Band 120, Heft s1 - Special Issue: Künstliche Intelligenz in Engineering und Produktion Guest Editors: Jan C. Aurich and Martin Eigner

Künstliche Intelligenz wird als nächste Stufe der digitalen Transformation betrachtet und hat das Potenzial, tiefgreifende Veränderungen in Wirtschaft und Arbeitsmarkt zu bewirken. Trotz fehlender einheitlicher Definition beschreibt KI die Fähigkeit von Maschinen, Aufgaben autonom auszuführen und sich anzupassen. Die Entwicklung von Large Language Models (LLMs) zeigt unterschiedliche Ansichten über den Weg zur künstlichen allgemeinen Intelligenz (AGI). Artificial Narrow Intelligence (ANI), auch als schwache KI bezeichnet, zeigt bereits gute Ergebnisse und ist in vielen Bereichen darauf spezialisiert, spezifische Aufgaben mit hohem Automatisierungsgrad, hoher Präzision und Effizienz auszuführen.

Die Einführung von Künstlicher Intelligenz (KI) wird häufig als disruptiver Wandel der Arbeitswelt beschrieben. Erfahrungen aus der praxisnahen Forschung zeigen jedoch, dass die Implementierung von KI in kleinen und mittleren Unternehmen (KMU) eher in Form von spezifischen Anwendungen erfolgt, die nur bestimmte Mitarbeitende in verschiedenen Rollen betreffen. Anhand von zwei Anwendungsfällen zeigt der Beitrag auf, wie die menschenzentrierte Gestaltung wichtige Ansätze für die erfolgreiche Einführung von KI bietet.

The integration of Generative AI (GenAI) and Agentic Architecture offers potential for scalability, automation, and improved decision-making in engineering and manufacturing. These technologies contribute to efficiency and process optimization but face challenges such as data fragmentation and interoperability. This paper examines the role of Agentic Architecture in addressing these issues, presenting scalable AI solutions, practical use cases, and strategic considerations for sustainable AI-driven innovation in industrial applications.

Die Industrie steht heute vor der Herausforderung, Entwicklungsprozesse und Produktion unter dem Einfluss wachsender Komplexität zu optimieren, um wettbewerbsfähig zu bleiben. Die erfolgreiche Anwendung von Künstlicher Intelligenz (KI) in der Intelligent Industry eröffnet neue Perspektiven zur Bewältigung dieser Herausforderungen. Dieser Beitrag beleuchtet zentrale Herausforderungen und zeigt wesentliche Erfolgsfaktoren auf: Der erfolgreiche Einsatz von KI in Entwicklung und Produktion erfordert eine klare KI-, Daten- und Digitalisierungsstrategie, die als Grundlage für den Aufbau einer harmominisierten Daten- und Systemarchitektur dient. Ein an dieser Strategie ausgerichtetes Portfoliomanagement ermöglicht anschließend die zielgerichtete Priorisierung und Umsetzung von Use Cases, um durch KI signifikante Effizienzgewinne und Kostensenkungen zu realisieren.

Die KI-Transformation erfordert schnelles, strategisches Handeln, das über einzelne Use Cases hinausgeht. Ohne eine ganzheitliche Ausrichtung laufen Unternehmen Gefahr, den Anschluss zu verlieren. Ein Wandel von der Use-Case-Perspektive hin zu einer werte- und transformationsorientierten Strategie ist entscheidend. Hat der Chief Artificial Intelligence Officer (CAIO) eine zentrale Rolle inne, hilft dies, die erforderlichen Rahmenbedingungen zu schaffen, um die Zusammenarbeit im gesamten KI-Lebenszyklus zu fördern und das volle Potenzial auszuschöpfen.

Machine Learning und Generative AI verändern die Art und Weise, wie technische Systeme entworfen, simuliert und optimiert werden. KI-gestützte Prozesse ermöglichen es, Entwicklungszeiten zu verkürzen und Kosten zu senken. Doch wie lassen sich KI-Anwendungen strukturiert in bestehende Entwicklungsprozesse integrieren sowie Nutzen und Erfolgschancen evaluieren? Dieser Beitrag skizziert einen Überblick über aktuelle KI-Anwendungen für die Verifikation & Validierung in der Produktentwicklung und bietet ein Vorgehen zur Umsetzung von KI-Anwendungsfällen.

