Referenzprojekte

Flächendeckende Identifikation von Brachflächen mit KI: Mit dem Projekt ARGOS soll eine bundesweit flächendeckende, KI-gestützte Extraktion von Brachflächen aus Geodaten, Luft- und Satellitenbildern realisiert werden. Ziel ist, daraus eine Online-Informationsplattform zum Thema Brownfields zu entwickeln, die eine aktuelle Übersicht zu potenziellen Standortoptionen für gewerbliche Immobilienprojekte ermöglicht.

Ein Bandstillstand ist der Albtraum jedes Logistikers. Ursache dafür ist häufig, dass Lieferungen von Zulieferern nicht rechtzeitig ankommen. Die Forscher der Arbeitsgruppe SCS nutzen Machine Learning zur automatisierten Identifikation von Lieferungen, die voraussichtlich nicht rechtzeitig ankommen. Dazu prognostizieren sie live die Durchlaufzeit jeder einzelnen Prozesseinheit und generieren gegebenenfalls eine Warnung. So bleibt den Beteiligten genug Zeit, um zu reagieren und den reibungslosen Fluss in der Lieferkette wiederherzustellen.

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.

Ein wesentliches Element des Qualitätsversprechens vieler Hersteller ist die lange Lebensdauer ihrer produzierten Geräte. Dazu gehört die Gewährleistung von Ersatzteilverfügbarkeit, um Reparaturen und Wartungen langfristig durchführen zu können – auch wenn das Gerät gar nicht mehr produziert wird. Die Herausforderung dabei besteht in der Prognose, die bereits zum Ende der regulären Produktionslaufzeit gemacht werden muss, um die entsprechenden Mengen vorzuproduzieren und einlagern zu lassen. Die bisherigen manuellen Verfahren sind sehr zeitaufwendig und birgen viele Unsicherheiten. Daher hat die BSH Hausgeräte GmbH die Arbeitsgruppe für Supply Chain Services beauftragt, eine datengetriebene Lösung zu finden, mit der die Entscheidung automatisiert und verlässlich unterstützt werden kann.

Der Traktionsenergieverbrauch, also der Strom der zum Antrieb der Züge verwendet wird, ist der wichtigste Kostenfaktor in der Stromrechnung eines Schienenverkehrsunternehmens. Er wird in erster Linie durch die Fahrweise der Züge bestimmt. Aber auch eine energieeffiziente Koordination des Zugverkehrs kann durch sein Rückspeisungspotenzial entscheidend zur Kostensenkung beitragen. In dem Projekt arbeiten Experten für mathematische Optimierung der Friedrich-Alexander-Universität Erlangen-Nürnberg und des Fraunhofer-Instituts für Integrierte Schaltungen IIS zusammen mit der VAG Verkehrs-Aktiengesellschaft daran, durch eine effizienten Fahrweise in Verbindung mit einer intelligenten Koordination aller Bahnen den Energieverbrauch der Nürnberger U-Bahn zu senken.

Der Schienenverkehr lässt als größter Einzelstromverbraucher in Deutschland trotz vieler Fortschritte noch bedeutende Energie- und CO2 Einsparpotenziale ungenutzt. Das Forschungsprojekt »EKSSE – Energieeffiziente Koordination und Steuerung des Schienenverkehrs in Echtzeit« setzt sich daher zum Ziel, den Energiebedarf im U-Bahn-Betrieb durch Erhöhung der Rückspeisequote bremsender Züge und energiesparendem Fahrverhalten zu senken und somit die Energieeffizienz des deutschen Schienenverkehrs maßgeblich zu steigern, diesen dadurch zugleich kostengünstiger zu gestalten und so einen wichtigen Beitrag zur modernen, nachhaltigen Mobilität zu leisten.

Neues Kompetenzzentrum für Data Analytics und KI in der Industrie: Das ADA Lovelace Center des Fraunhofer IIS und der Fraunhofer-Arbeitsgruppe SCS verbindet auf einzigartige Weise KI-Forschung mit KI-Anwendungen der Industrie. Hier können sich die Partner untereinander vernetzen, vom Know-how des anderen profitieren und an gemeinsamen Projekten arbeiten.

In diesem Projekt wurde ein fortschrittliches neuronales Netz entwickelt, das auf die Vorhersage und Minimierung von Gussfehlern in Produktionsprozessen spezialisiert ist. Die Hauptstärke des Systems liegt in der Analyse von Produktionsdaten, um Fehler frühzeitig zu erkennen und Optimierungsempfehlungen zu generieren. Dies führt zu einer deutlichen Verbesserung der Produktionsqualität und -effizienz durch die Reduzierung von Ausschuss und Materialabfall.

In KIProKV soll ein Planungstool entwickelt werden, welches mathematische Optimierungsansätze nutzt und mit datengetriebener Prozessprognose mittels Machine Learning verbindet. Dabei werden durch das Prognosemodell unsichere Prozessvariablen vorhergesagt, um vorausschauend und flexibel möglicherweise entstehende Verschiebungen oder Engpässe im geplanten Prozessablauf identifizieren zu können. Die Quantifizierung der Unsicherheiten fließt in den Entstehungsprozess der Optimierungsmodelle ein und trägt dazu bei, effiziente Lösungsalgorithmen zu entwickeln. Durch eine Feedbackschleife aus Optimierung und Prognose soll im Gesamtansatz eine Echtzeit-Planung der Umschlagsaufträge erfolgen, welche dem Terminalpersonal zur Verfügung gestellt wird.

Seit 2009 nimmt die Zahl der Apotheken in Deutschland stetig ab (ABDA – Bundesvereinigung Deutscher Apothekerverbände e.V. 2020). Auch in Bayern ist die Zahl der Apotheken zwischen 2009 und 2020 um mehr als 10% gesunken (dpa 2020). Nicht nur ältere Menschen sind allerdings auf eine direkte Versorgung mit Medikamenten und die persönliche Beratung durch Fachpersonal angewiesen. Wie können also Vorort-Apotheken gegenüber Online-Apotheken konkurrenzfähig bleiben?