Potenziale für die Anwendung Künstlicher Intelligenz in der schiffbaulichen Fertigung
-
Alexander Luther
Alexander Luther, M. Sc. ist als Wissenschaftlicher Mitarbeiter im Team Messen von Großstrukturen und beschäftigt sich mit der KI-gestützten Auswertung von multimodalen Sensordaten, insbesondere für die Anwendungen des maschinellen Sehens.
,
Alexander Zych
Dr.-Ing. Alexander Zych leitet am Fraunhofer IGP den Bereich maritime Unikatfertigung.
Prof. Dr.-Ing. habil. Jan Sender ist Inhaber des Lehrstuhls Produktionsorganisation und Logistik an der Universität Rostock.
Abstract
In vielen technischen und nichttechnischen Bereichen wird bereits vermehrt Maschinelles Lernen (ML) und Künstliche Intelligenz (KI) eingesetzt, um Prozesse zu überwachen, Prognosen aufzustellen und Qualitätskontrollen durchzuführen. Dabei bieten sich insbesondere repetitive Aufgabenstellungen für den Einsatz der KI an. Im Schiffbau sind jedoch Unikatanfertigungen üblich, was einen universellen Einsatz dieser Methoden erschwert. In diesem Beitrag wird der im Bereich der Programmierung von Schweißrobotern bisher verfolgte wissensbasierte Ansatz für die Sensordatenauswertung vorgestellt und daraus Anwendungspotenziale für KI sowie erste Ansätze der 3D-Rekonstruktion auf Basis von künstlichen neuronalen Netzen abgeleitet.
Abstract
The application of machine learning (ML) and artificial intelligence (AI) is becoming increasingly prevalent in a range of technical and non-technical fields, where they are employed to monitor processes, make predictions, and carry out quality control. In particular, repetitive tasks are well suited to AI. However, in the shipbuilding sector, there are often oneoff productions, which makes it difficult to use these methods universally. This article presents the knowledge-based approach to sensor data processing I the programming of welding robots that has been pursued to date and derives potential applications for AI as well as initial approaches to 3D reconstruction based on artificial neural networks.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Alexander Luther, M. Sc. ist als Wissenschaftlicher Mitarbeiter im Team Messen von Großstrukturen und beschäftigt sich mit der KI-gestützten Auswertung von multimodalen Sensordaten, insbesondere für die Anwendungen des maschinellen Sehens.
Dr.-Ing. Alexander Zych leitet am Fraunhofer IGP den Bereich maritime Unikatfertigung.
Prof. Dr.-Ing. habil. Jan Sender ist Inhaber des Lehrstuhls Produktionsorganisation und Logistik an der Universität Rostock.
Literatur
1 Kraus, W.; Müller, C.; Graf, B. et al.: World Robotics 2023 – Service Robots. IFR Statistical Department, VDMA Services GmbH, Frankfurt a. M. 2023Suche in Google Scholar
2 Schirner, S.; Malin, L.; Hickmann, H. et al.: Fachkräfteengpässe in Unternehmen – Fachkräftemangel und Nachwuchsqualifizierung im Handwerk. KOFA-Studie, 1/2021 (Köln 2021). Online unter https://hdl.handle.net/10419/233865 [Abruf am 21.11.2024]Suche in Google Scholar
3 Larkin, N.; Short, A.; Pan, Z. et al.: Automated Programming for Robotic Welding. In: Chen, S.; Zhang, Y.; Feng, Z. (Hrsg.): Transactions on Intelligent Welding Manufacturing. Springer Singapore, Singapore 2018, S. 48–59 DOI:10.1007/978-981-10-5355-9_410.1007/978-981-10-5355-9_4Suche in Google Scholar
