Forschungscluster fokussiert auf Nachhaltigkeit

it’s OWL-Projekte 2022

2022 startet die Forschungskooperation it’s OWL sieben neue Projekte. In den Fokus rücken die Partner unter anderem das Thema Nachhaltigkeit. Hier die Projekte im Kurzporträt.

13 Projekte hatten sich an der in einer Ausschreibung des Landes Nordrhein-Westfalen für das künftige Programm der Forschungskooperation ‚Intelligente Technische Systeme OstWestfalenLippe‘, kurz it’s OWL, beteiligt. Sieben davon wählte ein Gutachtergremium zur Förderung aus. In den Projekten entwickeln 15 Unternehmen und acht Forschungseinrichtungen zukunftsträchtige Ansätze und Lösungen für die Produktion. Dabei geht es etwa um künstliche Intelligenz, den grünen digitalen Zwilling, Small Data oder das Aufspüren von Treibhausgas-Verursachern. Die Projekte sollen im März 2022 starten und kommen auf ein Gesamtvolumen von 13,8Mio.?. Das Land NRW plant, die Projekte mit bis zu 8,2 Millionen Euro zu fördern. „In den Projekten entstehen Schlüsseltechnologien, Lösungsmuster und Methoden, die wir für unsere Clusterunternehmen verfügbar machen. Kleine und mittlere Unternehmen können die Ergebnisse beispielsweise durch unsere Transferprojekte nutzen,“ sagt it’s OWL-Geschäftsführer Günter Korder.

Climate Bowl

Immer mehr Unternehmen streben nachhaltige und klimaneutrale Produkte oder Herstellungsprozesse an. Gründe für diese Entwicklung sind neben Imagewirkungen vor allem die steigenden Kosten für Energie und die Treibhausgasemissionen (THGE) sowie gesetzliche Bestimmungen. Im Projekt ‚Climate neutral business in OWL (Climate Bowl) ‚ wird ein Assistenzsystem entwickelt, das durch die Analyse von Energiedaten, die Verursacher von Treibhausgasemissionen in Unternehmen ermittelt. Darüber hinaus werden durch Datenanalyse automatisiert Maßnahmen zur Reduzierung der Treibhausgasemissionen erstellt. Dadurch sollen in Unternehmen nachhaltige Wertschöpfungsnetzwerke entstehen und Unternehmen unterstützt werden, Klimaschutzmaßnahmen umzusetzen. Projektpartner sind die Universität Paderborn, die Universität Bielefeld sowie die Unternehmen NTT DATA Business Solutions, Phoenix Contact, Miele und GEA Westfalia Separator.

ZirkuPro

Die Herstellung von mechatronischen Produkten wie Halbleitern zeichnet sich durch einen hohen Energiebedarf, den Einsatz von kritischen Rohstoffen und aufwendigen Fertigungsbedingen aus. Ein Ansatz, um dieses Problem zu lösen, ist die Kreislaufwirtschaft. Dabei werden Abfälle durch Wiederverwendung und Reparatur bestehender Produkte vermieden. Ist dies nicht möglich, werden die Produkte wieder in ihre Ausgangsstoffe, also Rohstoffe, zerlegt, um sie wieder zu verwerten. Diesen Grundgedanken gilt es auch im Prozess der Produktentstehung umzusetzen. Das Projekt ZirkuPro hat sich zum Ziel gesetzt, eine Systematik zur ganzheitlichen zirkulären Produktentstehung für intelligente technische Systeme zu entwickeln.

Anzeige

KI in Fertigungsbranche vorn

Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen

EcoTwin

Das Projekt ‚Entwicklung und Transformation zur Nachhaltigkeit mit digitalen Zwillingen (EcoTwin)‘ beschäftigt sich mit einem nachhaltigeren digitalen Zwilling. Die Vernetzung von Entwicklungs-, Produktions- und Betriebsdaten durch den Digitalen Zwilling hat dabei Einfluss auf die Nachhaltigkeit. Beispielsweise können Unternehmen, durch die Auswertung der Daten von digitalen Zwillingen den Ressourcenverbrauch von einzelnen Teilsystemen reduzieren. Herausforderungen wie die Erfassung von Recyclingquoten, Quoten für Sekundär-Rohstoffe oder eine Produkt-Rücknahmepflicht für Hersteller können ebenfalls durch die Datenauswertung von digitalen Zwillingen begegnet werden.

AI for Scarce Data

Small Data statt Big Data: Mit künstlicher Intelligenz können Unternehmen große Datenmengen (Big Data) analysieren. Der KI-Einsatz stellt allerdings kleine und mittlere Unternehmen (KMU) vor Herausforderungen, etwa fehlendes Wissen. Hinzu kommt, dass KMU oft über kleinere Datenmengen (Small Data) verfügen. Die Entwicklung von Small-Data-Anwendungen, insbesondere für Scarce Data (spärliche Daten) bildet den Schwerpunkt des Projekts ‚AI for Scarce Data – Maschinelles Lernen und Informationsfusion zur nachhaltigen Nutzung von Labor- und Kundendaten‘.

