Referenzprojekte

Machine Learning bietet großes Potenzial für die Fertigungsindustrie, doch der Schritt vom Pilotprojekt in die breite Anwendung ist oft teuer und aufwendig. Bereits kleine Änderungen an Material oder Maschine erfordern neue Daten und ein erneutes Modelltraining. Das Projekt setzt genau hier an: Mit Transfer‑KI und hybriden Prozessmodellen aus Simulation und Datenanalyse sollen bestehende Modelle leichter übertragen, Kosten gesenkt und der Weg in die industrielle Anwendung beschleunigt werden.

Ziel des Projekts RaRe2 ist die Entwicklung einer flexiblen und resilienten Plattform, um die schnelle Rekonfiguration von Prozessketten durch Weiterbildung und -qualifizierung von Mitarbeitenden sowie durch Nutzung von kooperierenden Systemen zu schaffen.

Ziel des Projekts ist es, den Integrationsaufwand intelligenter, funktionsintegrierter Werkzeugspindeln durch eine standardisierte, modulare Medienschnittstelle zu reduzieren. Zudem soll mithilfe der virtuellen Inbetriebnahme eine Vorauslegung und Projektierung ermöglicht werden. Auf diese Weise können intelligente Werkzeugspindeln auch in Bestandsmaschinen zeiteffizient und kostengünstig integriert werden.

Im Forschungsvorhaben Scan2MEX soll die Automatisierbarkeit der Additiven Fertigung für den großskaligen 3D-Druck mit etablierten und neuartigen Extrusionsverfahren für Kunststoff ermöglicht werden. Die Automatisierbarkeit der Prozesskette zielt darauf, die Planungszeit vom Modell bis zum Start eines qualitativ hochwertigen Bauteils auf max. eine Stunde zu verkürzen.

Orcha-3 ist eine experimentelle Plattform zur Erforschung und Anwendung von AgenticAI in der intelligenten Produktionstechnik. Ziel ist es, neuartige Ansätze zur automatisierten Problemlösung, Entscheidungsunterstützung und Optimierung komplexer Wertschöpfungssysteme zu entwickeln und unter realitätsnahen Bedingungen zu erproben. Die Plattform verbindet moderne Large Language Models mit einer deterministischen Orchestrierungslogik und ermöglicht so die systematische Untersuchung von agentenbasierten KI-Systemen in industriellen Kontexten.

Die Harmonisierung der Mensch-Maschine-Interaktion im heutigen Produktionsumfeld bietet noch viel Potential. Die heterogenen Gesamtanlagen in der Produktion sind durch Strukturbrüche bei der Datenbereitstellung, Verarbeitung und Visualisierung bzw. Interaktion mit dem Menschen in der Produktion geprägt. Die Nutzer der im Projekt entwickelten Lösungen werden in die Lage versetzt, komplexe Produktionssysteme durch Unterstützungsfunktionen vereinfacht zu bedienen.

Zukünftig werden hybride Arbeitsplätze, an denen bioinspirierte Technologien als autonome Systeme und/oder in symbiotischer Zusammenarbeit mit Menschen zum Einsatz kommen, eine immer größere Rolle spielen. Um dies zu ermöglichen, müssen Vorteile der Softrobotik wie Sicherheit und Flexibilität sowie die Möglichkeit, repetitive Aufgaben ermüdungsfrei durchzuführen, in neuen Systemen kombiniert werden. Im Projekt BioiC werden dafür Roboter nach biologischen Vorbildern entwickelt, die für die Produktion essentielle Zielgrößen erreichen und dennoch inhärent sicher sind bzw. Arbeitsaufgaben dank ihrer kognitiven Fähigkeiten autonom anpassen können.

Neue EU‑Vorgaben machen das Recycling von Fahrzeugen zum Schlüsselfaktor der automobilen Kreislaufwirtschaft. Das Projekt »AutoWert« zeigt, wie digitale Produktpässe, automatisierte Demontage und hybride Verwertungssysteme dazu beitragen, wertvolle Rohstoffe effizient zurückzugewinnen.

Krankenhäuser sind mit ca. 4,8 Millionen Tonnen Abfall jährlich der fünftgrößte Abfallproduzent in Deutschland. Cirka 60 Prozent aller Medizinprodukte sind als Einwegprodukte zugelassen, Tendenz steigend. Bei den Abfällen handelt es sich um potenziell kontaminierte oder sogar infektiöse Produkte, was den herkömmlichen Recyclingprozess erschwert. Wie können diese Rohstoffe wieder sinnvoll in den Werkstoffkreislauf zurückgeführt werden und wo liegen die Potenziale im Lebenszyklus eines Medizinproduktes? Mit unserem White Paper möchten wir Antworten geben.

Das Projekt KIMoniQ befasst sich mit der beschleunigten und zuverlässigen In-situ-Qualitätsbewertung im PBF-LB/M-Verfahren. Ziel ist es, den Aufwand für nachgelagerte Inspektionen zu reduzieren, die Prozesszuverlässigkeit zu erhöhen und die Qualitätsdokumentation zu verbessern.