Mobile-Menu

Maschinenkonnektivität

Keine Angst vor Künstlicher Intelligenz in der Produktion

< zurück

Seite: 4/4

Anbieter zum Thema

iT Engineering Software Innovations GmbH
Klinkhammer Intralogistics GmbH
EVO Informationssysteme GmbH
FORCAM ENISCO GmbH

Fazit und Ausblick auf die Zukunft von Produktionsumgebungen

Der Nutzen, der durch die Auswertung von Daten im industriellen Umfeld geschaffen werden kann, wird von den befragten Unternehmen durchaus gesehen und für wichtig erachtet. Der Status Quo sowie die Einschätzung des vorhandenen Wissens zeigt eine positive Entwicklung und Offenheit der Unternehmen, diese Kompetenzen weiter auszubauen.

Passend dazu sollen zukünftig auch die vorhandenen Softwaremodule der IIoT Building Blocks unter anderem in Bezug auf die Adaptierbarkeit unterschiedlichster Maschinensteuerungen angepasst und die Anzahl der verfügbaren Inputschnittstellen erweitert werden. Wissenschaftlich wird weiterhin die Herausforderung der Datenknappheit bei KI-Algorithmen untersucht. Darüber hinaus sollen Lösungen für weitere Herausforderungen im Produktionsumfeld geschaffen werden, um die Daten auch wirklich zum „Gold des 21. Jahrhunderts“ zu verwandeln und sie wertstiftend zu nutzen.

Das Projekt wurde in Kooperation des wbk Institut für Produktionstechnik am Karlsruher Institut für Technologie (KIT), Braun Sondermaschinenbau, der die Expertise als Hersteller von Fertigungs- und Montageanlagen mitbrachte und iT Engineering Software Innovations durchgeführt. Es wurde im Rahmen des KI-Innovationswettbewerbs Baden-Württemberg vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg gefördert.

Literatur

[1] wbk Institut für Produktionstechnik: Forschungsprojekt EN-AI-BLER. 2021. https://www.wbk.kit.edu/4398.php [Zugriff am: 10.03.2022]

[2] Netzer, M.; Palenga, Y. & Fleischer, J., „Machine tool process monitoring by segmented timeseries anomaly detection using subprocess-specific thresholds“, Production Engineering (2022)

[3] Netzer, M.; Michelberger, J. & Fleischer, J., „Intelligent Anomaly Detection of Machine Tools Based on Mean Shift Clustering“. Procedia CIRP 93 (2020), Elsevier, S. 1448-1552.

[4] Gönnheimer, P.; Karle, A.; Mohr, L. & Fleischer, J. (2021), „Comprehensive Machine Data Acquisition through Intelligent Parameter Identification and Assignment“. Procedia CIRP, Elsevier, S. 720-725. 10.1016/j.procir.2021.11.121

[5] Gönnheimer, P.; Netzer, M.; Mohr, L.; von Hörsten, G. & Fleischer, J. (2020), „Erhöhung der Skalierbarkeit von KI-Anwendungen in Produktionsanlagen durch intelligente Parameteridentifikation und Datensegmentierung“, ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, S. 517-519. 10.3139/104.112318

* Judith Armbruster ist Produktmanagerin IIoT Building Blocks bei der iT Engineering Software Innovations GmbH in Pliezhausen. Philipp Gönnheimer ist Gruppenleiter für Werkzeugmaschinen und Mechatronik am wbk Institut für Produktionstechnik des KIT in in Karlsruhe. Markus Netzer ist in der Abteilung Werkzeugmaschinen und Mechatronik wissenschaftlicher Mitarbeiter am wbk Institut für Produktionstechnik des KIT.

(ID:48116133)

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte