Datenfabrik.NRW

Aufgrund der stetig wachsenden Menge an verfügbaren Daten und Rechenleistung und den damit einhergehenden neuen Möglichkeiten der Künstlichen Intelligenz (KI), Transparenz zu schaffen und Optimierungspotenzial zu identifizieren, stellt sich die Frage, wie die KI-gestützte Produktion der Zukunft aussieht. Das Forschungsvorhaben Datenfabrik.NRW leistet zu dieser Frage Pionierarbeit und gestaltet einen digitalen Wandel in realen Produktionsumgebungen. Gesamtziel des Projektes ist die erfolgreiche Umsetzung einer digitalen Transformation von industriellen Unternehmen zu datengetriebenen Zukunftsfabriken mit selbstoptimierenden Wertschöpfungsprozessen.

Die Konsortialpartner des Projektes sind Fraunhofer IEM, Fraunhofer IOSB-INA, Fraunhofer IAIS und Fraunhofer IML, die Anwendungspartner CLAAS und Schmitz Cargobull, sowie Duvenbeck Kraftverkehr, NTT Data und MotionMiners. Gemeinsam arbeiten die Partner in dem Projekt an den folgenden drei Handlungsfeldern:

1. Entwicklung konkreter Lösungen für den Einsatz Künstlicher Intelligenz in der industriellen Produktion.
2. Schaffung eines Methoden- und Technologietransfers aus der Wissenschaft in Unternehmen, welcher eine kontinuierliche Integration der KI-gestützten Lösungen in das operative Geschäft ermöglicht.
3. Gestaltung eines ganzheitlichen Veränderungsmanagements, das eine Unterstützung der Unternehmen bei der Transformation gewährleistet. Die Fabriken der Unternehmen CLAAS und Schmitz Cargobull fungieren als Anwendungsumgebungen, in denen das Konsortium in Bereichen wie Fabrikplanung, Produktion und Logistik entwickelte KI-Lösungen implementiert.

Das Fraunhofer IML gestaltet und bearbeitet gemeinsam mit den Konsortialpartnern den Transformationsbereich »Data-Driven Logistics«, wobei in der Abteilung Intralogistik und -IT Planung hauptsächlich die Optimierungspotenziale im Zusammenspiel zwischen Kommissionierung und Montage fokussiert werden. Daten zu Lagerbewegungen und -prozessen werden erfasst und analysiert, und Prozesse, Ressourcenplanung und Auftragslast in der Kommissionierung durch KI-gestützte Methoden optimiert. In einem ersten konkreten Use Case wird die Bereitstellstrategie der verschiedenen Materialien bei den Anwendungspartnern analysiert und unter Betrachtung von Größen-, Gewichts-, Kapazitäts- und Leistungsrestriktionen in den verschiedenen Funktionsbereichen optimiert.