The vision of RAINBOW is to design and develop an open and trusted fog computing platform that facilitates

the deployment and management of scalable, heterogeneous and secure IoT services and cross-cloud applications (i.e, microservices). RAINBOW falls within the bigger vision of delivering a platform enabling users to remotely control the infrastructure that is running, potentially, on hundreds of edge devices (e.g., wearables),

thousands of fog nodes in a factory building or flying in the sky (e.g., drones), and millions of vehicles travelling in

a certain area or across Europe. RAINBOW aspires to enable fog computing to reach its true potential by providing the deployment, orchestration, network fabric and data management for scalable and secure edge

applications, addressing the need to timely process the ever-increasing amount of data continuously gathered

from heterogeneous IoT devices and appliances. Our solution will provide significant benefits for popular cloud

platforms, fog middleware, and distributed data management engines, and will extend the open-source ecosystem by pushing intelligence to the network edge while also ensuring security and privacy primitives across the

device-fog-cloud-application stack. To evaluate its wide applicability, RAINBOW will be demonstrated in

various real world and demanding scenarios, such as automated manufacturing (Industry 4.0), connected vehicles

and critical infrastructure surveillance with drones. These application areas are safety-critical and demanding;

requiring guaranteed extra-functional properties, including real-time responsiveness, availability, data freshness,

efficient data protection and management, energy-efficiency and industry-specific security standards.

Ziel des Projektes ist die Entwicklung einer digitalisierten, qualitätsbasierten Produktionsplanung und -steuerung für die Lebensmittelproduktion. Diese soll auf einen optimalen Einsatz der Rohstoffe (z.B. Reduzierung der Standzeiten von sensiblen Rohwaren) fokussieren. Hierdurch sollen eine bessere Auslastung der Produktionsanlagen und eine Optimierung ihrer Energieverbräuche, ein optimiertes Behältermanagement sowie insbesondere auch eine Erhöhung der Produktqualität (Geschmack und Haltbarkeit) erreicht werden. Zur Zielerreichung werden rohstoff-spezifische Qualitäts-Zeit-Profile analysiert und in einem IT-basierten Verfahren für die qualitätsorientierte Produktionsplanung und -steuerung integriert, das prototypisch beim Projektpartner Deutsche See implementiert wird.

Im Rahmen dieses Forschungsprojekts wird ein eKanban-System entwickelt, welches die Vorteile von modernen, intelligenten Industrie 4.0-Lösungen umsetzt und zugleich für Unternehmen in der Integration und im laufenden Betrieb wirtschaftlich bleibt. Hierzu gehören kostengünstige, autonome Sensormodule, welche einfach zu installieren sind und einen geringen Stromverbrauch vorweisen, um eine vollständige Bestandsüberwachung zu ermöglichen. Das eKanban-System selbst wird über eine Cloud mit maschinellen Lernverfahren verknüpft, die es ermöglichen kontinuierlich das Materialnachfrageverhalten zu lernen und so stetig im Betrieb die Materialbereitstellung hinsichtlich der Wiederbeschaffungszeit zu optimieren.

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.