Im Rahmen eines Promotionsstipendiums, welches von der Phoenix Contact Stiftung gefördert wird, forscht der Lehrstuhl TMDT gemeinsam mit der Phoenix Contact GmbH an KI-basierten Optimierungsansätzen in der Fertigung und Montage von Leiterplatten. Phoenix Contact ist vor allem in der Herstellung von elektronischen Verbindungselementen und Schaltschränken im industriellen Sektor aktiv. Ein zentraler Forschungsgegenstand ist die Entwicklung und Umsetzung einer KI-gestützten Anomalie-Erkennung in der visuellen Qualitätsinspektion. Hierzu werden State-of-the-Art Methoden des Deep Learning entwickelt, um selten auftrende Fehler bei der Montage automatisiert zu identifizieren. Die Methoden werden dabei in der realen Fertigungslinie umgesetzt und validiert. 

Das Auftreten von Wasserschäden im Keller eines Hauses und die damit einhergehenden kostspieligen Reparatur- und Renovierungsarbeiten sind ein großes Ärgernis für Hausbesitzer und -bewohner. Um in Zukunft frühzeitig und vergleichsweise günstig gegensteuern zu können, sind Möglichkeiten zur kontinuierlichen Überwachung des Zustandes der Isolationsschicht und eine dementsprechende frühzeitige Feuchtigkeitserkennung in Schadfällen erforderlich. Mit dem Ziel der Umsetzung eines ersten Proof-of-Concept forscht das TMDT gemeinsam mit der Achim Wunderlich Bauunternehmung GmbH & Co. KG an dem Einsatz von Digitalisierung im Baugewerbe. Durch die Integration von IoT-Sensoren während der Bauphase soll auch nach Fertigstellung eines Bauvorhabens eine kontinuierliche Qualitätsüberwachung ermöglicht werden. Im Zuge des Projektes werden Feuchtigkeitssensoren in eigens hierfür gebauten Kellerelementen integriert. Die Sensorwerte werden daraufhin mit Hilfe eines entwickelten Dashboards kontinuierlich überwacht und ausgewertet. In realen Experimenten werden unterschiedliche Einflussfaktoren, unter anderem die Beschaffenheit des Mörtels und die Position und Größe der Beschädigung, hinsichtlich Auswirkungen auf die Sensormessungen untersucht.

In der Fertigung von Windschutzscheiben stellen neueste Lösungen wie Augmented Reality Head-up-Displays (AR-HUD) neue Qualitätsanforderungen an die bestehende Produktion. Neue Technologien der Digitalisierung sowie der künstlichen Intelligenz versprechen großes Potenzial zur Prozessoptimierung. Im Rahmen des Projektes forscht das TMDT gemeinsam mit Saint-Gobain Sekurit und der HotSprings GmbH an KI-basierten Qualitätsprognosen im Fertigungprozess. Ein wesentliches Ziel hierbei ist es, auf Basis von gesammelten Prozessdaten sowie trainierten maschinellen Lernmodellen Inline-Qualitätsvorhersagen vorzunehmen sowie qualitätsverbessernde und prozessstabilisierende Handlungsempfehlungen für den Prozess abzuleiten. 

Recommender Systeme (dt. Empfehlungssysteme) begegnen uns jeden Tag in Online-Shops, auf Streaming-Plattformen und auf Social-Media-Plattformen. Eine wesentliche Funktionalität liegt darin, Kunden entsprechend ihrer bekannten aber vor allem unbekannten Präferenzen neue und für sie interessante Angebote finden. In dem Vorhaben forscht das TMDT gemeinsam mit dem Start-Up Breinify (San Francisco, USA), dem führenden Anbieter von Software zur prädiktiven Personalisierung auf Kundenebene, an der nächsten Generation von Deep Learning-basierten Recommender Systeme. Das Lösungskonzept zielt hierbei darauf ab, auf stark fluktuierende Variablen zu reagieren und die Empfehlungen auf diese Veränderungen anzupassen. Im Rahmen des Vorhabens werden die erarbeiteten Ansätze in Produktivumgebungen getestet und in realen Szenarien eingesetzt, sodass wichtige Erkenntnisse für weitere Forschungsarbeiten sowie die KI-Wissenschaftscommunity generiert werden. 

