Industrien mit hohem Ressourcenverbrauch, wie die Aluminium-Stranggussindustrie, stehen vor großen technischen und wirtschaftlichen Herausforderungen. Insbesondere die Kleinserienfertigung mit einer großen Produktvielfalt, zahlreichen Rezepturen und Parametereinstellungen kann zu einer Vielzahl von Verschleißerscheinungen und Defekten führen. Diese Fehlerursachen können von Sensoren oft nicht erkannt und somit mit herkömmlichen Zustandsüberwachungstechniken nicht identifiziert werden, was zu langen Fehlerbehebungszeiten führt. Stillstandszeiten verursachen somit hohe Kosten und einen hohen Energieverbrauch. Daher halten Unternehmen in der Regel große Mengen an Ersatzteilen auf Lager und tauschen oft Teile, die noch funktionsfähig sind, frühzeitig aus, um Ausfallzeiten zu minimieren. Dies führt jedoch zur Verschwendung wertvoller Ressourcen. Das Wissen über vergangene Ausfälle und die Erfahrung mit der Maschine steht in der Regel nur dem Wartungspersonal zur Verfügung und wird oft in Wartungs- und Maschinenprotokollen dokumentiert, ist aber selten mit Sensor- und Prozessdaten verknüpft. Um diese Herausforderungen zu bewältigen, zielt das Forschungsprojekt darauf ab, objekt- und auftragsorientierte Daten mit historischen und Echtzeitdaten zu kombinieren. Mithilfe von nicht-stationären dynamischen Bayesschen Netzen (nsDBN) soll das zu entwickelnde System vorhersagen, wann aktuelle Fehler das Ende der Restnutzungsdauer (RUL) von Komponenten erreichen werden und welche Maßnahmen am ressourceneffizientesten sind, um die Lebensdauer von Komponenten und damit der Anlage zu verlängern. Dabei sollen Reparaturen und Wiederverwendung priorisiert werden, um den Ressourcenverbrauch zu reduzieren und die Lagerkosten für Ersatzteile zu senken. Die genaue Vorhersage der Fehlerursache, des Zeitpunkts des Auftretens von Fehlern und der erforderlichen Maßnahmen, einschließlich der benötigten Ersatzteile, ermöglicht eine präzisere und effizientere Wartung. Konsortialführung: Institute of Industrial Engineering and Management, Projektpartner: TU Wien Institute of Management Science, Fried v. Neuman (Aluminium) Gmbh, Mesify Solutions Gmbh
Das professionelle Refurbishment wird bisher v.a. für Elektrogeräte (z.B. Handys, Laptops) bereits umgesetzt. Das professionelle Refurbishment ist auch für Büromöbel interessant, da diese zwar prinzipiell auf Langlebigkeit ausgerichtet sind, aber oft schon nach kurzer Dauer ausgemustert werden. Im Projekt RefurMO wird daher untersucht, welche Rahmenbedingungen für ein professionelles Refurbishment von Büromöbel erforderlich sind, um so eine Verlängerung des Produktlebenszyklus zu ermöglichen und um Ressourcen zu schonen.
In diesem Projekt werden in Workshops mit Unternehmen der Lebensmittelindustrie Methoden der Digitalisierung von Produktionsprozessen und damit verbundenen Prozessen in der Qualitätssicherung und Instandhaltung besprochen und Möglichkeiten zu deren praktischer Anwendung aufgezeigt. Ein besonderer Schwerpunkt gilt Methoden der Künstlichen Intelligenz und deren Potential zur Prozessverbesserung. In Workshops können sich die Unternehmen untereinander und mit Experten und Expertinnen austauschen, sowie bereits umgesetzte Projekte in den Unternehmen besichtigen.
Im Projekt FAMOUS (Freight Access Management for Optimizing Urban Space) sollen legislative und technische Maßnahmen zur Güterverkehrssteuerung in Städten mittels einem umfassenden Berechnungs- und Simulationsmodell evaluiert werden. Dazu wird das Güterverkehrsmodell GÜMORE in Kombination mit einem kleinräumigen Modell für die Feinverteilung im Stadtgebiet und dem bewährten Personenverkehrsmodell von ITS Vienna Region für Fragestellungen des Zufahrtsmanagements in Städten zur Anwendung gebracht. Neben verkehrlichen Kennzahlen werden auch die Reduktion der Treibhausgase (CO2), Energieverbrauch und Schadstoffausstoß berechnet und bewertet. Projektpartner sind neben dem Verkehrsverbund Ost (VOR), der BOKU Wien, und hh2pro, die Städte Wien und Wiener Neustadt.
Ziel dieses Projektes ist die Suche, Bewertung und Erprobung von verschiedenen Technologien zur automatisierten (KI-gestützten) Erkennung von Qualitätsmängeln und Anomalien in den Prozessdaten in zwei Produktlinien eines Herstellers von Spezialmaschinen.
Dieses Projekt hat das Ziel für Unternehmen in sogenannten Lernfabriken Schulungsangebote im Bereich der Industrie 4.0 zu entwickeln und anzubieten. Lernfabriken stellen eine realistische Produktionsumgebung dar, die für Bildung, Training und Forschung geeignet ist. Sie sind eine physische Lernumgebung, die Lehrinstrumente und -geräte enthält und die Arbeitsbedingungen eines echten Industriestandorts für didaktische und Schulungszwecke effektiv schafft. Die Networks Development-Initiative hat den Zweck, einen EIT Manufacturing Marketplace zu schaffen, der alle Bildungsprogramme und -aktivitäten der Learning Factories anbietet. Dadurch wird die Reichweite und der Zugang zum Schulungsangebot der Lernfabriken erhöht sowie die Verfügbarkeit von Geräten erhöht, die für Tests und Pilotierung geeignet sind. Gefördert durch EIT Manufacturing im Rahmen des Learning Factory Network Development Programms.
Ziel in diesem Projekt ist (1) die Erforschung und Entwicklung von neuartigen Planungs- und Steuerungskonzepten die auf der Kombination klassischer Methoden der Planung- und Steuerung mit Methoden der künstlichen Intelligenz (insbesondere Maschinelles Lernen) für Produktionsszenarien mit sehr hoher Volatilität und Variabilität hinsichtlich Produktvarianten, Auftragsmengen, Rohstoff-/Teilequalität, bei gleichzeitigem hohen Automatisierungsgrad und hohem Grad an Mensch-Maschine Kollaboration, (2) die Entwicklung eines konfigurierbaren Simulators und Demonstrators, der es Produktionsunternehmen erlaubt verschiedene mit KI angereicherte dezentrale Planungs- und Steuerungskonzepte für Produktionsszenarien mit hoher Variabilität und Volatilität hinsichtlich Produktvarianten, Auftragsmengen, Rohstoff-/Teilequalität zu testen, zu evaluieren und weiterzuentwickeln (Entwicklungs- und Prüfstand für KI-angereicherte Produktionsplanungs- und Steuerungskonzepte). Dieses Projekt wird vom FFG im Rahmen des COIN Aufbau FH für die Wirtschaft Programmes gefördert.
Das Forschungsprojekt CO-INNO-LAB erforscht regionale Erfolgsfaktoren und -modelle für Co-Innovation in hochschulbetriebenen Innovation Labs. Dabei werden durch Studien mit regionalen Unternehmen der Region, insbesondere kleine und mittlere Industrieunternehmen (KMI), mit Methoden klassischer Sozialforschung und neuartigen Methoden der Interventions- und Aktionsforschung durchgeführt werden. Dabei soll auch die Rolle von Infrastrukturen (universitären Innovation Labs) untersucht werden und ein solches aufgebaut werden. Ein weiteres Ziel ist die Erforschung von Möglichkeiten der Digitalisierung des Co-Innovationsprozesses über kombinierte real-virtuelle (cyberphysische) Innovationsräume. Die gewonnen Erkenntnisse sollen als Handlungsempfehlungen, Best-Practices und im Falle von technischen Entwicklungen als konzeptionelle Prototypen verfügbar gemacht werden.
Im Projekt „CircularPro“ wird ein Weiterbildungsprogramm für KMUs entwickelt, das Produktentwickler, Produktdesigner und Entwicklungsingenieure befähigen soll Produkte kreislauffähig zu gestalten. Es werden Module mit Schwerpunkten in Grundlagen und Rahmenbedingungen der Kreislaufwirtschaft, kreislauffähige Werkstoffe, kreislauforientierte Gestaltungs- und Konstruktionsprinzipien sowie kreislaufbasierte Produkt-Service Systeme entwickelt. Mit dieses Modulen sollen Teilnehmer*innen Kompetenzen aufbauen, um in Zukunft effektiv nachhaltige und kreislauffähige Produkte und Produkt-Service Systeme zu entwickeln. Um den Praxisbezug herzustellen, werde für alle Module Fallbeispiele und praktische Übungen entwickelt, die die theoretischen Inhalte ergänzen. Mit dem Innovation Lab der FHWN steht eine Laborumgebung zur Verfügung, die für das Prototyping und Veranschaulichung von kreislaufähigen Produkten dienen kann. Dieses Projekt wird vom FFG im Rahmen des Innovation Camps Programmes gefördert.