Fraunhofer-Verbund Mikroelektronik in Kooperation mit den Leibniz-Instituten FBH und IHP

Fraunhofer-Verbund Mikroelektronik in Kooperation mit den Leibniz-Instituten FBH und IHP

© zapp2photo / Adobe Stock

KI und maschinelles Lernen

© Gerd Altmann / Pixabay

Wichtiges Kennzeichen von Industrie 4.0 ist die durchgängige Vernetzung aller Komponenten einer Fabrik sowie komplette Wertschöpfungsketten mit Sensorik, eingebetteten Systemen und Kommunikationstechnik. Dadurch fallen von der Planung der zu fertigenden Produkte und Produktionsmittel über ihre Herstellung bis hin zur letztlichen Nutzung große Mengen an Daten an. Diese Daten sind die Grundlage für Künstliche Intelligenz (KI). Die industrielle Produktion ist dabei eines der wichtigsten Anwendungsfelder.

Wissen aus Erfahrung

Maschinelles Lernen ist die Schlüsseltechnologie für kognitive Systeme auf Basis von KI und wird in Produktionsprozessen eingesetzt, um Wissen aus Erfahrung zu erzeugen. Lernalgorithmen entwickeln aus möglichst repräsentativen Beispieldaten ein komplexes Modell, welches anschließend auf neue und unbekannte Daten derselben Art angewendet werden kann. Immer wenn Prozesse zu komplex sind, um sie analytisch zu beschreiben, aber genügend viele Beispieldaten, wie Sensordaten oder Bilder, verfügbar sind, bietet sich Maschinelles Lernen an.

Forschungsbereiche:

Edge-KI
KI-gestützte Prozessoptimierung
Vorausschauende Wartung und Qualitätssicherung
Mensch-Roboter-Kollaboration und -Interaktion

Projektbeispiele

Machine Learning zur vorausschauenden Wartung von Getriebeölen @ Fraunhofer EMFT

Im Projekt Smart Gear entwickeln Forschende der Fraunhofer EMFT Lösungen, um eine abfallende Leistungsfähigkeit der Schmieröle mit Hilfe von Sensorik und Machine Learning-Methoden zu erkennen und den Zeitpunkt für einen Ölwechsel zu prognostizieren.

Künstliche Intelligenz im Sensorknoten @ Fraunhofer EMFT

Um anfallende Datenmengen schnell und sicher zu übertragen, setzen Forschende der Fraunhofer EMFT auf Sensoren und Aktoren mit Künstlicher Intelligenz (KI) auszustatten.

diVIBES – Digitale 3D Breitband-Vibrationssensoren zur verbesserten Maschinenüberwachung
durch maschinelles Lernen mit Fraunhofer ENAS

Im Projekt diVIBES wird ein System für die prädiktive Zustandsüberwachung basierend auf der Detektion von Vibrationen entwickelt.

progressivKI – KI-gestützte Entwicklung von Elektroniksystemen für zukünftige Fahrzeuggenerationen mit Fraunhofer ENAS

Das Bundesministerium für Wirtschaft und Energie (BMWi) fördert mit 11,2 Mio. Euro die deutsche KI-Forschung zur Entwicklung sicherer, innovativer Elektroniksysteme für zukünftige Fahrzeuggenerationen.

Integrierbare Spektralsensorik in der Multireaktortechnologie – Ergebnisinterpretation mittels Neuraler Netze @ Fraunhofer ENAS

Multireaktorsysteme sind insbesondere in der Pharmaforschung und Katalyse fest etabliert. Sie zeichnen sich durch einen hohen Grad an Automatisierung und Parallelisierung aus und gewährleisten so eine hohe Effizienz.

Implementierung eines neuartigen magnetfeldbasierten Ortungsverfahren mittels KI @ Fraunhofer ENAS

Innerhalb des Projektes Sens-o-Spheres wurde ein neuartiges magnetfeldbasiertes Verfahren entwickelt, wodurch Genauigkeiten von einigen Zentimetern erreicht werden.

Forschungsgruppe Angewandtes Maschinelles Lernen @ Fraunhofer HHI

Die Gruppe für Angewandtes Maschinelles Lernen entwickelt und erforscht neuartige Methoden in verschiedenen Richtungen, wie z.B. Deep Learning, Supervised und Unsupervised Learning, Multimodalität und Hybridmodelle.

