Was ist die Motivation hinter dem Demonstrator?

Die Wertstromanalyse ist eine der am häufigsten verwendeten Methoden im industriellen Management. Sie veranschaulicht, die Logik der Prozessausführung in Produktionsanlagen, indem sie den Materialfluss, den Informationsaustausch und die Prozessausführung entlang der Wertschöpfungskette, auch Wertstrom genannt, in einem überschaubaren bildlichen Schema, der Wertstromkarte, als Modell zusammenfasst. Basierend auf diesen Wertstromkarten können im Rahmen der sogenannten Wertstromgestaltung Verbesserungsmaßnahmen für den abgebildeten Wertstrom abgeleitet werden. Ziel ist die langfristige Steigerung der Leistungsfähigkeit eines Wertstroms in den Dimensionen Durchlaufzeit, Qualität und Produktivität.

Beim vorherrschenden traditionellen Ansatz werden dabei Verbesserungsmaßnahmen, basierend auf Erfahrungswissen, durch Experten identifiziert und evaluiert. Zur Durchführung solch einer statisch manuellen Prozessverbesserung müssen davor Vereinfachungen wie das Zusammenfassen von Durchlaufzeiten, Prozesszeiten und Lagerbeständen zu Durchschnittswerten getroffen werden. Dabei geht viel wertvolle Information über das dynamische Verhalten eines Wertstroms verloren. Moderne Wertstrommodellierungs- und Simulationssoftware wie die SimVSM-App der SimPlan AG bietet an dieser Stelle die Möglichkeit, die Analyse und Verbesserung von Wertströmen um den Aspekt der Dynamik zu erweitern. Mit ihr kann simuliert werden, wie sich Bestände im Zeitverlauf auf- und abbauen, wie sich die Auslastung von herstellenden Maschinen verhält, wo Engpässe entstehen, oder wie Ressourcen, die von vielen Teilprozesseinheiten gleichzeitig genutzt werden, möglichst effizient ausgeschöpft werden können.

Analog zum traditionellen Ansatz benötigt auch die Software SimVSM dafür eine Repräsentation des Ist-Zustands des Wertstroms in Form eines Modells beziehungsweise einer Wertstromkarte. Die Wertstromkarte muss in diesem Fall als digitales Abbild in der App vorliegen. Wertstromkarten sind jedoch dafür gedacht, in analoger Form direkt in der Fertigungsumgebung erstellt zu werden. Um die Wertstromkarte nun in SimVSM nutzen zu können, muss diese nochmals digital in der App erstellt („nachgezeichnet“) werden. Das ist mühsam und verschwendet und kostet dem Nutzer viel Zeit. Der Demonstrator zielt darauf ab, Wertstromkarten durch ein einfaches Foto vollständig in ein Format zu übersetzen, dass von SimVSM verstanden wird. So wird dem Benutzer der aufwendige Prozess der manuellen Digitalisierung abgenommen.

Worin genau liegt der KI-Aspekt des Demonstrators?

Der Demonstrator nutz bildverarbeitende KI, um die Semantik einer Wertstromkarte zu verstehen. Dabei werden spezifische Symbole erkannt sowie handschriftlicher Text auf der Wertstromkarte gelesen und interpretiert.

Was wird durch die Demonstratoren verdeutlicht? / Was sind die Ziele der Demonstratoren?

Der Demonstrator soll aufzeigen, wie KI die User Experience bei der Verwendung von Anwendersoftware verbessert werden kann. Dabei sollen analoge Medien, dort wo sie sinnvoll eigesetzt werden, keineswegs restlos verdrängt werden. Stattdessen sollen sie in einen nahtlosen teilautomatisierten Workflow integriert werden.

Was sind die zentralen Ergebnisse?

Ergebnis ist eine Softwarekomponente, die handgezeichnete Wertstromkarten basierend auf einem Foto ganzheitlich digitalisieren kann.

Welchen Mehrwert bieten die Demonstratoren für Unternehmen?

Die Verwendung vom Simulationssoftware zur Optimierung von Anlagen wird für Unternehmen attraktiver. Es wird wertvolle Zeit eingespart und die Motivation des Benutzers durch den spielerischen Umgang hochgehalten.

Was sind die dazugehörigen Publikationen?

• „A machine learning based approach for value stream map digitization “ ist veröffentlicht, aber es gibt noch keine DOI

Wo, wann und in welchem Rahmen kann ich den Demonstrator begutachten

Zum Mai 2025 in der Prozesslernfabrik CiP und auf ausgewählten Veranstaltungen.