Die manuelle Nachbearbeitung von Gummisieben für Siebmaschinen ist in der industriellen Fertigung mit hohem Zeitaufwand, körperlicher Belastung und gesundheitlichen Risiken für die Mitarbeitenden verbunden. Insbesondere bei hohen Stückzahlen und einer großen Variantenvielfalt stößt eine rein manuelle Nachbearbeitung an ihre wirtschaftlichen und ergonomischen Grenzen. Vor diesem Hintergrund forscht das TMDT gemeinsame mit der Haver & Boecker OHG an der Entwicklung eines kamerabasierten, robotergestützten Systems zur automatisierten Nachbearbeitung von Gummisieben auf Basis von Computer Vision. Hierzu werden relevante Siebbereiche mittels einer Kamera erfasst, Deep-Learning Modelle zur visuellen Fehlerdetektion eingesetzt und aus den identifizierten Bildbereichen Roboter-Trajektorien abgeleitet. Diese Trajektorien werden anschließend von einem kollaborativen Roboter mit einem geeigneten Bearbeitungswerkzeug automatisiert abgefahren, um die betroffenen Bereiche präzise nachzubearbeiten.

Die Überwachung und Wartung von Hochstrom-Freileitungen birgt aufgrund der Länge der verlegten Leitungen und der freihängenden Lage große Herausforderungen für die manuelle Inspektion durch menschliches Fachpersonal. Die automatisierte KI-gestützte  Überwachung der Freileitungen und die bildbasierte Fehlererkennung von Wartungsfällen stellen eine attraktive Alternative zur manuellen Inspektion da. Vor diesem Hintergrund forscht das TMDT an der Entwicklung  von Verfahren zur Zustandsbewertung und frühzeitigen Fehlererkennung von Freileitungen durch den Einsatz von KI-gestützten Verfahren zur automatisierten Auswertung visueller Inspektionsdaten, die mit Kameradrohen aufgenommen wurden, für eine sichere und effiziente Instandhaltung. Um die dafür notwendigen Voraussetzungen zu schaffen, wurde ein vorgelagertes Data-Readiness-Radar-Projekt durchgeführt, in dessen Rahmen sich das TMDT mit der Begutachtung und Bewertung des bestehenden Datenbestandes beschäftigt hat. Dabei wurden Qualität, Vollständigkeit und Nutzbarkeit der vorhandenen Daten sowie die Prozesse der Datenbeschaffung und -speicherung analysiert, um bestehende Lücken zu identifizieren und gezielte Maßnahmen für eine nachhaltige und strukturierte Weiterentwicklung der Datenbasis abzuleiten.

In modernen Lagerhallen finden zahlreiche Einlagerungs-, Auslagerungs- und Umlagerungsprozesse von Paletten statt, die in der Regel von automatisierten Robotersystemen ausgeführt werden. Abhängig von der Art der Palette sowie von ihrer konkreten Position im Lager können diese Prozesse unterschiedlich viel Zeit in Anspruch nehmen. Ziel ist es, Paletten so zu platzieren, dass die vom Roboter benötigten Fahr- und Bearbeitungszeiten minimiert und die Gesamteffizienz des Lagers maximiert werden. Das TMDT erforscht hierzu gemeinsam mit der Ingstep GmbH Lösungsansätze auf Basis von Deep Reinforcement Learning, um diese Prozesse adaptiv und datengetrieben zu optimieren, sodass die Dauer für Auslagerungsvorgänge minimiert wird. Dies wird beispielsweise dadurch erreicht, dass auf Basis der aktuellen Auftragslage fortwährend Umlagerungsvorgänge stattfinden, sodass in Antizipierung von zukünftigen Auslagerungsvorgängen die auszulagernde Ware nah am Auslagerungsplatz gelagert ist. So organisiert und re-organisiert ein intelligenter Lageragent das Lager dauerhaft und passt die Lagerplatzvergabe den äußeren Umständen flexibel an.

Um im globalen Wettbewerb bestehen zu können, müssen Fertigungsunternehmen ihre Produktionsprozesse möglichst effizient gestalten. Diese Effizienz wird durch verschiedene Kennzahlen (KPIs) abgebildet, wie beispielsweise Kosten, Durchlaufzeiten oder Termintreue. Moderne Fertigungsprozesse sind jedoch häufig stark individualisiert und unterliegen spezifischen technologischen und organisatorischen Anforderungen. Das TMDT erforscht daher gemeinsam mit der Bruckmann Steuerungstechnik (BSG) GmbH, wie sich gängige Planungs- und Steuerungsregeln auf konkrete Anwendungsfälle übertragen lassen. Ziel ist es, deren Auswirkungen auf den entstehenden Produktionsplan sowie auf unterschiedliche KPIs systematisch zu analysieren und zu bewerten. So werden Produktionspläne unter Berücksichtigung der aktuellen Auftragslage, Maschinenauslastung, Personalverfügbarkeit, Warenbestandslage und Rohstoffverfügbarkeiten auf dem globalen Markt, optimiert und flexibel angepasst.