KICK – Künstliche Intelligenz für Campus-Kommunikation mit Fraunhofer HHI

Das Ziel von KICK ist es, den Betrieb von künftigen 5G-Campus-Netzen durch den Einsatz von KI-Methoden signifikant zu vereinfachen und zu verbessern. Im Fokus stehen hierbei Industrie 4.0-Umgebungen mit ihren hohen Zuverlässigkeits- und Latenzanforderungen.

Forschungsschwerpunkt Maschinelles Lernen @ Fraunhofer IIS

IIS Forscher beherrschen sowohl klassische Methoden des »Maschinellen Lernens« und der Bildanalyse als auch die heute oft überlegenen Methoden des »Deep Learnings« und haben langjährige Erfahrung in der Entwicklung von Anwendungen zur computer-assistierten Diagnoseunterstützung.

Implementierung und Integration von maschinellem Lernen auf Embedded-Geräten @ Fraunhofer IIS

Das Fraunhofer IIS deckt sowohl mikrocontroller-basiertes Machine Learning wie auch die Verwendung von Embedded-Chips mit Deep-Learning-Beschleunigern ab. Für ein gegebenes Problem ermitteln Forscher nach einer Analyse der Systemanforderungen die geeigneten Algorithmen und besten Hardware-Optionen.

Maschinelles Lernen für Handwerkzeuge @ Fraunhofer IIS

Auch in der Industrie 4.0 finden manuelle Prozesse in der Produktionskette statt. Um diese Prozesse einzubinden, haben Expert*innen aus den Themenbereichen Lokalisierung, Vernetzung und Maschinelles Lernen ein eingebettetes intelligentes Sensormodul für Handwerkzeuge entwickelt.

Ersatzteilprognose mit Maschinellem Lernen @ Fraunhofer IIS-SCS

Durch die Abteilung Analytics der Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS wurde ein Langzeitprognose-Tool für den Allzeitbedarf von Ersatzteilen auf der Basis des Maschinellen Lernens entwickelt.

Data Analytics: Anwendung von KI zur datengestützten Systemoptimierung @ Fraunhofer IISB

Die Gruppe Data Analytics entwickelt innovative KI-basierte Lösungen, um das Beste aus den Daten herauszuholen, die im Kontext von intelligenter Leistungselektronik und Industrie 4.0 entstehen.

Modellierung und künstliche Intelligenz @ Fraunhofer IISB

Für Halbleiterprozessierung, Halbleiterbauelemente und integrierte Systeme, z.B. im Bereich der Leistungselektronik, entwickelt Fraunhofer IISB physikalische Modelle, Algorithmen und Simulationsprogramme und bringt diese zur Anwendung.

Modellierung von Wasserstoffsystemen (digitale Zwillinge) @ Fraunhofer IISB

Das Fraunhofer IISB ist seit 2013 in der Forschung und Entwicklung zu Wasserstoffsystemen aktiv und bietet in diesem Bereich zahlreiche Forschungsleistungen an.

AlfES – Artificial Intelligence for Embedded Systems @ Fraunhofer IMS

Mit dem Open Source KI-Software Framework AIfES (Artifical Intelligence for Embedded Systems) kann man künstliche Neuronale Netze (KNN) praktisch auf jeder Hardware ausführen und sogar trainieren.

Erkennung von Menschen mittels eingebetteter KI @ Fraunhofer IMS

In dem Projekt »noKat« entwickelt das Fraunhofer IMS zusammen mit dem Partnerunternehmen van Rickelen GmbH & Co. KG einen optischen Näherungssensor, der in der Lage ist, herannahende Menschen mittels künstlicher Intelligenz aus RGB-Bildern einer low-cost Kamera zu erkennen.

Föderiertes Lernen für ressourcenbegrenzte Systeme @ Fraunhofer IMS

Im Fraunhofer-weiten Projekt SEC-Learn (Sensor Edge Cloud für föderiertes Lernen) soll maßgeblich eruiert werden, welche Entwicklungen notwendig sind, damit das Training von neuronalen Netzen direkt am Sensor vorgenommen werden kann, aber gleichzeitig alle anderen Sensorknoten von dem Erlernten profitieren.

Personalisierbare KI/Gestenerkennung @ Fraunhofer IMS

Das Fraunhofer IMS forscht an einer personalisierbaren künstlichen Intelligenz (KI), welche die Möglichkeit bietet, dass sich Geräte mittels Trainings auf Ihren Nutzer einstellen bzw. optimiert werden können.