Projekte
Übersicht über aktuelle Green-INNO Projekte
Reisekostenoptimierung für Auditoren
Projektarbeit
Ziel des Projekts ist die Entwicklung einer intelligenten Applikation zur Reisekosten- und Routenoptimierung für Auditoren im Außendienst, die Unternehmen im Kunststoffbereich zertifizieren. Das System soll auf Monatsbasis Einsatzpläne generieren, die Reisezeiten minimieren, Qualifikationen berücksichtigen und eine ausgewogene Arbeitsverteilung sicherstellen. Ausgangslage werden eine Tabelle mit den Auditoren sowie eine Tabelle mit den Unternehmen sein, die Informationen zu den Qualifikationen, Standorten und Weiteres beinhalten.
Herausforderungen
Auditoren starten von verschiedenen Standorten und verfügen über individuelle Qualifikationen. Zertifizierungsorte erfordern unterschiedliche Kompetenzen und variieren in der Dauer. Ziel ist eine effiziente Planung mit minimaler Reisezeit, minimalen Reisekosten und fairer Arbeitsteilung. Dabei sollen sowohl fachliche Anforderungen als auch logistische Aspekte optimal berücksichtigt werden. Es sollen mehrere Planungsvorschläge für einen Monat zur Verfügung stehen.
Lösungsansatz
Ein intelligenter Algorithmus verarbeitet die Eingabedaten aus einer Excel-Datei und erstellt automatisiert optimierte Monatspläne. Die Lösung besteht aus den folgenden Komponenten:
• Benutzeroberfläche zur einfachen Pflege und Ablage von Dateien.
• Algorithmus zur Zuweisung von Auditoren zu Standorten basierend auf Qualifikationen, Verfügbarkeit und Entfernung.
• Visualisierung der Reiserouten auf einer interaktiven Karte.
• Exportfunktion für die fertigen Einsatzpläne.
Technologien
- Frontend: Web-App mit intuitiver Oberfläche (z. B. Frameworks wie React oder Django).
- Backend: Logik mit Schnittstellen zur Datenverarbeitung und Routenberechnung (z. B. mit Pandas, Geopy, Google Maps API oder OpenRouteService).
- Optimierung: Clustering, Algorithmik oder Maschinelles Lernen zur Problemlösung.
- Visualisierung: Interaktive Karten und Diagramme (z. B. mit Mapbox, Folium oder Plotly)
Mehrwert
- Kosteneinsparung durch reduzierte Reisekilometer
- Effizientere Ressourcennutzung durch gezielte Einsatzplanung
- Transparenz und Nachvollziehbarkeit durch visuelle Darstellung
- Skalierbarkeit für weitere Branchen und Unternehmen
Few-Shot Foundation-Modelle für die präzise Regression des Ethylenglykol-Wasser-Verhältnisses
Masterarbeit
Ziel dieser Arbeit ist die Entwicklung eines Modells zur kontinuierlichen Vorhersage des Mischverhältnisses von Ethylenglykol und Wasser (EGW) im Bereich von 40–60 % in 1 %-Schritten. Aufbauend auf früherer Forschung, die nur zwei feste Mischungsverhältnisse klassifiziert hat, soll nun mit modernen Time-Series-Foundation-Modellen (TimesFM, TiRex/xLSTM) eine präzise Regression mit nur wenigen gelabelten Beispielen (Few-Shot Learning) erreicht werden.
Zentrale Forschungsfragen:
- Wie genau lassen sich Foundation-Modelle mit wenigen Trainingsdaten auf eine Vorhersagegenauigkeit von ± 1 %-Punkt feinabstimmen?
- Welche Merkmale aus Sensorsignalen ermöglichen eine gute Übertragbarkeit auf andere Thermostat-Serien?
Hauptaufgaben:
- Aufbau einer automatisierten Umgebung zur Datenerfassung.
- Few-Shot-Fine-Tuning von TimesFM und TiRex im Vergleich zu klassischen Regressionsmethoden.
- Einsatz von Explainability-Methoden zur Merkmalsreduktion.
- Validierung der Modelle auf unterschiedlichen LAUDA-Geräten (Cross-Device-Generalisation).
Erwartete Ergebnisse:
- Transfer-Learning-Pipeline inkl. Modellvergleich.
- Bereitstellung einsatzfähiger Modelle (.onnx, .tflite).
Edge-AI-Architektur und MLOps-Pipeline für selbstlernende Prozess-Thermostate
Masterarbeit
Diese Arbeit zielt auf die Entwicklung einer ressourcenschonenden Edge-KI-Laufzeitumgebung und einer MLOps-Pipeline, die eine automatisierte Modellpflege, -überwachung und -aktualisierung in LAUDA-Thermostaten ermöglicht.
Zentrale Forschungsfragen:
- Welche Laufzeit- und Kompressionsverfahren (z. B. TFLite, TVM, ONNX-INT8) erfüllen die Anforderungen von < 200 ms Inferenzzeit und < 400 MB RAM?
- Wie kann eine CI/CD-Pipeline gestaltet werden, um innerhalb von 24 Stunden automatisierte Retrainings, Versionierung, Drift-Erkennung und Rollbacks zu ermöglichen?
Hauptaufgaben:
- Design und Benchmarking einer Edge-KI-Architektur.
- Vergleich verschiedener Modelloptimierungsverfahren (Quantisierung, Pruning, Distillation).
- Aufbau eines GitLab-CI/CD-Templates für automatisierte Modellprozesse.
- Entwicklung eines Edge-Agents für eigenständige Datenerfassung und Zustandsüberwachung (z. B. CPU, Temperatur, Modell-Drift).
Erwartete Ergebnisse:
- Prototypische Edge-Runtime und vollständiger CI/CD-Blueprint.
- Dashboards für Geräte- und Modell-Telemetrie.
Optimierte Farbrezeptierung im Kunststoffrecycling durch den Einsatz von hyperspektraler Bildgebung und maschinellen Lernverfahren
Beschreibung
Die Farbe von Recyclingmaterial schwankt aufgrund saisonaler und regionaler Einflüsse. Ohne zusätzliche Farbmittel entstehen oft Grautöne, während zur Farbkonstanz meist eine Überdosierung von Pigmenten nötig ist. Helle oder bunte Farben sind nur durch aufwendige Vorsortierung erreichbar.
Das Projekt entwickelt ein hyperspektrales Bildgebungssystem, das mithilfe von KI die Mischfarbe des Recyclingmaterials vor der Verarbeitung vorhersagt. Dadurch kann der Einsatz von Farbmitteln optimiert und der Sortieraufwand reduziert werden. Dies spart Kosten, erhöht die Akzeptanz von Rezyklaten und unterstützt eine farbenfrohe Kreislaufwirtschaft.
Intelligente Vervollständigung und Analyse von Kunststoffdaten zur Förderung der Kreislaufwirtschaft
Beschreibung
Das Projekt hat das Ziel, Lösungen zur Optimierung der Kunststoffkreislaufwirtschaft zu entwickeln, indem es einen umfangreichen Datensatz von etwa 70.000 Kunststoffen und deren Eigenschaften bearbeitet. Angesichts der lückenhaften Beschaffenheit der Daten konzentriert sich das Projekt darauf, Techniken zur "Missing Value Imputation" anzuwenden, um fehlende Informationen mit Näherungswerten zu füllen. Dabei kommen neueste Foundation Models für Tabular Data sowie die KNIME-Software zum Einsatz. Diese Technologien ermöglichen es, Datenlücken zu schließen und Näherungswerte für fehlende Eigenschaften unter Berücksichtigung spezifischer Prüfbedingungen wie Temperatur und Druck zu generieren. Zusätzlich sollen wissenschaftliche Publikationen als ergänzende Datenquelle dienen. Langfristig zielt das Projekt darauf ab, Systeme zur Bewertung der Ähnlichkeiten zwischen verschiedenen Kunststoffen zu entwickeln, um deren Wiederverwertbarkeit und Kreislauffähigkeit zu erhöhen.
Nachhaltige Produktionslogistik: Optimierung von CO₂-Reduktion und Effizienz in der Materialversorgung
Beschreibung
Das Projekt untersucht, wie sich ökologische und wirtschaftliche Faktoren in der Produktionslogistik optimal ausbalancieren lassen. Insbesondere geht es um die Integration von CO₂-Einsparungen in bestehende Steuerungsalgorithmen für fahrerlose Transportsysteme, Routenzüge und mobile Roboter. Dabei sollen neue, messbare Nachhaltigkeitskriterien entwickelt werden, die sowohl die Effizienz als auch die Umweltbilanz verbessern, ohne Produktionsprozesse negativ zu beeinflussen.
Ein weiterer Schwerpunkt liegt auf der Berechnung des CO₂-Fußabdrucks einzelner Prozesse, trotz variabler Einflussfaktoren. Das Ziel ist eine praxisnahe Lösung, die Unternehmen eine schrittweise Umstellung auf eine „grünere“ Produktion ermöglicht, ohne signifikante Leistungseinbußen.
Ressourcenschonende KI: Effiziente Modelle, nachhaltiges Training und smarte ESG-Integration
Beschreibung
Das Projekt erforscht den Einsatz ressourcenschonender Künstlicher Intelligenz in verschiedenen Anwendungsbereichen. Dazu gehören Anomalieerkennung, Forecasting sowie der Einsatz von LLMs. Ein Schwerpunkt liegt auf der Komprimierung und Destillation von Sprachmodellen, um energieeffiziente KI-Lösungen für leistungsschwächere Hardware bereitzustellen – beispielsweise für lokale Chatbots bei Kunden.
Zudem wird die Optimierung des Trainings von LLMs untersucht, insbesondere durch Methoden wie Federated Learning, um dezentrales Lernen mit geringerer Energienutzung zu ermöglichen. Im Bereich ERP könnte KI zudem für ESG-Reporting-Lösungen genutzt werden, um Unternehmen bei der Berichterstattung zu unterstützen.
Optimierung der CO₂-Bilanzierung und des Energiemanagements für Lötanlagen
Beschreibung
Das Projekt zielt darauf ab, die CO₂-Bilanzierung von Lötanlagen durch Trainingsmodelle auf Basis der ERP-Daten zu verbessern. Dabei wird der CO₂-Ausstoß jeder einzelnen Anlage analysiert und optimiert. Zusätzlich wird ein dynamisches Energiemanagement entwickelt, das den Energieverbrauch von Lötanlagen in Abhängigkeit vom Produktionsdurchsatz und den Stillstandszeiten steuert, um Effizienz und Nachhaltigkeit zu maximieren.
KI-basierte Energieoptimierung und Predictive Maintenance für industrielle Anlagen
Beschreibung
Das Projekt zielt darauf ab, bestehende Energiedaten (Strom-, Öl- und Dieselverbräuche) sowie Live-Maschinendaten durch KI-Methoden für Predictive Maintenance und Anomalie-Erkennung nutzbar zu machen. Durch die Analyse dieser bisher primär für Reporting genutzten Datensätze sollen Einsparpotenziale identifiziert und die Anlageneffizienz gesteigert werden.
Erstellung einer KI-basierten Softwarelösung zur
Erleichterung von EMAS-Einführungen in Unternehmen
Beschreibung
Das Projekt zielt darauf ab, eine KI-gestützte Softwarelösung zur Unterstützung der EMAS-Implementierung in Unternehmen zu entwickeln. Dabei sollen Coaching-Prozesse durch digitale Werkzeuge optimiert werden. Zentrale Bausteine sind das Ecomapping (Erfassung und visuelle Darstellungen von Umweltauswirkungen in Betrieben und darauf basierende Identifizierung von Optimierungspotenzialen) mit einer Smart-Bot-App zur Umweltanalyse, ein Chatbot für digitale Unterstützung und eine KI-gestützte Materialflussanalyse zur Effizienzsteigerung. Diese Innovationen helfen Unternehmen, Nachhaltigkeitsstandards effizient umzusetzen und ihre Prozesse zu verbessern.
Entwicklung von nachhaltigen Steuerungsalgorithmen für fahrerlose Transportsysteme
Beschreibung
Ziel dieses Projekts ist die Entwicklung nachhaltiger Steuerungsalgorithmen für fahrerlose Transportsysteme, die Energieeffizienz, Batterielebensdauer und Umweltfreundlichkeit optimieren, ohne die betriebliche Effizienz wesentlich zu beeinträchtigen. Hierzu werden Kriterien wie energieeffiziente Routenwahl, Vermeidung von Leerfahrten, adaptive Ladezyklen und die Reduktion von Energiespitzen integriert. Die Algorithmen sollen messbare Nachhaltigkeitsmetriken berücksichtigen und flexibel anpassbar sein, um eine schrittweise Optimierung zu ermöglichen. Besondere Berücksichtigung findet das Lademanagement, das je nach Auslastung zwischen Schnell- und schonendem Laden entscheidet, um die Batterie zu schonen und Lastspitzen zu vermeiden. Das Projekt soll Unternehmen helfen, ihre Umweltziele zu erreichen, ohne signifikante Effizienzeinbußen in Kauf nehmen zu müssen.