Das älteste aller Mittelstand 4.0 Kompetenzzentren in Deutschland wird als eines der ersten KI-Trainer einstellen, um Unternehmen fit zu machen für Künstliche Intelligenz.
Münchener Wissenschaftler wollen die industrielle Anwendbarkeit von innovativen Schweißverfahren mittels Künstlicher Intelligenz erhöhen. Mit zwei Projekten wollen sie insbesondere die Qualitätskontrolle und die Optimierung der Schweißparameter vorantreiben.
Schaltungsträger bilden das Herzstück elektronischer Geräte. Auf die unbestückten Leiterplatten werden verschiedenste Bauelemente aufgebracht. Dieser Vorgang lässt sich mittels Maschinellen Lernens deutlich optimieren.
Das neue Zentrum CCI (Cyber Cognitve Intelligence) will nicht nur die Forschung in Sachen Künstlicher Intelligenz voranbringen. Wichtig ist den Experten auch die Umsetzung in die Praxis.
Eine Suchmaschine, die Unternehmen hilft, den eigenen Herstellungsprozess zu optimieren: Das ist das Ziel des 2019 gestarteten Exzellenzcluster „Internet of Production“ der RWTH Aachen. Im Pendant zu Google sollen so viele Modelle und Daten aus dem Lebenszyklus unterschiedlicher Produkte gesammelt werden, dass sie einen Mehrwert bieten und damit Entscheidungshilfen gibt.
Ob spanende Werkzeugmaschinen profitabel arbeiten, hängt maßgeblich von ihrer Instandhaltung ab. Neue, unter dem Begriff „Predictive Maintenance“ bekannt gewordene Ansätze helfen, die Maßnahmen möglichst zeit- und kostenoptimal durchzuführen.
Eine neuartige Software soll durch Gruppierungen bestimmter Produktmerkmale auch bei kleinen Losgrößen ausreichend Daten sammeln, um Qualitätsmerkmale vorhersagen und Prozesse verbessern zu können.
Digitale Technologien sind noch nicht in ausreichendem Maße in die Prozessketten deutscher Unternehmen integriert. Das vom Bundeswirtschaftsministerium geförderte Projekt EMuDig 4.0 soll das für die Massivumformung ändern.
Im Kompetenz- und Analysezentrum für die Prozess- und Produktionsoptimierung mittels Data Mining (E|ASY-OPT) an der Friedrich-Alexander-Universität Erlangen-Nürnberg werden problemspezifische und fortgeschrittene Data-Mining-Methoden auf deren Integrierbarkeit in Produktionslinien zur gesamtheitlichen Qualitätsüberwachung von Produktionsprozessen aus dem Elektro- und klassischen Maschinenbau anwendungsnah für die Prozesse der KMU-Partner untersucht.