KI-gestützte Produktentwicklungsprozesse weisen Potenzial zur Adressierung aktueller Herausforderungen auf. Deren industrielle Umsetzung bedarf zunächst einer KI-Adaption, welche in einem komplexen Gefüge an Aktivitäten unter Beteiligung von sowohl KI- als auch Domänenexperten erfolgt. Der Beitrag analysiert dies indem Implementierungsstrategien und Vorgehen, sowie praxisorientierte Handlungsempfehlungen zur strukturierten und nachhaltigen Adaption abgebildet werden.

Künstliche Intelligenz revolutioniert das Engineering und treibt Innovationen voran. Ihre industrielle Anwendung ist jedoch herausfordernd. PLM-Systeme nehmen hier eine Schlüsselrolle für den effektiven Einsatz ein. Sie stellen die notwendigen Daten bereit und ermöglichen es, KI-Modelle nahtlos in bestehende Prozesse zu integrieren.

Unternehmen stehen vor der Herausforderung, immer komplexere Produkte schneller, zu geringen Kosten und mit einem höheren Absicherungsgrad zu entwickeln, um wettbewerbsfähig zu bleiben. Gelingen kann dies nur, wenn die Produktentwicklung deutlich virtueller wird und Methoden der Softwareentwicklung übernimmt. Im Beitrag wird erläutert, wie eine vollständig digitale Entwicklungsweise – sprich „Code the Product“ – funktioniert und welche Rolle Künstliche Intelligenz (KI) dabei spielt. Sie ist ein wesentlicher Beschleuniger der Produktentstehung und ein Enabler für den „Code the Product“-Ansatz sein.

In the design process of gear systems, various computational tools are used to optimize the operational behavior. Due to time constraints, the initial stages of development typically assume ideal, deviation-free gear geometries. However, deviations resulting from manufacturing significantly affect performance in later applications. This publication presents a concept to incorporate the influence of manufacturing tolerances during early development phases systematically. Based on an initial set of detailed simulations, a surrogate model is developed and trained. This model can quickly generate a wide range of results, efficiently accounting for the large variance of deviations. The shown approach combines the advantages of detailed simulations with the speed of machine learning models.

The article explores how artificial intelligence (AI) and machine learning are enabling new paradigms in product design and development. It discusses how AI-powered „copilot“ systems can provide natural language access to specialized knowledge and automate complex workflows, flattening the learning curve for design software. The article also examines how embedding AI directly into design tools can capture expert knowledge, simplify the user experience, and provide intelligent recommendations. Furthermore, it delves into how AI-powered reduced order models (ROMs) can rapidly simulate design concepts, accelerating the design iteration process. The article envisions a future where custom AI models trained on proprietary data could enable fully autonomous, generative design – from initial concept to final optimized design. Overall, the article highlights the transformative potential of AI in redefining the design process and accelerating innovation.

KI unterstützt datenbasierte Entscheidungsfindung, die automatisierte Analyse von Entwurfsparametern und die Optimierung von Varianten. Neue Tools im Bereich „Generative Engineering and Design“ (GE & D) bieten vielfältige methodische und anwendungsspezifische Möglichkeiten. Dieser Beitrag stellt ein Vorgehensmodell vor, das den Einsatz von GE & D von der Festlegung der Rahmenbedingungen bis zur Lösungsgenerierung und -exploration umfasst und den Mehrwert der Methoden anhand eines Beispiels diskutiert.

Digital Twin Models (DTMs) are key to Industry 4.0, improving manufacturing and product development through AI. They enable real-time monitoring, predictive maintenance, and optimization across the product lifecycle. However, none human-comprehensible AI algorithms, especially deep neural networks, present challenges. In this regard, this study explores human-AI collaboration to create an AI-driven DTM for virtual product development. We propose a DTM that combines AI and expert knowledge to enable informed decision-making for product design optimization. For this, the architecture and functionality of the developed model will be first outlined, and further, the application of the model will be demonstrated in analyzing LiDAR systems.

Produktprofile sind eine praxisorientierte Hilfestellung, um neue Systemgenerationen zielgerichtet für die Bedürfnisse der Kunden und Anwender zu entwickeln. Dieser Beitrag zeigt anhand von zwei Fallstudien, wie KI bei der Definition von Kunden- und Anwendernutzen unterstützen kann. In Fallstudie 1 werden dazu aus Kundenrezensionen Use Cases und Produktverbesserungsvorschläge abgeleitet. In Fallstudie 2 werden Eigenschaften batterieelektrischer Fahrzeuge basierend auf Verkaufszahlen priorisiert.

Der Deloitte Systems Engineering Navigator setzt neue Maßstäbe im Umgang mit der wachsenden Komplexität moderner Produktentwicklungen. Mit generativer, erklärbarer und lernender KI, einer bidirektionalen RFLP-Methodik (Requirements, Functions, Logical Elements, Physical Elements) und nahtloser Datenintegrität ermöglicht er einen entscheidenden Druckpunktwechsel: von fragmentierten und fehleranfälligen Prozessen hin zu einer effizienten, konsistenten und zukunftssicheren Modellierung. Unternehmen profitieren von erheblichen Zeitersparnissen, reduzierter Redundanz und gesteigerter Innovationskraft.

The increasing complexity of modern technical systems necessitates innovative approaches such as Model-Based Systems Engineering (MBSE). In this context, using Artificial Intelligence (AI) emerges as a key enabler for practical application and efficiency improvement. This article introduces a maturity model for AI-based assistance systems in MBSE. It helps companies assess their current automation level in MBSE activities, providing a foundation for strategic planning of process improvements.

Große Sprachmodelle wie GPT-4 bieten erhebliche Potenziale für das Systems Engineering. Prompt-Engineering ermöglicht einen flexiblen Einsatz im Anforderungsmanagement, Systementwurf und in der Integration, Verifikation und Validierung ohne aufwendiges Modelltraining. Die Formulierung von Prompts und die Anwendung fortschrittlicher Techniken erfordern jedoch tiefes Domänenwissen. Der Beitrag zeigt Potenziale und Herausforderungen dieser Technik auf und illustriert praktische Anwendungsbeispiele

Knowledge graphs and AI enable rapid sustainability assessment in product development. Knowledge graphs structure interconnected semantic information, enhancing data interoperability and managing complex relationships. AI leverages this to automate analysis and aid decision-making. By embedding sustainability metrics, the environmental impacts of choices in product development can be compared. This article reviews knowledge graphs in sustainability assessment and AI’s role in enhancing these capabilities. It also presents a case study on carbon footprint analysis through knowledge graphs and AI.

Large Language Models (LLM) offer significant potential for automating complex tasks across domains. This article presents a novel Enterprise Resource Planning (ERP) system that leverages LLM to fulfill customer requests by accessing the ERP database for real-time updates, modifications, and availability checks, enhancing interaction and efficiency. Using a graph-theoretic framework, the system supports stateful workflows with cycles, branching, and human-in-the-loop (HITL) interactions, allowing precise control over application flow. This approach redefines LLM deployment in ERP applications, providing enhanced automation and responsiveness in customer service.

Generative Künstliche Intelligenz (generative KI) und Large Language Models (LLMs) werden die Art und Weise, wie wir zukünftig mit Maschinen oder technischen Systemen interagieren, grundlegend verändern. Ihre Fähigkeiten bergen enormes wirtschaftliches Potenzial. Allerdings gibt es, gerade in der Produktion und bei Produktionsprozessen, bestimmte Risiken und Hürden, die es bei der Implementierung entsprechender Anwendungen zu bedenken gilt. Nur in Verbindung mit anderen Technologien der Künstlichen Intelligenz kann die generative KI dazu beitragen, dass Mitarbeiter jederzeit auf vertrauenswürdiges Produktionswissen über den gesamten Produktionsprozess hinweg zugreifen können, und Expertenwissen nachhaltig gesichert werden kann.

Die Integration von Künstlicher Intelligenz (KI) in das Product Lifecycle Management (PLM) bietet große Vorteile wie verbesserte Prozesseffizienz und Optimierung des Produktlebenszyklus. Trotz der Fortschritte der KI in Machine Learning (ML) und Natural Language Processing (NLP) gibt es Hindernisse wie Datenverfügbarkeit, Kosten und Herausforderungen bei der Implementierung. Branchen wie die Automobilindustrie setzen KI aktiv ein, während traditionelle Branchen zögerlicher sind. Eine schrittweise Einführung in unkritischen Bereichen, der Fokus auf Datenqualität und die Einbeziehung der Mitarbeiter sind entscheidend für eine erfolgreiche Integration von KI in PLM.

Eine eng tolerierte und konstante Produktqualität bei zugleich hohen Produktionsraten machen Umformprozesse zu wirtschaftlichen und nachhaltigen Fertigungsverfahren mit einer hohen Relevanz in der industriellen Produktion. Kurz-, mittel- und langfristige Prozessunsicherheiten wie Beölungszustand, Werkzeugverschleiß, Schwankungen der Halbzeugeigenschaften oder Temperaturänderungen reduzieren jedoch die Wirtschaftlichkeit. Eine umfassende Prozessüberwachung ist entscheidend für eine zuverlässige Prozessführung. Durch die Ergänzung konventioneller Sensorsysteme mit optischen Daten kann die kontaktlose Überwachung von Werkzeug und Werkstück verbessert und das Prozessverständnis erweitert werden.

The integration of software-defined automation with artificial intelligence (AI) holds the potential to revolutionize production. Software-defined automation can be characterized by its flexible, service-oriented architecture, enabling real-time monitoring and control of production processes. Combined with AI capabilities, it offers new levels of efficiency, flexibility, and safety for industry. This article provides practical insights into how these technologies can be applied in production together to enhance resilience, sustainability, and competitiveness.

Die größte Herausforderung des Einsatzes von KI in der Produktion ist die Anpassung bestehender Lösungen an spezifische Unternehmensanforderungen und die Bewertung ihres wirtschaftlichen Nutzens. Das ProKI-Zentrum Aachen entwickelte den „Use-Case-First-Ansatz“ und erprobte diesen innerhalb eines Konsortialprojektes mit elf Unternehmen. Dabei werden in einem dreistufigen Verfahren Use Cases identifiziert, auf technisches und wirtschaftliches Potenzial geprüft und individuelle Roadmaps erstellt.

Die Digitalisierung und KI verändern die Industrie – doch viele Ingenieurinnen und Ingenieure stehen vor einer Hürde: fehlende Programmierkenntnisse. Wie können GPT-basierte Assistenten wie Git-Hub Copilot dabei helfen? Dieser Beitrag beleuchtet ihre Stärken, zeigt Unterschiede zu No-Code- und Low-Code-Lösungen auf und diskutiert Herausforderungen bei der Integration in den Arbeitsalltag. Zudem wird die Bedeutung algorithmischer Problemlösungskompetenzen für die technische Praxis herausgestellt.

Der Beitrag untersucht das Konzept „Lean Data“, das darauf abzielt, große Datenmengen in Produktionsumgebungen effizient zu reduzieren. Mithilfe einer Toolbox zur datengetriebenen Auswahl spezifischer Reduktionsmethoden wird die Datenkomplexität minimiert, ohne relevante Informationen zu verlieren. Der Ansatz kombiniert Methoden der Datenkompression und -reduktion und berücksichtigt gleichzeitig anwendungsspezifische Anforderungen, wie z. B. den zeitlichen Kontext und die Wiederherstellungsgenauigkeit. Experimente zeigen, dass angepasste Reduktionsmethoden signifikante Speicher- und Analysevorteile bieten.

In den letzten Jahren bieten Technologien der künstlichen Intelligenz (KI) neue Möglichkeiten zur Steigerung von Qualität und Effizienz in der Produktion. Damit das hiermit verbundene Potenzial vollständig ausgeschöpft werden kann, ist der Nachweis der Zuverlässigkeit von KI unabdingbar, insbesondere für den Einsatz der KI in automatisierten Produktionssystemen. Für einen belastbaren Zuverlässigkeitsnachweis sind Tests erforderlich, bei denen die KI-Modelle auf verschiedene Fehlerarten geprüft werden. Dieser Beitrag stellt anhand von drei Anwendungsfällen aus der industriellen Produktion vor, wie mit spezialisierten Prüfwerkzeugen Tests von KI-Modellen durchgeführt werden können, die systematische Schwächen in den KI-Modellen aufdecken. Damit die KI-Tests effizient durchgeführt und Testresultate automatisiert dokumentiert werden, sind die Prüfwerkzeuge in eine skalierbare Prüfplattform integriert.

