Angewandte Künstliche Intelligenz: Superjoker in der Produktion

Als produktionstechnisches Forschungsinstitut setzen wir auf angewandte Künstliche Intelligenz, die in realer Produktionsumgebung computergesteuerte Maschinen, Anlagen und Roboter Aufgaben ausführen lässt. Angewandte KI bietet ein enormes Potenzial, Produktionsprozesse nachhaltig zu verbessern: sinkende Kosten, höhere Qualität der Produkte und ein Gewinn an Flexibilität und Resilienz für das gesamte Unternehmen.  

Künstliche Intelligenz in der Produktion intelligent eingesetzt

Uns ist besonders wichtig die Algorithmen der Künstlichen Intelligenz an den richtigen Stellen und auf effiziente Weise einzusetzen: Jedes Unternehmen, je nach Größe, Branche und ganz eigenen Herausforderungen betrachten wir individuell. Dazu greifen wir auf bewährte wissenschaftliche Methoden zurück, mit denen wir ideale KI-Anwendungsfälle identifizieren und geeignete Prozesse und Algorithmen in die Produktionsumgebung implementieren.

Auch ein Kompetenzaufbau und die Begleitung von Data-Science-Teams im Unternehmen ist Teil unseres Angebots rund um das Thema KI. Unsere langjährige Zusammenarbeit mit Expertinnen und Experten für Software-Entwicklung in der täglichen Projektarbeit bildet dafür ein solides Fundament.  

 

Wo lohnt sich künstliche Intelligenz?

Gerade mittelständische Unternehmen stehen oft vor der Frage, ob sich die Investition lohnt. Mit dem »AI Kick-Starter Bundle« unterstützen wir Ihre Entscheidung.

 

Software für KI und Machine Learning in der industriellen Anwendung

Unsere Intelligente Qualitätsplattform, kurz: IQP, ist eine umfassende Software zur Nutzung, Überwachung und Optimierung industrieller KI- und Machine-Learning-Anwendungen. Standardisierte Integration und paralleler Betrieb von ML-Anwendungen steigern Effizienz und Wirtschaftlichkeit in der Produktion. Lernen Sie die IQP und implementierte Use Cases kennen!

 

Prozesse optimieren mit Künstlicher Intelligenz

Künstliche Intelligenz und Machine Learning helfen, Prozesse zu verbessern. Wir zeigen Ihnen passende Modelle, Systeme und Architekturen für die Prozessoptimierung.

 

Vertrauenswürdige KI

KI-Experten haben ein Vorgehensmodell für die Entwicklung vertrauenswürdiger industrieller KI-Anwendungen entworfen, das speziell auf die Herausforderungen der Produktionstechnik zugeschnitten ist.

 

Testen Sie mit freien Datensätzen!

Für alle, die Erfahrungen mit KI und Machine Learning sammeln möchten, haben wir eine Liste an Daten und Algorithmen zusammengestellt, die Sie frei nutzen können.

KI umgesetzt: Beispiele aus Forschung und Praxis

Höhere Produktqualität durch KI im Fehlermanagement

In der Praxis zeigt sich, wie Künstliche Intelligenz (KI) Produktionsprozesse entscheidend verbessern kann: Gemeinsam mit MAN Truck & Bus und KRONE haben wir im Rahmen des Projekts »value chAIn« das Potenzial von KI im Fehlermanagement entlang der Wertschöpfungskette untersucht und die entwickelte Methodik in einem kostenlosen Paper veröffentlicht.

Ziel war es, eine Methodik bereitzustellen, die Unternehmen dabei hilft, KI gezielt für die Sicherung der Produktqualität zu nutzen. Im Projekt hat das Team eine spezialisierte KI-Software entwickelt, die Unternehmen dabei unterstützt, Fehler frühzeitig zu erkennen und präventive Maßnahmen effizient zu priorisieren.

Dieses Projekt zeigt deutlich, wie KI nicht nur die Qualität, sondern auch die Effizienz in Produktionsprozessen nachhaltig verbessern kann.

»Das Projekt hat uns eindrucksvoll gezeigt, dass KI das Potenzial hat, unsere Produktionsprozesse nachhaltig zu optimieren und Ausschussprodukte zu minimieren.«


Maximilian Dresemann, Projektmanager, Krone Business Center GmbH & Co. KG

»Durch den Einsatz von KI können wir unser Fehlermanagement entscheidend verbessern und präventive Maßnahmen effizient priorisieren, um Fehler frühzeitig zu vermeiden.«

 

Sebastian Beckschulte, Head of Value Stream Planning Cabin Cracow, MAN Truck & Bus SE.

Bis zu 20 Prozent weniger unbesetzte Arbeitsplätze durch Personalplanung mit KI

Im Projekt »reQenrol« haben wir gezeigt, wie Künstliche Intelligenz die Personalplanung flexibler und resilienter machen kann:

Das intelligente System berücksichtigt kurzfristige Personalausfälle und Änderungen im Produktionsprogramm und verteilt das verbliebene Personal auf effizient auf die vorhandenen Arbeitsplätze. Das verbessert nicht nur die Reaktionsfähigkeit bei unvorhergesehenen Ereignissen, sondern sorgt auch dafür, dass die Qualifikationen der Mitarbeiter optimal genutzt werden.