Anzeige

Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise

Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen

Explain

Ob Bilderkennung oder virtueller Assistent: Maschinelles Lernen (ML) wird von Unternehmen bereits vielseitig genutzt. Doch es gibt auch Unternehmen, die aufgrund situationsbedingter Fehler, fehlender Nachvollziehbarkeit und Beeinflussbarkeit der künstlichen Intelligenz kein Vertrauen in diese Technologie setzen. Dabei handelt es sich bei den aufgezählten Problemen im Grunde genommen nicht um Schwächen der künstlichen Intelligenz an sich, sondern um Schwächen bei der Kontrolle der eingesetzten Anwendung. Das Ziel des Projekts ‚Erklärbare künstliche Intelligenz für sichere und vertrauenswürdige industrielle Anwendungen (ExplAIn)‘ ist es, vorhandene und neue Verfahren für maschinelles Lernen für die Anwenderbetriebe nachvollziehbarer und sicherer zu machen. Dafür wird ein System auf Basis von Explainable Artificial Intelligence (XAI, erklärbare Künstliche Intelligenz) entwickelt. XAI setzt sich aus Prozessen und Methoden zusammen, die es Nutzerinnen und Nutzern ermöglichen, die durch maschinelles Lernen erzeugten Ergebnisse zu verstehen und ihnen zu vertrauen. Das XAI-System soll sichere und nachvollziehbare KI-Anwendungen in der Praxis etablieren helfen.

I4.0AutoServ

Maschinen- und Produktionsdaten zu erfassen und aufzubereiten wird für Unternehmen immer wichtiger. Etwa um Wartungs- und individuelle Serviceangebote von ihnen abzuleiten. Für das Sammeln, Analysieren und Aufbereiten der Daten sind IT-Plattformen notwendig. Diese müssen auf einzelne Maschinen oder Komponenten zugeschnitten werden. Das fällt KMU aufgrund der Komplexität und des benötigten Fachwissens oft schwer. Ziel des Projektes ‚Industrie-4.0-Ökosystem für den automatisierten Einsatz von datengetriebenen Services (I4.0AutoServ)‘ ist daher die Automatisierung dieser Schritte. Diese sollen in einem Ökosystem bereitgestellt werden. Das Ökosystem hat den Effekt, dass Unternehmen die Möglichkeit haben, datengetriebene Services für ihre Produktion eigenständig zu entwerfen und kontinuierlich weiterzuentwickeln. Da die Unternehmen sich keine Gedanken um den technologischen Rahmen machen müssen, können auch KMU einfacher mit der Entwicklung von wertschöpfenden Services beginnen.

Support

Die Produktionsplanung und -steuerung (PPS) in Unternehmen beeinflusst sowohl die Wirtschaftlichkeit als auch die Materialströme, die Maschinenbelegungen sowie den konkreten Einsatz der Beschäftigten. Aktuelle Verfahren zur Planungsoptimierung stoßen bei hoher Komplexität an ihre Grenzen und fokussieren sich zumeist auf die Steigerung der Produktivität eines Fertigungsprozesses. Das Ziel des Projekts ‚Sustainable and Human-centered Production Planning and Control Based on Reinforcement Learning Techniques (Support)‘ ist es, die komplexe Produktionsplanung zu vereinfachen. Dazu werden Unternehmen in die Lage versetzt, KI-Methoden in der Produktionsplanung und -steuerung einzusetzen, ohne selbst KI-Experten beschäftigen zu müssen. Konkret werden in dem Projekt die automatisierte Erstellung von Simulationsmodellen und der Einsatz von Reinforcement Learning zur Produktionsplanung entwickelt. Reinforcement Learning (bestärkendes Lernen oder verstärkendes Lernen) ist eine Form des maschinellen Lernens. Dabei werden im Unterschied zu anderen Methoden im Vorfeld keine Daten benötigt. Stattdessen beobachtet die KI verschiedene Kausalitäten und lernt durch ‚Trial-and-Error‘ zunehmend, in Zukunft unbekannte Probleme zu lösen. Der KI wird nicht gezeigt, welche Aktion in welcher Situation die beste ist, sondern sie erhält zu einer bestimmten Zeit eine Belohnung, die auch negativ sein kann. Durch Reinforcement Learning soll es möglich sein, ohne menschliches Vorwissen komplexe Steuerungsprobleme zu lösen. Die Innovation des Projekts soll auf die nachhaltige und zielgerichtete Produktionsplanung und -steuerung gerichtet sein, um ökologische und ökonomische Ziele sowie die Ziele der Beschäftigten zu berücksichtigen.