz und speziell neuronale Netzwerke wurden genutzt, um Preisschwankungen verschiedener Stahlsorten präzise zu prognostizieren. Dieses System, entwickelt für den Stahlhandel, hilft Einkäufern, den optimalen Zeitpunkt für ihre Einkäufe zu bestimmen, was zu erheblichen Kosteneinsparungen führen kann.

SmartForestFire entwickelt ein KI-gestütztes Frühwarnsystem zur automatisierten Waldbranddetektion. Durch die Kombination von Kameras, Sensorik, Geodaten und robuster Funkkommunikation sollen Rauchentwicklungen früher erkannt, Fehlalarme reduziert und auch kleinere oder besonders gefährdete Waldgebiete wirtschaftlich überwacht werden.

Die Anzahl älterer und pflegebedürftiger Menschen in Deutschland nimmt kontinuierlich zu. Dadurch werden die Anforderungen an die Pflege nicht nur immer komplexer, sondern sie stellen die Pflegekräfte auch vor große Herausforderungen. Vision des Modellprojektes »Pflege 2030« ist es, den Arbeitsalltag von Pflegekräften durch eine bedarfsgerechte Personalausstattung und die Implementierung von wirkungsvollen digitalen Innovationen so zu optimieren, dass auf organisationaler Ebene effiziente Ablaufstrukturen entstehen können. Dafür erhalten u. a. kommerzielle Anbieter:innen und Entwickler:innen technischer und organisatorischer Innovationen die Möglichkeit, ihre Produkte und Konzepte im Echtbetrieb in dieser Einrichtung langfristig zu testen und durch neutrale Expert:innen evaluieren zu lassen.

Das Projekt »Reallabor Antrieb 4.0« bringt führende Forschungseinrichtungen und Industriepartner zusammen, um intelligente, effiziente und nachhaltige Antriebslösungen zu entwickeln. Durch die Integration fortschrittlicher Datenanalysen und künstlicher Intelligenz schaffen wir eine digitale Plattform, die herstellerübergreifende Services und innovative Nutzungsmöglichkeiten bietet.

Excellent-AI entwickelt vertrauenswürdige KI-Methoden, mit denen mittelständische Unternehmen auch bei begrenzter Datenbasis belastbare Prognosen, Risikoabschätzungen und What-if-Analysen erstellen können – ohne sensible Unternehmensdaten offenzulegen.

Das Projekt »Fluid 4.0« bringt erstmalig Fluidtechnikhersteller, Maschinen- und Anlagenbauer, Anwender und Dienstleister aus der Fluidbranche zusammen, um dort daten- und technologiegestützt Prozesse zu digitalisieren und Circular Economy Strategien und Technologien nutzbar zu machen.

Hegemon OTTO entwickelt einen Demonstrator und ein holistisches Benchmark-Framework, damit sicherheitsrelevante Akteure fundiert entscheiden können, wie/wofür LLMs und VLMs im Geoinformationswesen sicher einsetzbar sind. Im Fokus stehen faktengetreue Dossiers, die Vektorisierung von Orthophotos und Bebauungsplänen sowie ein dialogfähiger Karten-Chatbot – auf Basis kuratierter, verlässlicher Quellen und transparenter Datenverknüpfung über Wissensgraphen und Agentenassistenzsysteme.

Ground Support Equipment wie Dollies werden am Flughafen von mehreren Akteuren genutzt und sind ständig in Bewegung. Um effiziente Prozesse in der Nutzung von Dollies zu schaffen, ist die Kenntnis über deren genaue Position maßgeblich. Andernfalls sind Schwund der Dollies, lange Suchzeiten sowie eine erschwerte Abrechnung von Aufträgen die Folgen. Mittels IoT-basiertem Asset-Tracking erreichte die Fraunhofer-Arbeitsgruppe SCS des Fraunhofer IIS eine Optimierung zahlreicher Prozesse rund um Dollies am Flughafen München und eine Steigerung in deren Effizienz.

Um unnötigen Co2-Austoß sowie das Verkehrsaufkommen am Flughafen München und im Umland zu senken entwickelte die Fraunhofer-Arbeitsgruppe SCS des Fraunhofer IIS verschiedene Konzepte für Mitarbeitermobilität am Flughafen München. Durch die Anwendung von Simulations- und Optimierungsmodellen konnte ohne teure Feldversuche die optimale Kombination aus den entwickelten Mobilitätskonzepten für die Mitarbeiter und Mitarbeiterinnen bestimmt werden.