Künstliche Intelligenz

Künstliche Intelligenz kann Maschinen die Fähigkeit geben, ihr Verhalten auf Basis von Erfahrungen zu verbessern. In der Industrie werden heute überwiegend Lösungen im Bereich des Machine Learning eingesetzt. Hierbei lernt der Computer aus Daten, ohne explizit für eine konkrete Aufgabe programmiert zu werden. Die KI ist in der Lage, Anomalien z. B. bei Maschinengeräuschen, Produktoberflächen) und Daten zu erkennen und dem Menschen zu signalisieren. Typische Anwendungsfälle liegen im Bereich der Werkerassistenz und Instandhaltung, bei denen schnell auf Abweichungen reagiert werden soll. Die Klassifizierung durch KI wird häufig im Bereich der Qualitätssicherung eingesetzt. Anwendungsfälle einer KI-basierten Prognose finden sich bisher überwiegend im Bereich Instandhaltung (Predictive Maintenance) bzw. Qualitätssicherung (Predictive Quality). Die Prognosefähigkeit wird aber auch im Bereich der Ressourcenplanung eingesetzt (z. B. Prognose von Auftragsendeterminen, Rüstzeiten, Maschinen- und Personalverfügbarkeiten etc.).

Factory Innovation Awards 2027 - Banner mit Termine - Online Pitch

Künstliche Intelligenz

Tools des maschinellen Lernens

Tools des maschinellen Lernens

Marktstudie, Anwendungsbereiche und Lösungen der Künstlichen Intelligenz
Dieses Buch bietet einen Überblick über aktuelle KI-Lösungen und hilft bei der Auswahl der richtigen Algorithmen und Tools für spezifische Herausforderungen. Mit der systematischen Klassifizierung von 90 Lösungen ermöglicht es, schnell die Grundlagen zu verstehen und den Auswahlprozess für Ihr Projekt zu meistern.
Modellierung intelligenter Produktionssysteme

Modellierung intelligenter Produktionssysteme

Optimierung und Effizienzsteigerung für eine zukunftssichere Industrie 4.0
Die schnelle und effiziente Anpassung an wechselnde Umgebungsbedingungen ist einer der Kernfaktoren für Unternehmen, um eine langfristige Festigung und Stärkung der Marktposition zu erreichen. Dabei spielen insbesondere auch die hohen Anforderungen der Kunden nach einer Individualisierung ihrer Produkte sowie rasche Innovationszyklen technischer Produkte eine wichtige Rolle.
Mensch-Roboter-Kollaboration in cyber-physischen Arbeitsumgebungen

Mensch-Roboter-Kollaboration in cyber-physischen Arbeitsumgebungen

Technische und organisatorische Herausforderungen für ein robustes Sicherheitssystem
Die Eigenschaften dieser sogenannten cyber-physischen Systeme (CPS) beinhalten die Erfassung, Speicherung, intelligente Verarbeitung und Kommunikation von Daten. Hieraus ergeben sich neue Interaktions- und Kollaborationsmöglichkeiten in der Mensch-Technik-Interaktion. Dieser Beitrag behandelt technische und organisatorische Herausforderungen eines robusten Schutz- und Sicherheitssystems für den Einsatz in einer Mensch-Roboter-Kollaboration.
Strategischer Ansatz zur Umsetzung der Losgröße 1

Strategischer Ansatz zur Umsetzung der Losgröße 1

Projekt CrimpProd-S integriert dezentrale, selbstlernende Systeme in die Produktion
Das Projekt „CrimpProd-S“ untersucht die Integration dezentraler, selbstlernender Produktionssteuerungssysteme im Kontext der Industrie 4.0. Ziel ist die wirtschaftliche Umsetzung kleiner Losgrößen hin zur kundenindividuellen Stückzahl 1 bei bestehenden Produktionsstrukturen. In diesem Beitrag wird die EntwicklungDurch die Entwicklung einer allgemeingültigen und übertragbaren Methode vorgestellt.
Skalierbarkeit von KI-Anwendungen in der Produktion

Skalierbarkeit von KI-Anwendungen in der Produktion

Fertigung zwischen Insellösungen und systemübergreifenden Produktionsanlagen
Bereits heute existieren vereinzelt vielversprechende industrielle Anwendungen der Künstlichen Intelligenz, vor allem in den Bereichen Prozess- und Zustandsüberwachung. Heutige KI-Modelle werden jedoch ausschließlich als Insellösungen für einen Prozess und eine Maschine entwickelt. Wie gelingt daher eine breite Übertrag- und Skalierbarkeit der Anwendungen in der gesamten Produktion?
PLUGandWORK

PLUGandWORK

Maschinen und Komponenten für Industrie 4.0 befähigen
PLUGandWORK ist ein Konzept zur Interoperabilität in Industrie 4.0, bestehend aus konkreten Lösungen zur semantischen Beschreibung von Maschinen und Anlagen sowie deren Komponenten. Ziel ist es, manuelle Konfigurationsarbeiten weitgehend zu reduzieren und so allgemein verständliche, schnelle und sichere Verbindungen von Geräten und überlagerter Software zu erreichen.
Der Kognitive Loop

Der Kognitive Loop

Und wie sich „Intelligenz“ auf Siliziumbasis konstelliert
In der Prozesstechnik basieren Produktionsoperationen auf Sensoren und Aktoren, die Stoffumwandlungsprozesse steuern. Der Beitrag unterscheidet dabei drei Ebenen: Funktion, Umwelt-Interface und Kognition. Diese Ebenen verdeutlichen den Lernzyklus und vergleichen menschliche Intelligenz mit Entwicklungen wie Automatisierung und Deep Learning. Die Analogie führt zu einem neuen „kognitiven Loop“ auf Silizium-Basis, der die Zukunft der Produktion prägen wird.
Höhere Effizienz und neue Geschäftsmodelle

Höhere Effizienz und neue Geschäftsmodelle

Die Vernetzung bietet Unternehmen neue Chancen – und Herausforderungen
Die Vernetzung von Maschinen, Gegenständen und Assets macht aus Fabriken „Smart Factories“, die sich in letzter Konsequenz auf der Basis intelligenter Technologien selbst steuern. Aber was steckt hinter Begriffen wie „Industrial Internet of Things (IIoT)“ und „Industrie 4.0“? Und was daran ist so revolutionär, dass sie die industrielle Landschaft auch in Deutschland fundamental verändern werden?
Kollaborative Robotik – Maschinelles Lernen durch Imitation

Kollaborative Robotik – Maschinelles Lernen durch Imitation

Flexible Automation für KMU dank intelligenter und kollaborativer Roboter
Der Trend zur kundenindividuellen Massenproduktion fordert kleine und mittlere Unternehmen heraus, den Spagat zwischen Flexibilität, Effizienz und Investitionsrisiko zu meistern. Klassische Automationslösungen stoßen hier an ihre Grenzen. Ein vielversprechender Ansatz ist die Kombination aus flexibler Robotik und KI, die in einem Demonstrator mit einem kollaborativen Roboterassistenten gezeigt wird.
Muster statt Logik

Muster statt Logik

Wie algorithmengestützte Lösungen unser Entscheidungsverhalten verbessern
Wenn Maschinen lernen, verändern sie das Problemlösen von uns Menschen. Dass sie uns ersetzen, ist dabei trotzdem ein unrealistisches Szenario. Vielmehr schaffen wir mit algorithmengestützter Problemlösung ein wichtiges Instrument, das uns Menschen zu besseren Entscheidungen verhilft.
1 … 7 8 9 10