Beim Zulieferertag Automobilwirtschaft Baden-Württemberg 2025 stellten EDAG Production Solutions und Carl Zeiss IQS Deutschland den Einsatz von KI-gestützter Bild- und Messdatenanalyse zur präzisen Qualitätsprüfung von Fahrzeugkomponenten vor. Ziel ist es, Fertigungsabweichungen frühzeitig und automatisiert zu erkennen, statt sie manuell zu prüfen.
KI-Co-Pilot automatisiert Qualitätsdokumentation im PPAP-Prozess der Automobilzulieferung
Beim Webinar des Cluster Mechatronik & Automation Bayern präsentierte Qualiwise-CEO Ulrich Kaiser einen KI-gestützten Co-Piloten für Produktqualität, der mittels Document-Understanding-Technologie technische Zeichnungen, Materialzeugnisse und Prüfberichte automatisch ausliest, interpretiert, abgleicht und daraus automatisiert Prüfpläne sowie Berichte für den PPAP-Prozess erstellt.
DeepHyperCheck: Hyperspektral-Kamera und Deep Learning erkennen weiche Fremdkörper in Lebensmitteln
Das System erfasst über 200 Wellenlängenbänder und erkennt anhand des spektralen ‚Fingerabdrucks‘ jedes Materials chemische Zusammensetzungen in Echtzeit. Die auf Spektren trainierten Deep-Learning-Modelle zeigen hohe Generalisierbarkeit – ein auf Schinken trainiertes Modell funktioniert etwa auch bei Putenbrust. Die Technologie wurde in Kooperation mit der Technischen Hochschule Nürnberg entwickelt.
OnEfficiency.BreakProtect: KI-gestützte Vermeidung von Papierabrissen bei Saica Paper
Der KI-Algorithmus OnEfficiency.BreakProtect von Voith erkennt kritische Prozesssituationen in Echtzeit und zeigt dem Betriebspersonal konkrete Gegenmaßnahmen an. Die Saica Paper Group nutzt das System an ihrem Werk Venizel laut Industrial Director Fernando Carroquino zur laufenden Prozessoptimierung; eine Effizienzsteigerung auf über 92 Prozent nennt Carroquino als Zukunftsziel für Papierfabriken, das durch solche digitalen Werkzeuge erreichbar werden soll.
KI-gestützte Nachfrageprognose und Carbon Intelligence in globalen Lieferketten
Im Rahmen eines von der Logistik-Initiative Hamburg organisierten Workshops mit Ingenics Consulting präsentierte pacemaker.ai, ein als Corporate Venture von thyssenkrupp gegründeter Softwareanbieter, seine KI-gestützten Supply-Chain-Lösungen. Das System nutzt Mustererkennung in großen Datenmengen und analysiert Verkaufszahlen, saisonale Schwankungen und Wetterdaten, um Nachfrageprognosen zu erstellen und Lieferketten unter anderem im Hinblick auf CO2-Emissionen zu optimieren.
KI prognostiziert Maschinenauslastung bei individualisierter Badewannenfertigung
Bette aus Delbrück fertigt über 25 Millionen mögliche Produktvarianten von Badewannen, Duschflächen und Waschtischen, davon mehr als die Hälfte individualisiert. Im Rahmen des Kompetenzzentrums Arbeitswelt.Plus von it’s OWL entwickelte Bette gemeinsam mit der Hochschule Bielefeld und der IG Metall ein KI-System, das auf Produktions-, Maschinen- und Echtzeitdaten trainiert wird und Auslastungsspitzen vorab erkennt. Ergebnis sind weniger Materialstaus, geringere Mitarbeiterbelastung und eine gleichmäßigere Maschinenauslastung.
Machine-Learning-Modelle prognostizieren Kommissionierzeiten bei Pumpenhersteller Wilo
Der Pumpenhersteller Wilo SE stand vor der Herausforderung, Materialfluss und Lagerprozesse angesichts schwankender Kundenaufträge effizient zu planen. Im it’s-OWL-Projekt IMAGINE entwickelten Wilo und Fraunhofer IOSB-INA Machine-Learning-Regressionsmodelle, die aus über 300.000 historischen Picking-Zeiten und SAP-Auftragsdaten lernen, um Transportwege, Materialmengen und Lagerplatzarten vorherzusagen.
Generative KI erstellt automatisch Testcode in der Chipfertigung
Im Rahmen des Silicon-Saxony-Netzwerks berichtet Infineon über den produktiven Einsatz generativer KI zur automatisierten Erstellung von Testcode für Halbleiterprodukte. Ingenieure werden von repetitiven Programmieraufgaben entlastet, da das Sprachmodell Testroutinen eigenständig generiert. Laut Unternehmensangaben sinkt der Aufwand kurzfristig um rund 50 Prozent und langfristig um bis zu 80 Prozent.
Priomonitor: KI-gestützte Auftragspriorisierung bei Friedrich Binder
Bislang priorisierte ein Mitarbeiter manuell und zeitaufwendig, welche der mehr als 20.000 Artikel umfassenden Aufträge zuerst bearbeitet werden – abhängig von 11 Merkmalen wie Lieferterminen, Edelmetallgehalten und Lagerbeständen. Der auf Scikit-learn und TensorFlow basierende Priomonitor übernimmt diese Priorisierung automatisch und verarbeitet mehrere hundert Aufträge in Sekundenbruchteilen.
RepAIr Buddy: LLM-gestützte Instandhaltungsassistenz bei ZF
Ungeplante Maschinenstillstände verursachten bei ZF hohe Kosten, da die Ursachenermittlung bislang langjährige Erfahrung und aufwendige Recherche erforderte. Der ‚RepAIr Buddy‘ verarbeitet ERP-Daten, Maschinenlogbücher, Reparaturhistorien und Herstellerdokumente in Echtzeit und liefert Technikern konkrete Handlungsempfehlungen. Dadurch verkürzen sich Stillstandszeiten um rund 10 Prozent, im ersten Jahr wurden sechsstellige Summen eingespart.