Referenzprojekte

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.

Das Forschungsprojekt »Agile Netzsteuerung zur Erhöhung der Resilienz der Kritischen Infrastruktur Wasserversorgung« untersucht, wie aktive Steuerungssysteme die Flexibilität der Trinkwasserversorgung erhöhen können. Durch den Einsatz mathematischer Optimierung und KI werden die optimalen Standorte für Sensoren und Aktoren in bestehenden Netzen bestimmt. Ziel ist es, die Netzsteuerung zu verbessern und die Versorgungssicherheit auch bei Extremereignissen zu gewährleisten.

Gleisanschlüsse sind die Quellen und Senken im Schienennetz und damit essenziell für den klimaschonenden Ausbau des Schienengüterkehrs. Jede Unternehmensansiedlung an einen Gleisanschluss trägt maßgeblich zu einer Steigerung des Anteils des Schienengüterverkehrs bei. Unternehmen, die ihren Gütertransport nachhaltig auf die Schiene verlagern wollen, stellt sich bei der Standortsuche die Frage: An welchen Standorten in Deutschland ist eine Anbindung an das Schienengüterverkehrsnetz möglich?

Der Flughafen München zählt zu den größten Airports Europas. Um der damit einhergehenden Verantwortung in Bezug auf das Thema Nachhaltigkeit gerecht zu werden, setzt sich der Flughafen das Ziel, bis zum Jahr 2030 klimaneutral zu sein. Die Arbeitsgruppe für Supply Chain Services SCS des Fraunhofer IIS unterstützt den Flughafen München bei der Verwirklichung seiner Vision. Hierzu sind zum einen technische Maßnahmen notwendig und zum anderen wurden für den geplanten LabCampus des Flughafen datengetriebene Lösungen entwickelt, welche Nachhaltigkeit fördern und Prozesse optimieren.

Die Forschungsgruppe Future Engineering analysiert in diesem Projekt mehr als eine halbe Million öffentliche Online-Beiträge für die STAEDTLER Mars GmbH & Co. KG, um tiefgehende Customer Insights zu gewinnen und insbesondere die Entwicklung oder mögliche Verlagerung von Kundeninteressen auf der Basis von hochdynamischen Kommunikationsmedien zu untersuchen.

Im Projekt NoKObiLK entwickeln wir ein KI-gestütztes System, das Einsatzkräfte durch die automatische Analyse von Drohnenbildern und anderen Datenquellen unterstützt. Schäden an Gebäuden und Infrastruktur werden in Echtzeit erkannt, visualisiert und in ein verständliches Lagebild integriert. So ermöglicht unsere Technologie schnelle, fundierte Entscheidungen – für eine effektivere Bewältigung von Großschadenslagen.

Unternehmen müssen ihre Logistikprozesse sowohl kosteneffizient als auch nachhaltig gestalten. Gemeinsam mit unserem Projektpartne PreZero haben wir eine innovative Lösung entwickelt, die genau das ermöglicht: Die integrierte KI-Lösung zur Stoffstromoptimierung bietet Unternehmen die Möglichkeit, Frachtpreise realistisch abzuschätzen und Stoffströme effizient zu gestalten.

Genuss und Qualität sind essenzielle Merkmale für jedes Lebensmittel. Die Vielzahl an Geschmacksnoten wird in der Herstellung durch das Mischen von Chargen mit unterschiedlichsten Zutaten erreicht. Auf Seiten der Hersteller, müssen die Chargen im Lagerbestand im Rahmen einer Produktionsplanung für den Mischprozess vorrausschauend bereitgestellt werden. Nur so kann einerseits die Qualität der Mischungen für die Kundenaufträge sichergestellt werden und andererseits der Lagerbestand nachhaltig eingesetzt wird. Vor diesem Zusammenhang entwickelt das Fraunhofer IIS mit Methoden der mathematischen Optimierung eine Chargenauswahl in homogenen Mischprozessen, die eine effizientere und nachhaltigere Lagerführung ermöglicht.

Ein wichtiger Teil der Kreislaufwirtschaft ist die Recyclingindustrie, die alte Materialien effizient und nachhaltig wiederverwendet. Dies erfordert robuste und präzise Sortiersysteme, die zwischen verschiedenen Materialien unterscheiden können. Derzeit werden hierfür vor allem regelbasierte Verfahren eingesetzt, die von menschlichen Experten parametrisiert werden müssen. Deep-Learning-basierte Sortiersysteme bieten eine Alternative, indem sie aus den gesammelten Daten relevante Merkmale lernen können. Die Arbeitsgruppe Supply Chain Services hat eine Proof-of-Concept-Lösung für die Sortierung von Metallschrott mit Hilfe von Deep-Learning-basierter Sortierung entwickelt.

In der Industrie werden zahlreiche Prozesse manuell erfasst: Verantwortliche beobachten das Verhalten der Mitarbeiter, nehmen Zeiten von Prozessschritten auf, identifizieren die Schwachstellen eines Prozesses und entwerfen manuell Lösungen zur Prozessverbesserung. Maßnahmen werden oft händisch identifiziert und mittels Erfahrung bewertet. Gleichzeitig werden im Bereich Industrie 4.0 immer mehr Daten – Fehlermeldungen, Kennzahlen oder Chargeninformationen von Teilen – erhoben und gespeichert. Meist sind diese Informationen allerdings isoliert voneinander in Datensilos, was für eine Einzellösung in der digitalisierten Produktion ausreichend ist. Die Ableitung von Prozessmodellen und Performancekennzahlen benötigt allerdings ein ganzheitlicheres Abbild der vorhanden Informationen um daraus prädiktive Maßnahmen definieren zu können. Ziel ist es, Prozesse so transparent darzustellen, dass eine automatische Aufnahme und Analyse von Prozessmodellen durch den Einsatz von cyber-physischen (CPS) bzw. Internet of Things (IoT) -Systemen und Künstlicher Intelligenz möglich ist.