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.
Neuronale Netze zur automatischen Holzfehlererkennung bei WIANCO OTT Robotics
EMMA nutzt neuronale Netzwerkmodule, um Fehlerklassen in Holzchargen zu erkennen und sich automatisch an wechselnde Produktionsbedingungen anzupassen, wofür WIANCO OTT Robotics die GPU-Rechenkapazität des hessian.AI-Innovationslabors am GSI Helmholtz-Zentrum in Darmstadt nutzt. Das 2023 eröffnete Labor stellt Unternehmen und Start-ups 304 GPUs für Training und Test rechenintensiver KI-Modelle bereit und ermöglicht so mittelständischen Fertigungsbetrieben den Einstieg in produktionsnahe Bildverarbeitung.
Fraud Scanner: KI-gestützte Erkennung manipulierter Versicherungsschäden
Das im de:hub InsurTech Köln/München verankerte Unternehmen VAARHAFT (Best Case des de:hub-Netzwerks) hat eine über eine einzige API zugängliche Plattform entwickelt, die Bildmanipulationen, Deepfakes und Duplikate per Metadatenanalyse und anonymisierter Rückwärtsbildsuche in Sekunden erkennt und die manipulierten Bildbereiche visuell markiert. Versicherer setzen die Lösung insbesondere in der Schadensbearbeitung ein, um gefälschte Schadensfotos zu identifizieren; weitere Einsatzfelder sind Reisekostenabrechnungen und die Prüfung von Online-Dating-Profilen. Die DSGVO-konforme, kontinuierlich weiterentwickelte KI reduziert Betrugsraten und Bearbeitungskosten in bestehenden Schadenprozessen.
KI-gestützte Zustandsüberwachung von Windkraftanlagen
Das im Umfeld des de:hub Karlsruhe (Applied AI) entstandene System nutzt PyTorch, TensorFlow, Keras und Scikit-learn, um kontinuierlich Sensordaten von Windkraftanlagen auszuwerten und Anomalien in Echtzeit zu erkennen. Ziel ist es, Blattschäden zu identifizieren, bevor sie zu Betriebsausfällen führen. Die Entwicklung begann 2020 und erreichte nach rund zwei Jahren die Pilotphase; aktuell laufen neun aktive Pilotimplementierungen bei Windenergiebetreibern. Durch die frühzeitige Erkennung sollen Reparaturkosten gesenkt und proaktive statt reaktive Wartungsplanung ermöglicht werden.
KI-gestützte autonome Prozessüberwachung bei Kudernak
Bei Kudernak GmbH (Rödermark, unter 50 Mitarbeitende), spezialisiert auf die Zerspanung von Kunststoffbauteilen, konnten Produktionsprobleme unbemerkt bleiben, da Kunststoffe im Bearbeitungsprozess unvorhersehbarer reagieren als Metalle. Mit dem Mittelstand-Digital Zentrum Darmstadt wurde ein Datenmanagementkonzept für Prozessdaten sowie eine Datenbank aufgebaut, auf deren Basis ein Machine-Learning-Modell für die autonome Anlagenüberwachung entwickelt wird. Ziel ist es, Produktionsprobleme auch bei unbeaufsichtigtem Anlagenbetrieb frühzeitig zu erkennen und so Qualität und Effizienz zu steigern.
Machine-Learning-Qualitätsprognose in der Eckschutzschienen-Fertigung bei Protektorwerk
Der Metallverarbeiter Protektorwerk Florenz Maisch GmbH & Co. KG (382 Mitarbeitende, Gaggenau) musste Verbiegungen und Verdrehungen an Eckschutzschienen bislang durch zeitaufwendige, reaktive manuelle Prüfungen erkennen. Mit dem Mittelstand-Digital Zentrum Darmstadt wurde eine Rollform-Fertigungslinie mit Sensoren ausgestattet; anhand manueller Testreihen entstand ein Trainingsdatensatz, mit dem ein auf einem Edge-Computer laufendes Machine-Learning-Modell trainiert wurde. Das Modell erkennt Abweichungen frühzeitig und zeigt die Ergebnisse auf einem für Mitarbeitende zugänglichen Dashboard an, wodurch schneller nachjustiert und Ausschuss reduziert werden kann.
PUMon: KI-basierte Zustandsüberwachung nicht-intelligenter Anlagenteile
Für Chemieanlagen, bei denen viele Anlagenteile wie Destillationskolonnen, Wärmetauscher oder Rohrleitungen über keine eigene Diagnosefähigkeit verfügen, entwickelte Fraunhofer IOSB gemeinsam mit Bayer Technology Services das System ‚PUMon – Process Unit Monitoring‘. Ein selbstlernender neuronaler Algorithmus korreliert alle verfügbaren Prozessparameter, erkennt Abweichungen von gelernten Normalmustern und verdichtet sie zu einer Ampel-Statusanzeige je Anlagenteil inklusive Rangliste der zehn größten Abweichungen. Das System wurde in umfangreichen Testphasen im Betrieb von Bayer MaterialScience validiert, benötigt kaum Engineering-Aufwand (Modelltraining in rund einer Minute) und ist marktreif für den produktiven Einsatz zur vorausschauenden Instandhaltung.
Predictive Maintenance für Erntemaschinen mit Edge-KI
Erntemaschinen des Landmaschinenherstellers Holmer Maschinenbau arbeiten oft in abgelegenen Gebieten ohne stabile Internetverbindung, wodurch klassische cloudbasierte Predictive-Maintenance-Ansätze nicht funktionieren. Gemeinsam mit dem Telekommunikationspartner Huawei und Fraunhofer IKS wurde daher ein Teil der Analyseintelligenz vom Internet an das Kommunikationsgateway der Maschine verlagert. Sensordaten von kritischen Komponenten wie dem Antriebsstrang werden lokal per Machine-Learning-Algorithmen auf Auffälligkeiten geprüft und bei verfügbarer Konnektivität zusätzlich flottenweit in der Cloud ausgewertet, um Wartungsbedarf frühzeitig zu erkennen, bevor es zu Ausfällen kommt.
TransferLab Cybermapping: KI-gestützte Risikoanalyse des deutschen Finanzsystems
Im seit 2022 laufenden „TransferLab Cybermapping“ entwickeln DFKI und Bundesbank KI-Verfahren, um die Vernetzung des deutschen Finanzsystems mittels Knowledge Graphs abzubilden. Ziel ist die Erkennung von Fehlern und Anomalien in Daten der Finanzaufsicht sowie die Analyse großer Finanzströme und Abhängigkeiten zwischen Marktakteuren. Eingesetzt werden u.a. Wissensgraphen und Sprachmodelle für Knowledge-Engineering-Aufgaben. Das Projekt läuft bis 2027 am DFKI-Standort Kaiserslautern.