4 Galindo, P. L.; Morgado-Estévez, A.; Aparicio, J. L. et al.: Development of a Customized Interface for a Robotic Welding Application at Navantia Shipbuilding Company. In: Ollero, A.; Sanfeliu, A.; Montano, L. et al. (Hrsg.): ROBOT 2017: Third Iberian Robotics Conference. Springer International Publishing, Cham 2018, S. 43–52 DOI:10.1007/978-3-319-70836-2_410.1007/978-3-319-70836-2_4Suche in Google Scholar
5 Zych, A.: Programming of Welding Robots in Shipbuilding. Procedia CIRP 99 (2021), S. 478–483 DOI:10.1016/j.procir.2021.03.10710.1016/j.procir.2021.03.107Suche in Google Scholar
6 Harmel, A.; Zych, A.: Sensor-Based Robot Programming for Automated Manufacturing of High Orthogonal Volume Structures. In: Schüppstuhl, T.; Tracht, K.; Franke, J. (Hrsg.): Tagungsband des 3. Kongresses Montage Handhabung Industrieroboter. Springer Berlin Heidelberg, Berlin, Heidelberg 2018, S. 93–101 DOI:10.1007/978-3-662-56714-2_1110.1007/978-3-662-56714-2_11Suche in Google Scholar
7 Zhou, Z.-H.: Machine Learning. Springer Singapore, Singapore 2021Suche in Google Scholar
8 Wittpahl, V.: Künstliche Intelligenz. Springer Berlin Heidelberg, Berlin, Heidelberg 2019 DOI:10.1007/978-3-662-58042-410.1007/978-3-662-58042-4Suche in Google Scholar
9 Fritz, J.: Industrie 4.0 durch Künstliche Intelligenz. ZWF 117 (2022) 5, S. 344–348 DOI:10.1515/zwf-2022-105310.1515/zwf-2022-1053Suche in Google Scholar
10 Jordan, M. I.; Mitchell, T. M.: Machine Learning: Trends, Perspectives, and Prospects. Science 349 (2015) 6245, S. 255–260 DOI:10.1126/science.aaa841510.1126/science.aaa8415Suche in Google Scholar PubMed
11 Gbagba, S.; Maccioni, L.; Concli, F.: Advances in Machine Learning Techniques Used in Fatigue Life Prediction of Welded Structures. Applied Sciences 14 (2024) 1, S. 398 DOI:10.3390/app1401039810.3390/app14010398Suche in Google Scholar
12 Scharr, C.; Heinze, C.; Geist, M.: Technical Communication on Engine Fault Detection with Small Datasets. In: 2023 8th International Conference on Frontiers of Signal Processing (ICFSP), Corfu, Greece, 23th–25th Oct. 2023, IEEE 2023, S. 52–56 DOI:10.1109/ICFSP59764.2023.1037291910.1109/ICFSP59764.2023.10372919Suche in Google Scholar
13 French, R.; Benakis, M.; Marin-Reyes, H.: Intelligent Sensing for Robotic Re-manufacturing in Aerospace – An industry 4.0 Design Based Prototype. In: 2017 IEEE International Symposium on Robotics and Intelligent Sensors (IRIS), Ottawa, ON, 5th–7th Oct. 2017, IEEE 2017, S. 272–277 DOI:10.1109/IRIS.2017.825013410.1109/IRIS.2017.8250134Suche in Google Scholar
14 Sampaio, I. G. B.; Viterbo, J.; Guerin, J.: Improving Robustness of Industrial Object Detection by Automatic Generation of Synthetic Images from CAD Models. Computational Intelligence 39 (2023) 3, S. 415–432 DOI:10.1111/coin.1257210.1111/coin.12572Suche in Google Scholar
15 Paiano, M.; Martina, S.; Giannelli, C. et al.: Transfer Learning with Generative Models for Object Detection on Limited Datasets. Machine Learning: Science and Technology 5 (2024) 3, S. 35041 DOI:10.1088/2632-2153/ad65b510.1088/2632-2153/ad65b5Suche in Google Scholar
16 Lin, B.; Dong, X.: Ship Hull Inspection: A Survey. Ocean Engineering 289 (2023), 11628110.1016/j.oceaneng.2023.116281Suche in Google Scholar
17 Neptune Robotics: Robotic Hull Cleaning – Neptune Robotics. Online unter https://neptune-robotics.com/services/robotichull-cleaning [Abruf am 21.11.2024]Suche in Google Scholar