Künstliche Intelligenz (KI) kann Betreiber einer Smart Factory dabei unterstützen, effizienter zu produzieren, Störungen früher zu erkennen oder sogar vorherzusagen und somit in Summe wettbewerbsfähiger zu werden. Dabei geht es um KI-basierte Analysen, Vorhersagen und die Planung der kompletten Fertigung. Der Beitrag erläutert, was KI in der Smart Factory leisten kann und warum Standardlösungen deutliche Vorteile gegenüber individuellen KI-Projekten bieten.

Circular factories must ensure the functionality and reliability of used components for recombination with other components or subsystems from the same or different product generations. This paper presents a data-driven decision-making framework integrating the Functional Behavior Model and System Reliability Model within a Digital Twin. Data from physical testing is continuously incorporated, simulating recombination scenarios and guiding decision-making on component reprocessing. An angle grinder is used as a case study for demonstration. The proposed framework enhances sustainability and supports the use of reprocessed components in products designed for primary markets.

With today‘s trend toward mass customization, fast and efficient reconfiguration of manufacturing systems is essential. New artificial intelligence and robotics developments play a key role in optimizing these processes. AI-driven reconfigurations are becoming increasingly effective because of real-time data from digital twins and intuitive interaction through extended reality. This article presents an approach that integrates digital twins and extended reality in a reconfigurable manufacturing use case, laying the foundation for AI-driven optimization. It highlights potential industrial benefits, such as increased flexibility and reduced downtime, and provides an outlook on future developments.

Im Rahmen dieser Arbeit wird ein Ansatz präsentiert, der die Kombination von Digitalem Zwilling und Künstlicher Intelligenz nutzt, um die Bahnplanung eines Knickarmroboters erfahrungsbasiert zu optimieren. Zu diesem Zweck wird ein Autoencoder eingesetzt, um die Daten zu analysieren und mögliche Anomalien im Prozess zu erkennen und zu gewichten. Darauf aufbauend wird ein Erfahrungsraum aufgespannt, welcher die Grundlage für eine optimierte Bahnplanung der Bewegung des Roboterarms bildet.

Predicting the service life of tools offers many advantages in manufacturing, such as reduced maintenance and fewer machine failures. The advances in machine learning methods, representing a sub-area of AI, are constantly creating new potentials in this field. However, process data with a sufficiently high information density are required to use machine learning for service life predictions. In many instances, a primary requirement is to map the entire use of the considered tool. Therefore, this article examines the suitability of an existing process data set of a ring rolling process that maps the whole use of the tool. The considered tools are mandrels, which are used to produce rings in the hot-forming industry. In the first step, the fracture pattern of a mandrel is microstructurally investigated. Subsequently, a machine learning model is developed to examine the suitability of this dataset to predict service life in an initial feasibility study.

Monitoring drivetrain loads is essential for reliable wind turbine operations, yet traditional methods rely on complex rotating sensors. This paper highlights the industrial relevance of AI-driven virtual sensing, utilizing a static sensor setup and machine learning models trained on real-world data to optimize turbine reliability, reduce costs, and enhance operational predictability.

In diesem Beitrag werden Ansätze untersucht, um ProgrammiererInnen von speicherprogrammierbaren Steuerungen (SPS) entlang des gesamten Softwareentwicklungszyklus durch den Einsatz von generativer künstlicher Intelligenz (KI) zu unterstützen. Konkret wird dabei auf die Umsetzung eines lokalen Sprachmodells für die Generierung von strukturiertem Text (ST) nach IEC 61131-3 und eines Retrieval Augmented Generation-(RAG)-Systeme als Assistent für die Engineering-Software von SPS eingegangen. Diese Beispiele zeigen Potenziale auf, die durch den Einsatz von Sprachmodellen im Umfeld der SPS-Programmierung bereits jetzt greifbar sind.

