In diesem Forschungsprojekt soll ein neuartiges Assistenzsystem auf Basis künstlicher Intelligenz für manuelle Montagestationen entwickelt werden, welches zum einen den Montageprozess und die Qualität des zu fertigenden Produkts überprüft und zum anderen den Mitarbeiter bei der Arbeit am Handarbeitsplatz berücksichtigt sowie individuell unterstützt. Das System soll die am Montageplatz gesammelten sensorischen Informationen unter Einsatz von Bildverarbeitungs- und maschineller Lernverfahren im Hinblick auf die ergonomische und produktionsbezogene Arbeitssituation des Mitarbeiters analysieren. Damit ist das neu entwickelte Assistenzsystem in der Lage, sich an die individuellen Bedürfnisse des Mitarbeiters anzupassen, um dessen Arbeitssituation durch spezifische Unterstützungen sowie Motivations- und Weiterbildungsstrategien zu verbessern. Durch die Überwachung von Montagefortschritt und -bauteil soll das System zudem die Prozesseffizienz und Montagequalität steigern.

Die Offshore-Baustellenlogistik mit Schwerpunkt der Windenergie definiert ein komplexes Planungs- und Steuerungsproblem. Grundsätzlich werden hierzu ereignisdiskrete Simulationsverfahren oder Ansätze der mathematischen bzw. stochastischen Optimierung eingesetzt. Beide Methoden besitzen Vor- und Nachteile hinsichtlich Laufzeit, Detaillierungsgrad und Optimalitätsbedingungen.

In diesem Projektvorhaben soll deshalb die komplementäre Nutzung untersucht werden. Ausgehend von einem einheitlichen Grundmodell werden ereignisdiskrete Simulationsmodelle als auch Modelle der stochastischen Optimierung für verschiedene Abstraktions-/Aggregationsebenen abgeleitet und verknüpft. Im Ergebnis sollen die jeweiligen Vorteile der beiden Methoden in einem komplementären Ansatz für eine verbesserte rechnergestützte Planung und Steuerung genutzt werden.

Die Nutzung von LNG-Antrieben (Liquefied Natural Gas) bei Schiffen hat große umwelttechnische Vorteile, da sie Seegebiete und Häfen emissionstechnisch entlasten. Im Projekt soll ein sensitives Armaturen Set für den hochvolumigen LNG Transfer zwischen Schiffen entwickelt werden. Dieses soll auf einer Vielzahl verschiedener Schiffstypen zum Einsatz kommen können und dadurch eine deutlich höhere Sicherheit, Installier- und Wartbarkeit bei gleichzeitiger Kostenreduktion ermöglichen. Die Aufgabe des BIBA ist dabei die Entwicklung einer Augmented Reality (AR)-Lösung, die zu Wartungs- und Servicezwecken dieser Armaturen eingesetzt werden kann.

Mittels einer Kombination aus einer kommerziellen Datenbrille, einer Kamera sowie eines Embedded-PC wird eine konfigurierbare Anwendungslösung geschaffen. Diese soll in der Lage sein die vorliegende Komponente zu identifizieren, zugehörige Zustandsinformationen sowohl visuell als auch per Funk auszulesen und die Nutzer mit Wartungsinformationen und Checklisten zu versorgen.

Die AR-Lösung soll bedarfsgerecht zur Unterstützung von Technikern beim Betrieb sowie bei Installations- und Wartungsarbeiten der LNG-Armaturen entwickelt werden. Mittels Techniken der Bildverarbeitung und Objekter-kennung sollen dabei zunächst Zustandsinformationen der Armaturen erfasst werden. Anschließend wird ein AR-User Interface entwickelt, das als Assistenzsystem der Nutzer fungiert.

Bei der Handhabung von kryogenen Fluiden (beispielsweise verflüssigtes Erdgas) bestehen große Risiken bezüglich der Betriebssicherheit. Bei Austritt der Flüssigkeit während eines Transfervorgangs (z. B. Betankung von Schiffen) können schnell große Mengen Gas entstehen, die leicht entzündlich und explosiv sind. Einem entsprechenden Sicherheitssystem zur Prozessüberwachung kommt daher große Bedeutung zu.

Das Ziel des Projektes ist eine Verbesserung der Betriebssicherheit während des LNG-Transfervorgangs durch ein redundant angelegtes optisches Überwachungssystem. Dieses soll in der Lage sein Armaturen, Schiffsaufbauten und Menschen selbsttätig zu erkennen und eine automatisierte Sichtprüfung der korrekten Kopplung vorzunehmen.

Das Mehrkamerasystem besteht aus einer Weitwinkel-, einer Zoom- und einer Infrarotkamera und kann somit auf verschiedenste Umgebungsbedingungen (Tag, Nacht, Wettereinflüsse) reagieren. Es überwacht selbsttätig den LNG-Transferprozess. Mittels Deep Machine Learning wird die Objekterkennung von Armaturen, Schiffaufbauten und Menschen ermöglicht, die zur Überwachung des Gefahrenraums notwendig ist.

Ziel des Projektes ist die Entwicklung einer Toolbox zur Überwachung von Sensordaten für eine individuelle prädiktive Instandhaltung von Dieselmotoren für Schienenfahrzeuge.

Motivation:

Derzeit werden Instandhaltungsmaßnahmen reaktiv oder in periodischen Intervallen präventiv durchgeführt. Dieses Vorgehen ist jedoch mit hohen Kosten verbunden, da im Schadensfall meist Folgeschäden auftreten. Zudem führen die ausgefallenen Züge nicht nur zu Verspätungen der darin transportierten Personen und Güter, sondern blockieren auch die Bahnstrecke für weitere Transporte und die damit zusammenhängende Logistikkette. Allerdings ergeben sich durch das vorsorgliche Austauschen der Komponenten relativ hohe Instandhaltungskosten, da diese noch für einen längeren Zeitraum hätten genutzt werden können.

Methodik:

Durch eine Instandhaltung im Bedarfsfall (kurz vor Störereignis) können die Instandhaltungskosten minimiert werden, ohne das Risiko eines Zugausfalls signifikant zu erhöhen. Unter Anwendung künstlicher Intelligenz sollen frühzeitig auszutauschende Motorkomponenten identifiziert und damit eine ressourceneffiziente Instandhaltungsplanung ermöglicht werden.