Der Testlauf hat gezeigt, dass durch den Einsatz des Systems die Anzahl unbesetzter Arbeitsplätze bis zu 20 Prozent reduziert werden konnte.

Das Folgeprojekt »FlexPEP« hat bereits gestartet. Ziel ist es hier, produzierende Unternehmen bei der Flexibilisierung von Arbeitszeitmodellen und Personal in der Produktion zu unterstützen. Das System wird dafür im Projekt anhand praktischer Anwendungsfälle ausgearbeitet und validiert.  

Intuitive CAM-Planung mit KI

Werkzeugbahnen für Zerspanprozesse in CAM-Systemen zu planen erfordert tiefgehendes Expertenwissen. Eine Vielzahl an Parametern muss bestimmt und geprüft werden, um die Bahnplanung Schritt für Schritt zu optimieren. Damit diese zeitaufwändige Aufgabe zukünftig einfacher von der Hand geht, haben wir gemeinsam mit Partnern im Projekt »CAMStylus« eine KI-gestützte Virtual-Reality-Umgebung zur Gesteneingabe geschaffen, in der sich die Werkzeugbahnen auf der Werkstückoberfläche intuitiv skizzieren lassen.

Damit aus den Daten des Bewegungs-Trackings die richtigen Informationen für die vorgesehene Werkzeugbahn abgeleitet werden können, entwickelte das Forschungsteam eine KI-Anwendung auf Grundlage Neuronaler Netze, die anhand speziell designter geometrischer Körper für diese Aufgabe trainiert wurden.

Aktuelle Publikationen des Fraunhofer IPT

Das Fraunhofer IPT kommuniziert regelmäßig seine Forschungsergebnisse zur künstlichen Intelligenz in wissenschaftlichen Publikationen. Weitere Veröffentlichungen zu diesem Thema finden Sie in der Fraunhofer-Publica.

Jahr
Year
Titel/Autor:in
Title/Author
Publikationstyp
Publication Type
2026 Towards a conceptual guideline for an economical assessment of manufacturing process data
Mayer, Johannes; Kaufmann, Tobias; Niemietz, Philipp; Bergs, Thomas
Zeitschriftenaufsatz
Journal Article
2026 Reinforcement learning supported quality control loop for solid forming processes
Witt, Ronja; Schönekehs, Chris R.; Klasen, Nils; Schmitt, Robert
Zeitschriftenaufsatz
Journal Article
2026 Transfer learning for enabling quality predictions in small batch production
Klasen, Nils; Kumbhare, Ravish; Joseph, Dominic Alex; Schönekehs, Chris R.; Witt, Ronja; Schmitt, Robert
Zeitschriftenaufsatz
Journal Article
2026 Automated Hybrid Machine Learning System for Production
Mende, Hendrik; Heymann, Henrik; Battistella Fiorini, Laura; Schewinski, Gustavo; Grunert, Dennis; Karimova, Albina; Paria, Hamidreza; Strobl, Christian; Schmitt, Robert H.; Bergs, Thomas
Zeitschriftenaufsatz
Journal Article
2026 Deep Learning Pipeline for Defect Detection
Mattern, Alexander; Motz, Maximilian; Grunert, Dennis; Schmitt, Robert
Zeitschriftenaufsatz
Journal Article
2026 Explainable neural network for time series-based condition monitoring in sheet metal shearing
Becker, Marco; Niemietz, Philipp; Bergs, Thomas
Zeitschriftenaufsatz
Journal Article
2026 Framework for Developing Trustworthy Industrial AI Applications
Leutner, Liz; Leyendecker, Lars; Motz, Maximilian; Brandstätter, Tobias Claus; Heymann, Henrik; Schmitt, Robert
Zeitschriftenaufsatz
Journal Article
2026 Towards rapid differentiation of liver malignancies using optical coherence tomography and deep learning
Wienholt, Patrick; Girmen, Caroline; König, Niels; Schmitt, Robert; Büsker, Sören; Meister, Franziska Alexandra; Röth, Anjali; Beetz, Oliver; Oldhafer, Felix; Vogel, Thomas; Truhn, Daniel; Vondran, Florian W.R.; Amygdalos, Iakovos
Zeitschriftenaufsatz
Journal Article
2026 Security-enhanced cutting tool wear segmentation with federated learning
Laydner de Melo Rosa, Gustavo; Gwose, Alexander; Ganser, Philipp; Bergs, Thomas
Zeitschriftenaufsatz
Journal Article
2026 Development of a semi-automated data acquisition and processing architecture for machine learning applications in grinding
Reuter, Eike; Killich, Björn; Breuer, Peter; Prinz, Sebastian; Bergs, Thomas
Zeitschriftenaufsatz
Journal Article
Diese Liste ist ein Auszug aus der Publikationsplattform Fraunhofer-Publica

This list has been generated from the publication platform Fraunhofer-Publica