DFG Forschungsimpuls - Smart Factory Grids (2024-2029)

Im von der Deutschen Forschungsgemeinschaft gef?rderten Forschungsimpuls "Smart Factory Grids" geht es um das Thema einer intelligenten Fabrik. Unsere Vision ist ein verteiltes Fertigungsnetzwerk, in dem mehrere spezialisierte Produktionseinheiten durch autonome (boden- und luftgestützte) Systeme miteinander verbunden sind, um eine hochflexible Fertigung für kleine Losgr??en mit drastisch reduzierten Rüstzeiten zu erreichen. Im Herzen dieser Smart Factory Grids stehen cyber-physische Systeme, die autonom und kooperativ agieren, sich selbst bewerten und resilient gegen a?u?ere Sto?rungen sind. Dies ist mehr als nur Automatisierung; es geht darum, ein intelligentes, reaktionsf?higes und nachhaltiges Fertigungs?kosystem zu schaffen.

Weitere Informationen:
Pressemeldung der Hochschule Esslingen
Smart Factory Grids Webpage

Anonymisierte Erfassung und Nutzung von Mobilit?ts- und Bewegungsdaten (2022-2025)

Seit Jahren etablieren sich zunehmend neue Formen der individuellen und kollektiven Mobilit?t. Dienstanbietende etwa von Carsharing oder ?ffentlichem Personennahverkehr ben?tigen Erkenntnisse aus Mobilit?tsdaten, damit sie die Angebote ressourcen- und umweltschonend auf den Bedarf der Nutzenden zuschneiden k?nnen. Das Projekt ?Anonymisierte Erfassung und Nutzung von Mobilit?ts- und Bewegungsdaten“ (AnoMoB) zielt darauf ab, Anonymisierungsverfahren zu entwickeln, die den Anbietenden von Mobilit?tsdiensten eine verbesserte Erhebung und Verarbeitung von Mobilit?tsdaten erm?glichen und gleichzeitig den Schutzbedürfnissen der Bürgerinnen und Bürger gerecht werden. Hierfür wird zun?chst anhand der Anforderungen der Dienstanbietenden definiert, welche spezifischen Mobilit?tsdaten zuzüglich weiterer Attribute wie Alter und Einkommen, in welcher Menge und Qualit?t genau, für die Planung einer ressourcenschonenden und bedarfsgerechten Mobilit?t ben?tigt werden. In Abh?ngigkeit von festgelegten Erwartungen werden ma?geschneiderte technische L?sungen entwickelt, die das datenschutzfreundliche Erheben der Bewegungsdaten der Dienstnutzenden erm?glichen und die sensiblen Informationen durch angemessene Sicherheitsma?nahmen schützen. Zugleich soll das Vertrauen der Dienstnutzenden in die Dienstanbietenden dank der erreichten Anonymisierungsgarantien bei der Verarbeitung ihrer personenbezogenen Daten gest?rkt werden.

Gef?rdert vom Bundesministerium für Bildung und Forschung

?bersicht (2021-2027)

Bund und L?nder f?rdern im Rahmen ihres gemeinsamen Programmes ?FH-Personal“ die Gewinnung und Entwicklung professoralen Personals an 64 Fachhochschulen bzw. Hochschulen für angewandte Wissenschaften (HAW). Die Hochschule Esslingen geh?rt zu den 13 baden-württembergischen Hochschulen, die in der ersten F?rderrunde einen positiven Bescheid erhalten haben. Mit insgesamt mehr als sechs Millionen Euro, die an die Hochschule und ihre Verbundpartner im Projekt flie?en, sollen die Nachwuchswissenschaftler:innen an der Hochschule gef?rdert werden, um somit qualifizierte Kandidat:innen für die HAW-Professur in die Zukunft auszubilden. Unter dem Projektnamen "HE-Personal" strebt die Hochschule daher an, besonders gute Wissenschaftlerinnen und Wissenschaftler mit Praxiserfahrung für die Lehre und Forschung in acht zukunftsorientierten Schwerpunkten zu gewinnen.

Schwerpunkt Autonome Systeme

Autonome Systeme sind ein Anwendungsschwerpunkt der Intelligenten Robotik. Die Anwendung maschinellen Lernens für autonome Systeme ist eines der weltweit aktivsten Forschungsgebiete. Aufgrund der ans?s?sigen Industrie ist dieses Fachgebiet von besonders gro?er, strategischer Bedeutung für die Region Stuttgart. Der Schwerpunkt Autonome Systeme im Rahmen von HE-Personal besch?ftigt sich mit Forschungsfragen im Bereich der künstlichen Intelligenz. Der Fokus liegt hierbei auf der Entwicklung einer Methodik, um den Ressourcenverbrauch im gesamten Entwicklungsprozess von KI-Systemen zu reduzieren und die Nutzung nachhaltiger zu machen (“Green AI”), denn das Training eines einzelnen künstlichen neuronalen Netzes kann aktuell Kosten in Millionenh?he verursachen.

Forschungsthemen erstrecken sich über verschiedene Sub-Themengebiete, wie etwa der Automatisierung der Architektur von KI-Systemen im Hinblick auf Effizienzsteigerung; der Lernf?higkeit von KI-Systemen, vor allem aus kleineren Datenmengen, um den Aufwand in der (manuellen) Datenerhebung zu reduzieren (self-supervised learning, weak supervised learning, few-shot learning, low-resource NLP); sowie der Gewinnung des tieferen Verst?ndnisses von KI-Systemen, um eine gezieltere Optimierung der KI- Architektur zu erm?glichen (explainable AI).

