Referenzprojekte

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.

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.

Kleine und mittlere Unternehmen sind das Herz der deutschen Wirtschaft – durch die Digitalisierung kommt es jedoch zu strukturellen Veränderungen, besonders im Mittelstand. Dieser Aufgabe hat sich das Mittelstand 4.0-Kompetenzzentrum Augsburg verschrieben, indem es KMU in Bayern bei ihrer digitalen Transformation hilft. Das Zentrum bietet dazu eine Vielzahl kostenloser Angebote.

Fernsehen spielt im Alltag der meisten Menschen eine große Rolle. Wissenschaftliche Studien haben jedoch ergeben, dass Hörgerätenutzer beim Fernsehen häufig mit Schwierigkeiten konfrontiert sind. Das Forschungsprojekt »Hören@TV« untersucht auftretende Schwierigkeiten von Hörgerätnutzern beim Fernsehen und sucht Lösungsansätze.

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.

Das Förderprojekt Future Retail Store unterstützt mittelständische bayerische Handelsunternehmen dabei, ihr Geschäftsmodell weiterzuentwickeln und mit digitalen Technologien zu experimentieren. Zwei Handelsunternehmen, das Gartencenter Kiefl und die Cairo AG, wurden in einer bayernweiten Ausschreibung ausgewählt, ihre innovativen Konzepte zu testen. Nun ist das Konzept »Urban Gardeners« des Gartencenter Kiefl im Münchner Rathaus gestartet.

Leistungsfähige und flexible logistische Prozesse leben von motivierten Mitarbeiterinnen und Mitarbeitern. Um die Motivation zu steigern, werden insbesondere finanzielle Anreizsysteme eingesetzt. Diese sind jedoch gerade im Niedriglohnbereich ein nicht wirklich großer Stellhebel. Mithilfe gezielte Schulungen und Weiterbildungskonzepten unterstützt das Forschungsprojekt »MoLa« Unternehmen.

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.

Die Forschergruppe Future Engineering hat durch eine semantische Medienanalyse relevante Informationen zum Thema Elektrobusse erkannt und extrahiert. Anhand dieses Wissens können N-Ergie und VAG ihre Zusammenarbeit hinsichtlich Elektromobilitätsausbau strategisch planen.

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.