This study presents a framework for integrating and qualifying Machine Learning (ML) in Maintenance, Repair, and Overhaul (MRO) processes for gas turbines. Using neural networks for damage detection and decision trees for repair estimation, it emphasizes continuous qualification aligned with ISO/IEC standards and responsible AI principles. An interactive guide supports systematic ML implementation, ensuring transparency and compliance with Industry 4.0. Validated through two turbine blade case studies, the approach addresses key qualification steps, ensuring reliability in ML-assisted workflows. The study highlights the need for refined ML qualification standards to adapt to evolving AI technologies and regulations.

Based on recent Artificial Intelligence advancements, this paper addresses implementing an AI-based maintenance strategy within a controlled production environment. The architecture employs real-time machine monitoring. Data is first processed locally for early fault detection and later cloud-based to support predictive maintenance functions. A Large Language Model trained with domain-specific knowledge provides operators with basic instructions to manage repetitive faults. The architecture is implemented and tested as a source of experimental data.

Datenbasierte Modelle zur Werkzeugzustandsüberwachung erfordern eine große Datenmenge, deren Generierung für einzelne Unternehmen aufwendig ist. Das unternehmensübergreifende Zusammenführen von Daten als mögliche Lösung birgt jedoch das Risiko, geistiges Eigentum der Unternehmen offenzulegen. Um die Offenlegung zu verhindern und eine sichere Kollaboration zu ermöglichen, können Confidentiality-Protecting Technologies eingesetzt werden, deren Anwendung im Forschungsprojekt MINERVA untersucht wird.

Lithium-Ionen-Batterien sind entscheidend für die Energiewende. Die Partikelgröße der in den Elektroden verwendeten Materialien stellt ein entscheidendes Qualitätsmerkmal dar. Zur Bestimmung dieser Größe (Mahlfeinheit) wird häufig ein Grindometer eingesetzt, ein manuelles Verfahren, welches Ungenauigkeiten und mangelnder Wiederholbarkeit unterliegt. Um diese Limitationen zu überwinden, wurde eine automatisierte Messeinrichtung entwickelt, welche eine standardisierte Fotographie und KI-basierte Auswertung der erfassten Partikelgrößen ermöglicht.

In einer individualisierten Produktion mit hoher Variantenvielfalt stoßen traditionelle Ansätze zur Prozessüberwachung immer häufiger an ihre Grenzen. Diese basieren meist auf statischen Datensätzen oder wiederkehrenden Prozessmustern, was in dynamischen Produktionsumgebungen zu ungenauen Vorhersagen und vermehrten Fehlalarmen führen kann. In diesem Beitrag wird ein Konzept zur Flexibilisierung der Prozessüberwachung diskreter Produktionsprozesse vorgestellt, das auf der Kombination von Physics-informed Machine Learning (PIML) und Active Learning (AL) basiert. In agilen Produktionsumgebungen können so nicht nur Anomalien erkannt, sondern das Überwachungsmodell bei Fehlalarmen auch automatisch aktualisiert werden. Dadurch bleibt das Überwachungssystem auch unter variablen Produktionsbedingungen präzise, was Fehlalarme reduziert und damit zu einer verbesserten Overall Equipment Effectiveness (OEE) beiträgt.

Dieser Beitrag beschäftigt sich mit dem Einsatz von innovativen Bildverarbeitungsmethoden zur eineindeutigen Identifikation von Bauteilen in der Smart Factory. Im Gegensatz zu herkömmlichen Methoden, wie z. B. dem Data Matrix Code (DMC), wird keine Markierung auf das Bauteil aufgebracht. Stattdessen basiert diese Studie auf dem Konzept eines digitalen Fingerabdrucks, der die natürlichen mikrostrukturellen Variationen auf der Oberfläche jedes Bauteils nutzt.

Deutsche Fahrzeughersteller, Klebstoffhersteller und Maschinenbauer sind weltweit führend bei der Entwicklung von Klebstoffsystemen und tragen erheblich zur deutschen Wertschöpfung bei. Die Digitalisierung in der Klebetechnik birgt großes wirtschaftliches Potenzial, wird jedoch aufgrund der Komplexität der Prozesse bislang unzureichend genutzt. Im Beitrag wird der Stand der Technik zur Digitalisierung im Sinne von Industrie 4.0 dargestellt und aktuelle Herausforderungen herausgearbeitet.

Fehlende Wachstumsimpulse im In- und Ausland, starke Konkurrenz und hohe Energiekosten haben den Produktionssektor nach wie vor fest im Griff. Ein Produktivitätsschub wäre wünschenswert, könnte er Fertigern doch den nötigen Schwung verschaffen, sich im Idealfall aus eigener Kraft aus dem Konjunkturtal zu befreien. Doch wie soll das gelingen? Der Einsatz von künstlicher Intelligenz verspricht, neue Produktivitätspotenziale zu erschließen: Kombiniert mit einer formalisierten Prozesskarte lassen sich bereits heute ganze Teile der Abläufe zur Bearbeitung eines Fertigungsauftrags automatisiert bewältigen – und dabei gleichzeitig die Zuverlässigkeit der Fertigungsplanung optimieren.

Auf Basis aussagekräftiger Daten der Werkzeuge die Qualität der zu fertigenden Produkte sowie den Zustand der Werkzeuge innerhalb der Produktionsmaschinen indirekt vorherzusagen – dies wird möglich durch den Einsatz von Sensorik in vernetzten Industrieanlagen. Die derart gesammelten Daten werden durch Predictive-Analytics-Verfahren ausgewertet, visuell aufbereitet und anschließend für die Planung bereitgestellt.

Aktuell gewinnen datengetriebene Methoden wie Reduced Order Models (ROMs) und Physics-Informed Machine Learning (PIML) an Bedeutung, da sie physikalische Phänomene effizient modellieren. Ihre Leistungsfähigkeit hängt jedoch von hochwertigen Trainingsdaten ab, die in der Realität häufig nicht verfügbar sind. Diese Arbeit untersucht Long Short-Term Memory (LSTM) und Liquid Time Constant (LTC) Netzwerke zur Abschätzung des Designraums additiv gefertigter Metamaterialstrukturen für optimierte Dämpfungseigenschaften. Trotz begrenzter Datenbasis zeigte das LTC-Netzwerk mit Nadam-Optimierer eine gute Modellgüte für liegend gedruckte Proben, jedoch reduzierte Generalisierbarkeit für stehende Proben. Zudem konnten periodische Buckling-Effekte nicht adäquat abgebildet werden. Die Ergebnisse zeigen das Potenzial von LTC-Netzwerken, weisen aber auch auf bestehende Grenzen hin, die im Kontext der Metamaterialien und Leichtbaustrukturen berücksichtigt werden müssen.

Das Teilprojekt „Transparente KI-gestützte Prozessmodellierung im Gesenkschmieden“ des Schwerpunktprogramms (SPP) 2422 der Deutschen Forschungsgesellschaft (DFG) strebt die Optimierung des Gesenkschmiedens durch den Einsatz künstlicher Intelligenz (KI) an. Bisher werden Materialaufmaße genutzt, um Prozessschwankungen zu kompensieren. Erklärbare KI-Modelle ermöglichen die Analyse der Wirkzusammenhänge zwischen Prozessparametern auf Geometrieabweichungen und sollen zukünftig zur Optimierung der Prozess- und Werkzeuggestaltung genutzt werden. Dadurch können Material- und Energiebedarf reduziert werden, was zur Steigerung der Nachhaltigkeit in der Massivumformung beiträgt.

In this study, AI-supported anomaly detection methods in the milling of inhomogeneous sample materials are investigated. To simplify data generation, targeted boreholes were introduced into homogeneous material samples. Process data were collected by means of acceleration measurements on both the workpiece and tool sides and force measurements on the tool side. Implementing targeted feature extraction and applying feature-based machine learning algorithms achieved precise material classification and reliable differentiation between drilled and undrilled samples for process monitoring.

Die Aufbereitung von praxisnahen Trainingsdatensätzen für Deep Learning in der Arbeitsplanung ist eine große Herausforderung. Die Datengrundlage aktueller Ansätze basiert auf synthetisch erstellten 3D-Modellen. Eine solche synthetisierte Generierung von Trainingsdaten bildet jedoch nur sehr begrenzt die industrielle Praxis ab. Vor diesem Hintergrund haben Ansätze ein hohes Potenzial, bei denen aus den Daten mehrerer Unternehmen eine ausreichend große Datengrundlage gebildet werden kann, ohne dass diese an eine zentrale Stelle übertragen werden müssen. Eine im beschriebenen Kontext vielversprechende Methode ist das Federated Learning (FL), für dessen Anwendung in der Arbeitsplanung in diesem Beitrag ein Ansatz beschrieben wird.

Logistikprozesse, wie z. B. die manuelle Kommissionierung, fordern Unternehmen gerade in Hochlohnländern heraus, diese möglichst effizient, aber vor allem nachhaltig zu gestalten. Unternehmen müssen eine ausgewogene Balance zwischen der Optimierung der reinen Kommissionierzeit und der gleichmäßigen Auslastung der jeweiligen Lagermitarbeitenden finden. Nur so können unternehmerische Ziele langfristig mit der Mitarbeitendenzufriedenheit vereinbart werden. Dieser Beitrag stellt einen praxisnahen Ansatz zur Optimierung dieses Logistikprozesses vor, der auf den Potenzialen der Künstlichen Intelligenz (KI), genauer dem Reinforcement Learning (RL), basiert.

Aus unterschiedlichen Erfahrungen von Mitarbeitenden und hoher Komplexität bei der Montage von Großstrukturen, resultieren variierende Prüfergebnisse bei einer abschließenden Qualitätskontrolle. Es ergeben sich Verbesserungspotenziale hinsichtlich der Prozesssicherheit und Durchführungszeit. Innerhalb eines Anwendungsfalls soll untersucht werden, wie eine digitalisierte und auf künstlicher Intelligenz (KI) basierende Lösung zu einer effizienteren Durchführung dieses Prozesses beiträgt. Durch das KI-basierte Auffinden verschiedener Prüfmerkmale und anschließendem Soll-Ist-Abgleich werden mögliche Diskrepanzen deutlich, sodass fehlende oder mangelhafte Bauteile dokumentiert werden.

Die Raumfahrtindustrie und insbesondere der Bereich der Satellitenkommunikation befinden sich aktuell in einem starken Wandel. Hierbei wird häufig davon gesprochen, dass sich die traditionelle Raumfahrt („Old Space“) in Richtung einer neuen Raumfahrt („New Space“) bewegt, die geprägt ist von deutlich höheren Stückzahlen und kürzeren Entwicklungs- und Lieferzeiten von Satellitenkomponenten. Diesen Wandel vollzieht auch die Tesat-Spacecom GmbH & Co. KG und arbeitet daher aktuell eng mit den Fraunhofer-Instituten IPA und IAO im Rahmen eines Projektes zusammen, um mithilfe von KI und digitalen Zwillingen verlässliche und umfangreiche Qualitätsvorhersagen treffen zu können.

Die 8D-Methode ist ein bewährter, systematischer Ansatz zur Fehlerbehebung und Qualitätsverbesserung. Sie besteht aus acht Disziplinen, die schrittweise zu durchlaufen sind, um Mängel zu identifizieren, zu analysieren und nachhaltig zu beheben. In jüngster Zeit hat die Integration von künstlicher Intelligenz (KI) in den 8D-Prozess zu einer signifikanten Optimierung und Effizienzsteigerung geführt.

Die Prognose von Durchlauf- und Lieferzeiten ist herausfordernd, besonders in der Einzel- und Kleinserienfertigung. Diese Arbeit stellt einen holistischen Ansatz zur KI-gestützten Prognose dieser Zeiten vor, welcher Techniken aus den Bereichen Automated Machine Learning und Lifelong Learning kombiniert, um leichtgewichtig auch langfristig robuste Prognosemodelle hervorzubringen. Der Ansatz wurde in zwei Fallstudien in der Metallverarbeitung und der Möbelbranche erfolgreich erprobt.