Projektlogo Sequenz- und stabilitätsoptimierender Algorithmus zur Paletten- und Ladungsträgerzusammenstellung inhomogener Güter
Projektseite

StackPack

Sequenz- und stabilitätsoptimierender Algorithmus zur Paletten- und Ladungsträgerzusammenstellung inhomogener Güter

Laufzeit: 01.07.2025 - 30.06.2027, Förderung durch BMWK / IGF

Projektbeschreibung einblenden Projektbeschreibung ausblenden

Der Fachkräftemangel und steigender wirtschaftlicher Druck fordern besonders KMU heraus und erfordern Unterstützung. Bestehende Lösungen zur automatischen Ladungsträgerplanung berücksichtigen erweiterte Randbedingungen nur unzureichend. Wissenschaftliche Ansätze bieten meist nur mathematische Modelle, jedoch keine anwendbare und frei verfügbare Implementierung. Ziel des Projekts ist die Entwicklung eines Algorithmus, der praxisrelevante Randbedingungen einbezieht und als Open-Source-Bibliothek bereitgestellt wird. Eine nutzerzentrierte Demo demonstriert die Anwendung bei benutzerdefinierten Ladungsträgern und Objekten durch Ausgabe stabiler Stapelmuster, Füllteile und Sicherungsmaßnahmen.

Ansprechpartner*in

Stichwörter

Digitalisierung, Verkehr und Logistik

MobiTrans

Konzept für eine mobile Transfereinheit (Living Hub)

Laufzeit: 01.06.2025 - 28.02.2026, Förderung durch BMBF
PDF-Flyer zum Download

Projektbeschreibung einblenden Projektbeschreibung ausblenden

In diesem Projekt wird eine mobile Transfereinheit, der sogenannte „Living Hub“, konzipiert und detailliert ausgearbeitet. Ziel ist es, vorhandenes sowie künftig in Community-Projekten erworbenes Wissen rund um Smartport-Themen anschaulich aufzubereiten – etwa in Form von Exponaten, Demonstratoren, Prototypen und Simulationen – und sowohl der Smartport-Community als auch der interessierten Öffentlichkeit, Hochschulen und Schulen zugänglich und nutzbar zu machen.

Ansprechpartner*in

Stichwörter

Wertschöpfungsnetzwerke, Maritime Wirtschaft, Wissenstransfer


Projektseite

MeisterWaerme

KI-Assistenzsystem für das SHK-Handwerk zur Steigerung der Prozess- und Mitarbeitendene zienz mittels wissensbasierter Instandhaltung von Wärmetechnik-Systemen

Laufzeit: 01.05.2025 - 30.04.2028, Förderung durch BMWK / IGF
PDF-Flyer zum Download

Projektbeschreibung einblenden Projektbeschreibung ausblenden

Den Kern des Vorhabens bildet ein KI-Assistenzsystem für das SHK-Handwerk zur Steigerung der Prozess- und Mitarbeitereffizienz mittels wissensbasierter Instandhaltung von Wärmetechnik-Systemen. Durch eine deutliche Verbesserung der Erst-Störungsdiagnose und einer automatisierten Reparatur- sowie Arbeitsvorbereitung wird eine Reduzierung unproduktiver Erstinspektionen und misslungener Reparaturversuche bspw. durch fehlende Mitnahme von Ersatzteilen angestrebt. Konkret wird sich dabei der Anlagendaten, Instandhaltungsdokumente (Arbeitsberichte, Prüfprotokolle, Wartungs-Checklisten etc.) und verfügbarer Fernwartungs- sowie Smart-Metering-Daten bedient, die unternehmens- und anbieterübergreifend durch den Einsatz von Plattformtechnologien ausgewertet und in Wissensrepräsentationen für die Nutzung durch das KI-Assistenzsystem überführt werden.

Das BIBA-Teilvorhaben konzentriert sich auf die Entwicklung einer semantischen Mediator-Middleware, die für die Datenakquise und -transformation verwendet wird. Darüber hinaus wird eine probabilistische Personaleinsatzplanung implementiert, um effizientere Ressourcenallokation in Unternehmen zu ermöglichen.

Ansprechpartner*in

Stichwörter

Digitalisierung, Energie und Umwelt, Baugewerbe, Prozessmodellierung und Simulation, Semantische Modellierung und Ontologien


Senatorin für Wirtschaft, Häfen und Transformation der Freien Hansestadt Bremen

SAILEX

Sales und Operations Intelligence mit erklärbarer KI

Laufzeit: 15.02.2025 - 15.08.2026, Förderung durch Land Bremen / FEI
PDF-Flyer zum Download

Projektbeschreibung einblenden Projektbeschreibung ausblenden

Das Projekt zielt darauf ab, ein KI-basiertes Analysewerkzeug für ERP-Systeme zu entwickeln, das Verkaufsdaten mit internen und externen Faktoren kombiniert. Dadurch sollen nicht nur allgemeine Verkaufstrends erkennbar werden, sondern auch individuelle Zusammenhänge, wie Rabatte oder externe Einflüsse wie Wetter und politische Ereignisse. Dies hilft, präzisere Einkaufsprognosen zu erstellen, Engpässe zu vermeiden und Überbestände zu reduzieren, was Lagerkosten spart. Zudem wird ein Large Language Model zur Erklärung der KI-Prognosen eingesetzt, um die Nachvollziehbarkeit der Entscheidungen zu gewährleisten, unterstützt durch Ansätze erklärbarer KI.

Ansprechpartner*in

Stichwörter

Digitalisierung, Nachhaltigkeit, Dienstleistungen, Handel, Assistenzsysteme, Maschinelles Lernen / Künstliche Intelligenz

Projektlogo Auswahl von Prognosemodellen für die vorausschauende Instandhaltung und eine integrierte, auf verstärkendem Lernen basierende Produktionsplanung in dynamischen Produktionssystemen

Prophecy

Auswahl von Prognosemodellen für die vorausschauende Instandhaltung und eine integrierte, auf verstärkendem Lernen basierende Produktionsplanung in dynamischen Produktionssystemen

Laufzeit: 01.02.2025 - 31.01.2027, Förderung durch DFG
PDF-Flyer zum Download

Projektbeschreibung einblenden Projektbeschreibung ausblenden

Das Forschungsprojekt ist eine Zusammenarbeit zwischen dem Bremer Institut für Produktion und Logistik (BIBA) der Universität Bremen, Deutschland, der Federal University of Rio Grande do Sul (UFRGS), Brasilien, der Federal University of Santa Catarina (UFSC), Brasilien, und der Federal University of Amazonas (UFAM), Brasilien.

Ziel des Projekts ist die Entwicklung eines selbstadaptiven Modellauswahlverfahrens für die prädiktive Instandhaltung, das nahtlos in die Produktions- und Instandhaltungsplanung integriert wird. Hierfür wird ein maschinellem Lernen basierendes Verfahren entwickelt, das eine automatisierte Auswahl geeigneter Prognosemodelle für verschiedene Systemkonfigurationen und -zustände ermöglicht.

Ein zentraler Aspekt des Projekts ist die Einbindung von Reinforcement Learning zur dynamischen Optimierung der Maschinenverfügbarkeit und -belegung in Echtzeit. Dies basiert auf einer digitalen Repräsentation des Produktionssystems, die es ermöglicht, die Auswirkungen von Entscheidungen anhand produktionslogistischer KPIs zu bewerten. Die kontinuierliche Rückkopplung zwischen Meta-Learning und Reinforcement Learning ermöglicht eine fortlaufende Verbesserung des Systems. Zur Validierung der entwickelten Methoden wird eine simulationsgestützte Umgebung erstellt, die die relevanten Produktions- und Instandhaltungsprozesse mit dem notwendigen Abstraktionsgrad nachbildet. Abschließend wird das entwickelte System in zwei industriellen Anwendungsfällen in Deutschland und Brasilien getestet.

Ansprechpartner*innen

Stichwörter

Systementwicklung und -planung, Prozessoptimierung und -steuerung, Automotive, Prozessmodellierung und Simulation, Maschinelles Lernen / Künstliche Intelligenz