Projekte

Crashtests zur Beurteilung der Fahrzeugsicherheit finden heute meistens virtuell statt. Die Änderungen an den simulierten Fahrzeugmodellen zu dokumentieren, ist dabei besonders zeit- und kostenintensiv. Diesen Vorgang zu vereinfachen, ist das Ziel im Projekt SAFECAR-ML. Durch die Kombination neuartiger Methoden der Künstlichen Intelligenz (KI) mit technischem Wissen aus der Fahrzeugentwicklung möchten die Projektpartner aus Forschung und Automobilindustrie die Informationsaufbereitung für die Dokumentation virtueller Crashtests vereinheitlichen. Neu ist dabei die Verknüpfung semantisch aufbereiteter freisprachlicher Texte mit multimodalen Ingenieursdaten für das Maschinelle Lernen.

In den nächsten Jahren wird mit einer weiteren Steigerung der Leistungsfähigkeit von Supercomputern gerechnet. Sogenannte Exascale-Computer können dann genauere Simulationsergebnisse liefern. Für die dabei entstehenden deutlich größeren Datenmengen entwickelt Fraunhofer SCAI effiziente Datenanalyse-Methoden, die dem Ingenieur zudem detaillierte Einblicke in die komplexen technischen Zusammenhänge gewähren.

Das Servicezentrum »WestAI« ist ein Konsortium aus Wissenschaftseinrichtungen in Nordrhein-Westfalen, das von der Universität Bonn geleitet wird. Die Angebote für Kunden aus Wissenschaft und Wirtschaft umfassen Unterstützung bei der Aufbereitung von Daten, beim Transfer von KI-Technologien, bei Voruntersuchungen und bei der Entwicklung von Prototypen und kundenspezifischen KI-Lösungen.

Computer Aided Manufacturing (CAM)-Systeme ermöglichen eine computergestützte Planung von Bearbeitungsprozessen. CAM-Software dient dazu, den Steuerungscode für Computerized Numerical Control (CNC)-Werkzeugmaschinen zu erstellen.Das Projekt CAM2030 zielt darauf ab, eine neue Generation von CAM-Systemen zu entwickeln, die sich durch einen geringeren Planungsaufwand, eine optimierte Prozessplanung und einen langfristigen Wissensaufbau und Wissenserhalt auszeichnen. Dazu dient im Projekt die nutzerzentrierte Anreicherung der CAM-Systeme mit neuartigen digitalen Optimierungswerkzeugen – wie evolutionäre Algorithmik, Cloud Computing und künstliche Intelligenz.

Im Projekt »ManuBrain« entsteht eine universelle, skalierbare und offene Plattform für Anwendungen der Künstlichen Intelligenz im industriellen Mittelstand. Das Land Nordrhein-Westfalen und der Europäische Fonds für Regionale Entwicklung fördern das Vorhaben über drei Jahre mit insgesamt 1,8 Millionen Euro. Fraunhofer SCAI entwickelt und evaluiert Verfahren des Maschinellen Lernens für ingenieurtechnische Anwendungen.

Am Fraunhofer-Institutszentrum Schloss Birlinghoven in Sankt Augustin entsteht das »Lernlabor Künstliche Intelligenz«. Es unterstützt insbesondere kleine und mittelständische Unternehmen (KMU) dabei, in die Künstliche Intelligenz (KI) einzusteigen, konkrete Anwendungen kennenzulernen und Mitarbeitende zu qualifizieren.

Ziel des vom BMBF geförderten Verbundprojektes ViPrIA ist die Entwicklung intelligenter, auf Künstlicher Intelligenz und Machine-Learning-Ansätzen basierender Assistenzsysteme zur Unterstützung von Ingenieuren bei der simulationsbasierten, virtuellen Produktentwicklung. Mit Hilfe intelligenter Assistenzfunktionen sollen Berechnungsingenieure im Entwicklungsprozess bei komplexen Entscheidungen unterstützt und von Routineaufgaben entlastet werden.

Die große Vision von Industrie 4.0 ist die automatische Anpassung von Produktionsprozessen an sich schnell verändernde Anforderungen. Das neue Fraunhofer-Leitprojekt EVOLOPRO will dieser Vision ein Stück näher kommen. Als Bestandteil der Fraunhofer-Initative "Biologische Transformation" erforschen mit Beginn des Jahres 2019 sieben Institute gemeinsam, wie das Übertragen entwicklungs- und evolutionsbiologischer Prinzipien auf wandlungsfähige digitale Zwillinge von Menschen gemachten Produktionsprozessen Anpassungfähigkeit verleihen kann. Dabei spielen Transfer- und Multi-Task-Learning ein große Rolle. Die Biologie ist dabei das große Vorbild und liefert wichtige Impulse für die Weiterentwicklung von Verfahren.

Die Analyse der Sensordaten von Maschinen, Anlagen oder Bauwerken ermöglicht es, ungewöhnliche Zustände frühzeitig zu erkennen und so Schäden zu vermeiden. Dazu wird in den Daten nach Auffälligkeiten, sogenannten Anomalien, gesucht. Mittels maschinellen Lernens kann diese Anomalie-Erkennung bereits jetzt zum Teil automatisiert ablaufen.

Ziel des BMBF-geförderten ITEA Projektes Flex4Apps ist die Entwicklung einer Plattform für Anwendungsflexibilität in Cyber-Physical Systems.