18 Ma, H.; Lee, S.: Smart System to Detect Painting Defects in Shipyards: Vision AI and a Deep-Learning Approach. Applied Sciences 12 (2022) 5, 2412 DOI:10.3390/app1205241210.3390/app12052412Suche in Google Scholar
19 Malik, A. M. A.; Siow, C. L.; Khairuddin, J.: Artifical Intelligence for Ship Design Process Improvement: A Conceptual Paper. SSRN Electronic Journal (2023) DOI:10.2139/ssrn.444746410.2139/ssrn.4447464Suche in Google Scholar
20 Muñoz, J. A.; Perez-Fernandez, R.: Adopting Industry 4.0 Technologies in Shipbuilding Through CAD Systems. International Journal of Maritime Engineering 163 (2021), A1, S. 41–49 DOI:10.5750/ijme.v163iA1.410.5750/ijme.v163iA1.4Suche in Google Scholar
21 Diaz, R.; Smith, K.; Bertagna, S. et al.: Digital Transformation, Applications, and Vulnerabilities in Maritime and Shipbuilding Ecosystems. Procedia Computer Science 217 (2023), S. 1396–1405 DOI:10.1016/j.procs.2022.12.33810.1016/j.procs.2022.12.338Suche in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Höchste Qualität und maximale Effizienz Hand in Hand
- Produktivität
- Das Organisationsrätsel – mit System zum Erfolg
- Entwicklungsprozesse
- Integriertes Labornetzwerk zur Weiterentwicklung der Fügetechnik
- Supply Chain
- Konzept einer selbststeuernden Inbound Supply Chain
- Prozessoptimierung
- Vorgehensweise zur Bestimmung eines optimalen C-Teile-Managements
- Das digitale Coil
- Prozesssicherheit
- Einfluss der Werkstücksteifigkeit auf den Zerspanungsprozess
- Additive Fertigung
- Verzugsminimierung bei der Zerspanung von AM-Halbzeugen
- Resiliente Fabrik
- Planung resilienter Fabriken
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- Wertstrommethode
- Vom linearen zum zirkulären Werteverständnis
- Künstliche Intelligenz
- Hochqualitative industrielle KI für die Impfstoffproduktion
- KIKKI – KI-Unterstützung für Verpackungsprozesse
- Künstliche Intelligenz in Arbeitsprozessen – der Mensch im Fokus
- Potenziale für die Anwendung Künstlicher Intelligenz in der schiffbaulichen Fertigung
- Digitalisierung
- Hemmnisse und Herausforderungen für KMU im Zuge der digitalen Transformation
- Large Language Models
- LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Höchste Qualität und maximale Effizienz Hand in Hand
- Produktivität
- Das Organisationsrätsel – mit System zum Erfolg
- Entwicklungsprozesse
- Integriertes Labornetzwerk zur Weiterentwicklung der Fügetechnik
- Supply Chain
- Konzept einer selbststeuernden Inbound Supply Chain
- Prozessoptimierung
- Vorgehensweise zur Bestimmung eines optimalen C-Teile-Managements
- Das digitale Coil
- Prozesssicherheit
- Einfluss der Werkstücksteifigkeit auf den Zerspanungsprozess
- Additive Fertigung
- Verzugsminimierung bei der Zerspanung von AM-Halbzeugen
- Resiliente Fabrik
- Planung resilienter Fabriken
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- Wertstrommethode
- Vom linearen zum zirkulären Werteverständnis
- Künstliche Intelligenz
- Hochqualitative industrielle KI für die Impfstoffproduktion
- KIKKI – KI-Unterstützung für Verpackungsprozesse
- Künstliche Intelligenz in Arbeitsprozessen – der Mensch im Fokus
- Potenziale für die Anwendung Künstlicher Intelligenz in der schiffbaulichen Fertigung
- Digitalisierung
- Hemmnisse und Herausforderungen für KMU im Zuge der digitalen Transformation
- Large Language Models
- LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code
- Vorschau
- Vorschau