Weitere Informationen: HE-Personal Projektwebseite der Hochschule.

Gef?rdert vom Bundesministerium für Bildung und Forschung und vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg.

Entwicklung eines selbstlernenden Verfahrens zur verbesserten Windenergie-Kurzfristprognose (2022-2025)

Mit r?umlich hochaufgel?sten, an Wettermodelle gekoppelten CFD-Modellen, basierend auf den Reynolds-gemittelten Navier-Stokes-Gleichungen (RANS), kann inzwischen eine sehr hohe Genauigkeit bei der Vorhersage der Windgeschwindigkeit erreicht werden, welche für die Bewertung von Windertr?gen an potentiellen 老虎机游戏_老虎机游戏下载@n verwendet werden kann. Dadurch er?ffnet sich nun die M?glichkeit, diese Methoden weiterzuentwickeln, um auch Kurzfristvorhersagen im komplexen Gel?nde für den Windertrag von Windkraftanlagen zu erstellen. Die bereits angewandte und als Dienstleistung angebotene Herangehensweise, mesoskalige Wettermodelle in Verbindung mit Methoden der künstlichen Intelligenz für die Prognose zu verwenden (hybride Verfahren), soll deshalb im Sinne des physikalischen Downscalings mit detaillierten CFD-Simulationen und Anwendung von Ensemble-Wetterprognosen für die Bestimmung der physikalischen Prognoseunsicherheit weiterentwickelt werden.

Gef?rdert von der Deutschen Bundesstiftung Umwelt (DBU). 

Autonome Roboter in unstrukturierten Umgebungen (2022-)

Das Forschungsprojekt Mobile Robotik hat das Ziel, neue Methoden zu erforschen, die es einem mobilen Roboter erm?glichen, autonom in unbekannten und unstrukturierten Umgebungen zu agieren. Die inhaltlichen Schwerpunkte liegen dabei auf der sensorbasierten Wahrnehmung und Selbstlokalisierung mit modernen Verfahren des maschinellen Lernens.

In einer ersten Projektphase wurden bestehende Verfahren aus der Literatur unter wissenschaftlichen und technischen Gesichtspunkten analysiert und bewertet. Diese bestehenden Verfahren befassen sich zum gr??ten Teil mit autonomer mobiler Robotik in bekannten und strukturierten Umgebungen, z.B. Indoor-Logistik im industriellen Umfeld oder autonomes Fahren im Stra?enverkehr, und lassen sich nicht ohne Weiteres auf unbekannte unstrukturierte Umgebungen anwenden. 

In einer zweiten Projektphase wird daher erforscht, wie ein solcher Transfer erm?glicht werden kann und welche Weiterentwicklungen bestehender Methoden dazu erfolgen müssen. Grundlage dazu ist eine detaillierte Ableitung von Anforderungen sowie der Aufbau einer entsprechenden Auswerte- und Vergleichssystematik, die neben theoretischen Analysen auch eine Experimentalstudie mit ?ffentlich verfügbaren Forschungsdatens?tzen beinhaltet. 

AMEISE (Phase III) - Ganzheitliche Forschung zu den Potenzialen des autonomen Fahrens im ?PNV (2023-2024)

Im Herbst 2023 startete der emissionsfreie und autonome Kleinbus AMEISE in die dritte F?rderphase. Auch dieses Mal werden Wege untersucht, wie der autonome Shuttle systematisch mit der Stadtentwicklung und allen beteiligten Interessensvertretern verzahnt werden kann. Dafür identifizieren die Expert*innen in dieser Phase Faktoren, die einen Erfolg erm?glichen.

Weitere Informationen: AMEISE Webseite

Kl-basierte Qualit?tsprognose von Spritzguss-Bauteilen (2022-2024)

Ziel des Projekts ist die Entwicklung eines KI-basierten Prognosesystems zur Vorhersage der Bauteilqualit?t beim Spritzgie?en.

Im Gegensatz zum Stand der Technik soll dieses System die bisherige Prognose durch Prozessüberwachung mittels Maschinenparameter deutlich übertreffen. Weiterhin soll das System im Gegensatz zu herk?mmlichen KI-Anwendungen mit einer deutlich geringeren Menge an Trainingsdaten auskommen, um auch für Kleinserien attraktiv zu sein.

Durch das im Forschungsprojekt entwickelten Prognosemodell sollen die Bauteile schon w?hrend des Produktionsprozesses so genau überwacht werden, dass eine Qualit?tskontrolle nach der Fertigung überflüssig wird.

Dafür werden zuerst entsprechende Sensoren in den Prozess integriert. ?ber ein mehrstufiges Bewertungssystem kann das System sehr schnell eingesetzt werden, da nur eine kleine Menge an Trainingsdaten ben?tigt wird. Durch die mehrstufige Klassifikation k?nnen unbekannte Prozesszust?nde identifiziert und w?hrend der laufenden Fertigung nachgelernt werden. Bekannte Prozesszust?nde k?nnen vom System basierend auf Methoden des maschinellen Lernens robust und sicher klassifiziert werden.

Gef?rdert vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg.