Navigationsweiche Anfang

Navigationsweiche Ende

Lehrstuhl für Technologien und Management der Digitalen Transformation


Herr Univ.-Prof. Dr.-Ing. Tobias Meisen

Aktuelles

  • Wirtschaft meets Wissenschaft im neuen CoWorkingLab
    Coworkingspaces als vollausgestattete Workspaces sind bekannt. [mehr]
  • Neue Mitarbeiterin für Kommunikation und Social Media
    Seit ein paar Wochen tut sich was verstärkt auf unseren Socialmedia-Kanälen, und dahinter steckt... [mehr]
  • Neue Kollegen am Lehrstuhl: Verstärkung im Bereich Reinforcement Learning
    In den vergangenen Wochen durften wir uns über neue Kollegen am Lehrstuhl freuen. [mehr]
  • Let´s talk science: 1. interne TMDT-Konferenz startet heute rein virtuell
    Die 1. interne TMDT Conference on Pioneering Research for Future Digitalization (TMDT PRFD) startet... [mehr]
  • Digitale Lehre - Drei Fragen an Prof. Meisen und Marion Rose
    Prof. Dr.-Ing. Tobias Meisen, Inhaber des Lehrstuhls für TMDT, und Dipl.-Psych. Marion Rose,... [mehr]
zum Archiv ->

Künstliche Intelligenz bei der Montage von Flugzeugschalen: AGR33D gestartet

Neues Forschungsprojekt in Zusammenarbeit mit der Premium Aerotec GmbH gestartet.

Im Rahmen des Projekts „Automatisierung für flexible und erweiterbare Schalenmontagen mit digitaler Intelligenz (AGR33D)“ untersuchen Wissenschaftler*innen des Lehrstuhls für Technologien & Management der Digitalen Transformation gemeinsam mit Partnern der Premium Aerotec GmbH den Einsatz von Digitalisierung und künstlicher Intelligenz zur Automatisierung der weitgehend manuellen Montage von Flugzeugschalen.

Der Lehrstuhl ist insbesondere in zwei Bereichen des Projekts beteiligt. Im Anwendungsfall "Vormontage" wird eine automatisierte Steuerung von Montagerobotern entwickelt. Bisher ist die robuste Automatisierung mit klassischen Verfahren nicht wirtschaftlich, da die Stückzahlen in der Flugzeugindustrie deutlich geringer sind als etwa in der Automobilindustrie. Mit Hilfe von lernenden Verfahren der künstlichen Intelligenz, dem sogenannten Reinforcement Learning, sollen Roboter nun Fügeaufgaben eigenständig erlernen, was wiederum die Produktionskosten deutlich senkt. 

Im Projektteil, der sich dem Anwendungsfall „Endmontage“ widmet, wird die Arbeitsplanung für die Zusammenarbeit von Menschen und Robotern betrachtet. Durch Reinforcement Learning sollen Durchlaufzeiten und Kosten von Arbeitsschritten geschätzt werden, um unter Berücksichtigung von Verfügbarkeiten einen optimalen Arbeitsplan zu erstellen. Ein wichtiger Aspekt ist hierbei das dynamische Umplanen im Fall von unvorhersehbaren Ereignissen, wie beispielsweise eine Störung an einem Roboter.

Für mehr Informationen siehe hier.