Forschung // Machine Learning – Künstliche Intelligenz
SmartPro – Key to Smart Products!
Künstliche Intelligenz kommt in Form von Machine-Learning-Methoden in den SmartPro-Impulsprojekten BEYOND (2020-2022) und Smart-DATA (voraussichtlich ab Frühjahr 2022) zum Einsatz.
Insbesondere Methoden zur Qualitätskontrolle und Prozessüberwachung werden darin von den SmartPro-Forschenden untersucht und weiterentwickelt. Durch den engen Austausch mit den SmartPro-Anwendungsfeldern werden Machine Learning (ML)-Methoden spezifisch für die jeweiligen Einsatzzwecke entwickelt. Daten- und Algorithmen-basiert werden durch iterative künstliche Lernprozesse Modelle aufgebaut, die anschließend Zusammenhänge innerhalb der Daten erkennen, Muster oder Fehler identifizieren und automatisch umfangreiche Analysen durchführen können.
Dadurch wird eine Toolbox aufgebaut, die für unterschiedlichste Fragestellungen Methoden zur Verfügung stellt, die einfach für den definierten Zweck adaptiert werden können. Durch den Einsatz der ML-Methoden in allen SmartPro-Anwendungsfeldern wird die Partnerschaft noch intensiver vernetzt.
Machine-Learning-Verfahren
– Smart-DATA
// Projektlaufzeit: 01.04.2022 bis 31.03.2026
Projektleitung
Prof. Dr. Orsolya Csiszár
Mathematik und KI-Anwendungen
Tel.: +49 (0) 7361 576-5567
orsolya.csiszar@hs-aalen.de
Projektpartner
Hochschule Aalen
- Dr. Timo Bernthaler, Institut für Materialforschung
- Prof. Dr. Gerhard Schneider, Institut für Materialforschung
- Prof. Dr. Manfred Rössle, Wirtschaftsinformatik
- Prof. Dr. Ulrich Klauck, Machine Learning and Data Analysis
Unternehmen
-
Carl Zeiss IMT
-
Carl Zeiss Microscopy GmbH /
-
F. & G. Hachtel GmbH & Co. KG
-
Kessler & Co. GmbH & Co. KG
-
Oskar Frech GmbH & Co. KG
-
PVA TePla Analytical Systems GmbH
-
Wieland-Werke AG
Weitere Forschungsinstitutionen
-
Universität Trier – Informationswissenschaften Wirtschaftsinformatik

Domänenoptimierte Machine Learning-Verfahren für smarte Produktionssysteme (Smart-DATA)
Die Herstellung von Produkten der neuesten Generation erfordert komplexe Prozesse und hochwertige Materialien. Dadurch steigt auch der Bedarf an innovativen produktionsbegleitenden Verfahren der Qualitätskontrolle und Produktionsoptimierung stetig. Klassische Systeme zur Qualitätskontrolle sind den gestiegenen Herausforderungen oft nur unzureichend gewachsen.
Smart-DATA beschäftigt sich daher mit neuartigen Machine Learning (ML)-basierten Systemen und insbesondere auch mit deren Integration in die Produktions- und Qualitätskontrolle. Entscheidend dabei ist, dass die Methoden für die jeweiligen Forschungsfragen beziehungsweise industrielle Anwendungen maßgeschneidert sind oder einfach angepasst werden können. Die im vorausgegangenen Projekt speziell für die Materialforschung entwickelten Deep-Learning-Methoden werden in Smart-DATA zielgerichtet für smarte, prozessbegleitende Anwendungen für energieeffiziente und ressourcenschonende Produkte weiterentwickelt. Beispiele dafür sind die Qualitätsbewertung im Druckguss, von Hybridbauteilen oder auch Magnet- und Batteriewerkstoffen.

Domänenoptimierte hochadaptive Deep-Learning-Verfahren für die Materialforschung (BEYOND)
Die Entwicklung neuartiger smarter Materialsysteme hat zu gestiegenen Anforderungen bei der Optimierung von Prozessparametern, sowie in den Bereichen Mikrostrukturanalyse und Qualitätsbewertung, geführt, die mit klassischen Ansätzen nicht zu bewältigen sind. Der dortige Einsatz von selbstoptimierenden, hochpräzisen und einfach zu adaptierenden ML-Methoden, genauer Deep Learning, ist Inhalt des Impulsprojektes BEYOND.
In enger Zusammenarbeit mit den vier weiteren SmartPro-Impulsprojekten der Aufbauphase werden etablierte Deep-Learning-Verfahren auf den jeweiligen Bedarf spezifisch angepasst und weiterentwickelt. Besonderes Augenmerk liegt hier auf der Reduzierung der benötigten Datenmengen und Trainingsintervalle, um eine effiziente Analyse zu ermöglichen. Dies erlaubt den Einsatz in weiten Bereichen − auch bei begrenzter Datenmenge.
Ein zentraler Aspekt des Projekts ist die Optimierung und Weiterentwicklung bestehender Systeme auf Basis von sogenannten Convolutional Neural Networks (ConvNets) – künstlichen neuronalen Netzen, die dem menschlichen Gehirn nachempfunden sind − sowie von Pre-Processing-Verfahren zur Aufbereitung der Daten und deren Kombination zum effektiven Einsatz in der Materialforschung. Hierbei wird ein möglichst breites Anwendungsspektrum angestrebt, das auch kombinierte Auswertung von bild- und nicht-bildgebenden Daten ermöglicht.
Deep-Learning-Verfahren
– BEYOND
// Projektlaufzeit: 01.01.2020 bis 31.08.2022
Projektleitung
Prof. Dr. Dagmar Goll (ab 08/2021)
Institut für Materialforschung Aalen
Tel.: +49 (0) 7361 576-1601
dagmar.goll@hs-aalen.de
Prof. Dr. Ricardo Büttner (bis 07/2021)
Wirtschaftsinformatik, Hochschule Aalen
(seit 08/2021 Universität Bayreuth)
ricardo.buettner@uni-bayreuth.de
Projektpartner
Hochschule Aalen
- Prof. Dr. Dagmar Goll, Institut für Materialforschung Aalen
- Prof. Dr. Harald Riegel, LaserApplikationsZentrum
- Prof. Dr. Markus Merkel, Zentrum für Virtuelle Produktentwicklung
- Prof. Dr. Volker Knoblauch, Institut für Materialforschung Aalen
Folgen Sie uns!
Immer auf dem Laufenden
über das SmartPro-Netzwerk bleiben Sie
auch auf LinkedIn.
Klicken Sie doch mal vorbei!
Explorative Projekte
Durch die vielen Facetten von Methoden der Künstlichen Intelligenz vernetzt diese Querschnittstechnologie die Anwendungsfelder miteinander. Dies wird besonders deutlich durch die vielen explorativen Projekte, die zusammen mit den verschiedenen Anwendungsfeldern durchgeführt werden. Dabei liegt das Hauptaugenmerk auf Methoden des Machine Learning zur Verbesserung von Herstellungsprozessen und Qualitätsbewertung.

PreMo-LiB // 01.03.2019 – 31.08.2020
Künstliche Intelligenz und Maschinelles Lernen als Wegbereiter zur Verbesserung der Prozessqualität in der Batterie-Massenproduktion
Hochqualitative Lithium-Ionen Batterien mit langer Lebensdauer werden zukünftig in vielen Industrieprodukten benötigt, z. B. in E-Autos, Smartphones oder Elektrowerkzeugen. Im Projekt PreMo-LiB hat die Hochschule Aalen in Kooperation mit der Varta Microbattery GmbH innovative produktionsbegleitende Verfahren zur Lebensdauerprognose und -verbesserung mittels moderner selbstlernender Softwarealgorithmen untersucht (Maschinelles Lernen, Künstliche Intelligenz).
Häufig zeigt sich erst im späteren Einsatz, ob eine Lithium-Ionen Batterie den Kundenanforderungen genügt. Denn eine produktionsbegleitende Qualitätsprognose ist aufgrund der komplexen physikalischen Wirkzusammenhänge innerhalb der Batterie nur sehr eingeschränkt möglich und bisher nicht tauglich für die Massenproduktion.
Im Projekt PreMo-LiB wurden daher maschinelle Lernverfahren eingesetzt, mit denen kostengünstig und praktikabel die Qualität und Lebensdauer der Batterie produktionsbegleitend prognostiziert werden können. Das qualitätssichernde Verfahren arbeitet zerstörungsfrei und ist für die Massenproduktion hochqualitativer Lithium-Ionen Batterien skalierbar.
- ProjektleitungProf. Dr. Ricardo Büttner, Wirtschaftsinformatik
- ProjektpartnerVARTA Microbattery GmbH

DiMa // 01.10.2019 – 30.09.2020
Das Explorative Projekt DiMa wurde in vier Teilprojekten durchgeführt, deren Anwendungsschwerpunkt sich jeweils an einem Impulsprojekt orientierte. Dabei wurde die Methodenkompetenz von Machine Learning (ML) – Experten mit der Expertise in den weiteren Forschungsbereichen von SmartPro zusammengeführt. So konnten in interdisziplinären Ansätzen neue Forschungsinhalte zur passgenauen Weiterentwicklung von ML-Methoden für SmartPro generiert werden.
Die Teilprojekte waren jeweils einem Impulsprojekt zugeordnet und dienten als Ausgangpunkt für die Entwicklung des querschnittlich angelegten Impulsprojekts BEYOND mit dem Schwerpunkt Machine Learning.
MagTwin (zugeordnet dem Impulsprojekt MagNetz) fokussierte auf die Entwicklung des digitalen Zwillings eines Dauermagnetprüfstands. Hierbei wurden die Alterungsprozesse von Dauermagneten simuliert.
DigitEL (zugeordnet dem Impulsprojekt LiMaProMet) beschäftigte sich mit der Nutzung von Machine Learning bei der Analyse von Mikrostrukturen von Elektrodenmaterial in Lithium-Ionen-Akkumulatoren bezüglich der Vorhersage von Leistungsparametern. Ein besonderer Schwerpunkt lag hierbei auf der Prognose der Stromratenfähigkeit.
MashMult (zugeordnet dem Impulsprojekt InDiMat) untersuchte die Oberflächenbeschaffenheit klebetechnisch gefügter Multimaterialsysteme, die auf kohlenstofffaserverstärkten Kunststoffen basieren (auch carbonfaserverstärkte Kunststoffe, kurz CFK, genannt), mittels 2D- und 3D-bildgebender Systeme. Machine Learning – Ansätze wurden zur Prognose der mechanischen Festigkeit der Klebeverbindungen genutzt.
In SmartPrint (zugeordnet dem Impulsprojekt AddFunk) wurden die Zusammenhänge zwischen der Qualität 3D-gedruckter optischer Komponenten und den Prozessparametern sowie Materialeigenschaften mit Hilfe von Machine Learning untersucht.
- Projektleitung Prof. Dr. Ricardo Büttner, Wirtschaftsinformatik
- Projektpartner Prof. Dr.-Ing. Sebastian Feldmann, Digitale Systemintegration im MaschinenbauProf. Dr. Ulrich Klauck, Machine Learning and Data AnalysisProf. Dr. Manfred Rössle, Wirtschaftsinformatik
SmartPro // FH-Impuls:
Starke Fachhochschulen – Impuls für die Region
Die Hochschule Aalen hat sich mit SmartPro bundesweit in der Spitzengruppe der Fachhochschulen positioniert. Sie wird als eine von zehn Hochschulen in der Fördermaßnahme FH-Impuls des Bundesministeriums für Bildung und Forschung mit rund 10 Millionen Euro für gut acht Jahre bis 2025 gefördert. Kernziele sind der nachhaltige Ausbau des regionalen Transfer- und Kooperationsnetzwerks, die Stärkung der Forschung und Innovationskraft. SmartPro leistet Beiträge zu gesellschaftlichen Herausforderungen wie Klimaschutz, Mobilität und Digitalisierung.