DFG Forschungsimpuls - Smart Factory Grids (2024-2029)

Im von der Deutschen Forschungsgemeinschaft geförderten Forschungsimpuls "Smart Factory Grids" geht es um das Thema einer intelligenten Fabrik. Unsere Vision ist ein verteiltes Fertigungsnetzwerk, in dem mehrere spezialisierte Produktionseinheiten durch autonome (boden- und luftgestützte) Systeme miteinander verbunden sind, um eine hochflexible Fertigung für kleine Losgrößen mit drastisch reduzierten Rüstzeiten zu erreichen. Im Herzen dieser Smart Factory Grids stehen cyber-physische Systeme, die autonom und kooperativ agieren, sich selbst bewerten und resilient gegen äußere Störungen sind. Dies ist mehr als nur Automatisierung; es geht darum, ein intelligentes, reaktionsfähiges und nachhaltiges Fertigungsökosystem zu schaffen.

Weitere Informationen: Pressemeldung der Hochschule Esslingen

Anonymisierte Erfassung und Nutzung von Mobilitäts- und Bewegungsdaten (2022-2025)

Seit Jahren etablieren sich zunehmend neue Formen der individuellen und kollektiven Mobilität. Dienstanbietende etwa von Carsharing oder öffentlichem Personennahverkehr benötigen Erkenntnisse aus Mobilitätsdaten, damit sie die Angebote ressourcen- und umweltschonend auf den Bedarf der Nutzenden zuschneiden können. Das Projekt „Anonymisierte Erfassung und Nutzung von Mobilitäts- und Bewegungsdaten“ (AnoMoB) zielt darauf ab, Anonymisierungsverfahren zu entwickeln, die den Anbietenden von Mobilitätsdiensten eine verbesserte Erhebung und Verarbeitung von Mobilitätsdaten ermöglichen und gleichzeitig den Schutzbedürfnissen der Bürgerinnen und Bürger gerecht werden. Hierfür wird zunächst anhand der Anforderungen der Dienstanbietenden definiert, welche spezifischen Mobilitätsdaten zuzüglich weiterer Attribute wie Alter und Einkommen, in welcher Menge und Qualität genau, für die Planung einer ressourcenschonenden und bedarfsgerechten Mobilität benötigt werden. In Abhängigkeit von festgelegten Erwartungen werden maßgeschneiderte technische Lösungen entwickelt, die das datenschutzfreundliche Erheben der Bewegungsdaten der Dienstnutzenden ermöglichen und die sensiblen Informationen durch angemessene Sicherheitsmaßnahmen schützen. Zugleich soll das Vertrauen der Dienstnutzenden in die Dienstanbietenden dank der erreichten Anonymisierungsgarantien bei der Verarbeitung ihrer personenbezogenen Daten gestärkt werden.

Gefördert vom Bundesministerium für Bildung und Forschung

Übersicht (2021-2027)

Bund und Länder fördern im Rahmen ihres gemeinsamen Programmes „FH-Personal“ die Gewinnung und Entwicklung professoralen Personals an 64 Fachhochschulen bzw. Hochschulen für angewandte Wissenschaften (HAW). Die Hochschule Esslingen gehört zu den 13 baden-württembergischen Hochschulen, die in der ersten Förderrunde einen positiven Bescheid erhalten haben. Mit insgesamt mehr als sechs Millionen Euro, die an die Hochschule und ihre Verbundpartner im Projekt fließen, sollen die Nachwuchswissenschaftler:innen an der Hochschule gefördert werden, um somit qualifizierte Kandidat:innen für die HAW-Professur in die Zukunft auszubilden. Unter dem Projektnamen "HE-Personal" strebt die Hochschule daher an, besonders gute Wissenschaftlerinnen und Wissenschaftler mit Praxiserfahrung für die Lehre und Forschung in acht zukunftsorientierten Schwerpunkten zu gewinnen.

Schwerpunkt Autonome Systeme

Autonome Systeme sind ein Anwendungsschwerpunkt der Intelligenten Robotik. Die Anwendung maschinellen Lernens für autonome Systeme ist eines der weltweit aktivsten Forschungsgebiete. Aufgrund der ansäs­sigen Industrie ist dieses Fachgebiet von besonders großer, strategischer Bedeutung für die Region Stuttgart. Der Schwerpunkt Autonome Systeme im Rahmen von HE-Personal beschäftigt sich mit Forschungsfragen im Bereich der künstlichen Intelligenz. Der Fokus liegt hierbei auf der Entwicklung einer Methodik, um den Ressourcenverbrauch im gesamten Entwicklungsprozess von KI-Systemen zu reduzieren und die Nutzung nachhaltiger zu machen (“Green AI”), denn das Training eines einzelnen künstlichen neuronalen Netzes kann aktuell Kosten in Millionenhöhe verursachen.

Forschungsthemen erstrecken sich über verschiedene Sub-Themengebiete, wie etwa der Automatisierung der Architektur von KI-Systemen im Hinblick auf Effizienzsteigerung; der Lernfähigkeit von KI-Systemen, vor allem aus kleineren Datenmengen, um den Aufwand in der (manuellen) Datenerhebung zu reduzieren (self-supervised learning, weak supervised learning, few-shot learning, low-resource NLP); sowie der Gewinnung des tieferen Verständnisses von KI-Systemen, um eine gezieltere Optimierung der KI- Architektur zu ermöglichen (explainable AI).

Weitere Informationen: HE-Personal Projektwebseite der Hochschule.

Gefördert vom Bundesministerium für Bildung und Forschung und vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg.

Entwicklung eines selbstlernenden Verfahrens zur verbesserten Windenergie-Kurzfristprognose (2022-2025)

Mit räumlich hochaufgelösten, an Wettermodelle gekoppelten CFD-Modellen, basierend auf den Reynolds-gemittelten Navier-Stokes-Gleichungen (RANS), kann inzwischen eine sehr hohe Genauigkeit bei der Vorhersage der Windgeschwindigkeit erreicht werden, welche für die Bewertung von Winderträgen an potentiellen Standorten verwendet werden kann. Dadurch eröffnet sich nun die Möglichkeit, diese Methoden weiterzuentwickeln, um auch Kurzfristvorhersagen im komplexen Gelände für den Windertrag von Windkraftanlagen zu erstellen. Die bereits angewandte und als Dienstleistung angebotene Herangehensweise, mesoskalige Wettermodelle in Verbindung mit Methoden der künstlichen Intelligenz für die Prognose zu verwenden (hybride Verfahren), soll deshalb im Sinne des physikalischen Downscalings mit detaillierten CFD-Simulationen und Anwendung von Ensemble-Wetterprognosen für die Bestimmung der physikalischen Prognoseunsicherheit weiterentwickelt werden.

Gefördert von der Deutschen Bundesstiftung Umwelt (DBU). 

Autonome Roboter in unstrukturierten Umgebungen (2022-)

Das Forschungsprojekt Mobile Robotik hat das Ziel, neue Methoden zu erforschen, die es einem mobilen Roboter ermöglichen, autonom in unbekannten und unstrukturierten Umgebungen zu agieren. Die inhaltlichen Schwerpunkte liegen dabei auf der sensorbasierten Wahrnehmung und Selbstlokalisierung mit modernen Verfahren des maschinellen Lernens.

In einer ersten Projektphase wurden bestehende Verfahren aus der Literatur unter wissenschaftlichen und technischen Gesichtspunkten analysiert und bewertet. Diese bestehenden Verfahren befassen sich zum größten Teil mit autonomer mobiler Robotik in bekannten und strukturierten Umgebungen, z.B. Indoor-Logistik im industriellen Umfeld oder autonomes Fahren im Straßenverkehr, und lassen sich nicht ohne Weiteres auf unbekannte unstrukturierte Umgebungen anwenden. 

In einer zweiten Projektphase wird daher erforscht, wie ein solcher Transfer ermöglicht werden kann und welche Weiterentwicklungen bestehender Methoden dazu erfolgen müssen. Grundlage dazu ist eine detaillierte Ableitung von Anforderungen sowie der Aufbau einer entsprechenden Auswerte- und Vergleichssystematik, die neben theoretischen Analysen auch eine Experimentalstudie mit öffentlich verfügbaren Forschungsdatensätzen beinhaltet. 

AMEISE (Phase III) - Ganzheitliche Forschung zu den Potenzialen des autonomen Fahrens im ÖPNV (2023-2024)

Im Herbst 2023 startete der emissionsfreie und autonome Kleinbus AMEISE in die dritte Förderphase. Auch dieses Mal werden Wege untersucht, wie der autonome Shuttle systematisch mit der Stadtentwicklung und allen beteiligten Interessensvertretern verzahnt werden kann. Dafür identifizieren die Expert*innen in dieser Phase Faktoren, die einen Erfolg ermöglichen.

Weitere Informationen: AMEISE Webseite

Kl-basierte Qualitätsprognose von Spritzguss-Bauteilen (2022-2024)

Ziel des Projekts ist die Entwicklung eines KI-basierten Prognosesystems zur Vorhersage der Bauteilqualität beim Spritzgießen.

Im Gegensatz zum Stand der Technik soll dieses System die bisherige Prognose durch Prozessüberwachung mittels Maschinenparameter deutlich übertreffen. Weiterhin soll das System im Gegensatz zu herkömmlichen KI-Anwendungen mit einer deutlich geringeren Menge an Trainingsdaten auskommen, um auch für Kleinserien attraktiv zu sein.

Durch das im Forschungsprojekt entwickelten Prognosemodell sollen die Bauteile schon während des Produktionsprozesses so genau überwacht werden, dass eine Qualitätskontrolle nach der Fertigung überflüssig wird.

Dafür werden zuerst entsprechende Sensoren in den Prozess integriert. Über ein mehrstufiges Bewertungssystem kann das System sehr schnell eingesetzt werden, da nur eine kleine Menge an Trainingsdaten benötigt wird. Durch die mehrstufige Klassifikation können unbekannte Prozesszustände identifiziert und während der laufenden Fertigung nachgelernt werden. Bekannte Prozesszustände können vom System basierend auf Methoden des maschinellen Lernens robust und sicher klassifiziert werden.

Gefördert vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg.