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.

Die Digitalisierung der Industrie schreitet voran. Mit ihr werden neue Technologien eingeführt, um vor allem die produktiven Prozesse effizienter zu gestalten.

Jedoch versprechen die digitalen Daten, welche durch die cyber-physischen Systeme erzeugt und verarbeitet werden, auch Potenziale für angrenzende Bereiche, wie die Planung bzw. die Restrukturierung von Fabriken. So entfaltet die als „Industrie 4.0“ betitelte aktuelle Entwicklung auch ihren Einfluss auf die Fabrikplanung und es werden neue Methoden zur zeitgemäßen Fabrikplanung benötigt.

In diesem Vorhaben werden anhand einer theoretischen Literaturaufarbeitung sowie einer empirischen Untersuchung die Potentiale der Digitalisierung für die Fabrikplanung herausgearbeitet und aufgezeigt werden. Das Ergebnis soll Unternehmen als methodischer Leitfaden zur zukunftweisenden Layoutplanung von Fabriken im Rahmen der digitalisierten Fertigung dienen und weiteren Forschungsbedarf zur Entwicklung wandlungsfähiger Fabriken aufzeigen.

In Binntelligent werden digitale Dienstleistungen sowie intelligente Prozesse, Verfahren und Informationstechnologien für die Optimierung der trimodalen Logistik- und Umschlagprozesse in Binnenhäfen und die verbesserte Kollaboration zwischen Binnen- und Seehäfen u.a. durch elektronische Kommunikation konzipiert, implementiert und im Anwendungsfeld evaluiert.

Es wird eine unternehmensübergreifende Sichtbarkeit und Transparenz der entscheidungsrelevanten Informationen geschaffen, die eine Vorhersage von Ereignissen in der Lieferkette ermöglicht. Hierfür wird ein Informationssystem für die (teil-)automatisiere Informationsdistribution, operative Prozessunterstützung und Vorhersagen entwickelt. Die Prognosefähigkeit in den Binnenhäfen wird neben den Ereignisvorhersagen durch eine simulationsbasierte Optimierung des trimodalen Umschlags erreicht, die echtzeitnahe Realdaten verarbeitet und eine Adaptierbarkeit im synchromodalen Güterverkehr ermöglicht.

Binntelligent betrachtet Logistikprozesse für Container und Massengüter in den Binnenhäfen sowie die Vor- und Nachläufe. Die geplanten Technologien werden für eine Anwendung in den Fahrtgebieten Weser und Mittellandkanal mit den Häfen Hannover, Braunschweig, Bremen und Bremerhaven konzipiert und anschließend für eine anwendungsnahe Erprobung und Evaluation implementiert.