Kontaktperson

Florian Mitschke, wissenschaftlicher Mitarbeiter

Was ist die Motivation hinter dem Demonstrator?

Die Motivation liegt in der Untersuchung von Gestaltungsansätzen für KI-Interfaces, insbesondere für Roboter als verkörperte Form künstlicher Intelligenz. Ziel ist es, herauszufinden, wie das Aussehen und Verhalten von Robotern optimiert werden kann, um ihre Akzeptanz in Büro- und Unternehmenskontexten zu erhöhen.

Worin genau liegt der KI-Aspekt des Demonstrators?

Der Demonstrator zeigt konkrete Umsetzungsansätze für KI-Interfaces in einem Teamkontext. Der androide Roboter „Elenoide“ verkörpert künstliche Intelligenz, indem er reaktive Assistenzfunktionen übernimmt. Dies bedeutet, dass er erst auf Anfragen reagiert, anstatt eigenständig und proaktiv zu agieren.

Was wird durch die Demonstratoren verdeutlicht? / Was sind die Ziele der Demonstratoren?

Die Demonstratoren sollen zeigen, wie KI-Technologien gestaltet werden müssen, um die Akzeptanz im Arbeitskontext zu erhöhen. Durch die Simulation eines menschenähnlichen Roboters in einer Assistenzrolle werden wichtige Designprinzipien für erfolgreiche Mensch-Roboter-Interaktionen veranschaulicht.

Was sind die zentralen Ergebnisse?

• Die reaktive Unterstützung durch den Roboter wird von den Teammitgliedern geschätzt, während proaktives Verhalten oft als störend empfunden wird.
• Eine hohe Menschenähnlichkeit des Roboters fördert die Zusammenarbeit.
• Die langfristige Interaktion mit dem Roboter führt zu einer positiven Bewertung seiner Assistenzfähigkeiten.

Welchen Mehrwert bieten die Demonstratoren für Unternehmen?

Unternehmen erhalten durch die Demonstratoren wertvolle Erkenntnisse darüber, wie KI-Interfaces gestaltet werden können, um produktive und akzeptierte Zusammenarbeit zwischen Menschen und Robotern zu ermöglichen. Sie bieten praktische Orientierungshilfen zur erfolgreichen Integration von KI-Technologien im Arbeitsalltag.

Was sind die dazugehörigen Publikationen?

• Heitlinger, L., Stock-Homburg, R., Wolf, F., & Wirtz, J. (2024). After the First Glance! Robot Acceptance and Long-term Performance in Human-Robot Teams.
• Knof, M., Stock-Homburg, R., & Wirtz, J. (2024). Navigating the Rise of Service Robots–Success Factors, Trade-Offs, and Implementation.
• Prasad, V., Kshirsagar, A., Stock-Homburg, D. K. R., Peters, J., & Chalvatzaki, G. (2024). MoVEInt: Mixture of Variational Experts for Learning Human-Robot Interactions from Demonstrations. IEEE Robotics and Automation Letters.
• Stock-Homburg, R., & Heitlinger, L. (2024). Introduction to the “Shaping Future Interactions with Social Robots and Service Robots” Minitrack at HICSS-57 (No. 143057).
• Heitlinger, Lea (2025). From Services to Offices: Investigating the Integration of Service Robots into Our Lives.

Wo, wann und in welchem Rahmen kann ich den Demonstrator begutachten?

Nach Absprache

Kontaktperson

Christopher Mager , wissenschaftlicher Mitarbeiter

Was ist die Motivation hinter dem Demonstrator?

Im Zuge von Industrie 4.0 sind Produktionssysteme, insbesondere durch die massive Zunahme an Daten, komplexer geworden. Dies hat zur Folge, dass bei der Implementierung von KI-Anwendungen die für den Anwendungsfall relevanten Daten nicht zwangsläufig gut ersichtlich sind. Dies ist jedoch für eine effektive und zielgerichtete Implementierung von KI in der Produktion essentiell. Untersuchungen zeigen, dass trotz der Bemühungen durch präventive Wartung nach wie vor ein großer, finanzieller Schaden durch Stillstand von Produktionsanlagen entsteht [1]. Daher ist es essentiell reaktive Fehlerdetektion weiter im Blick zu behalten.

Worin genau liegt der KI-Aspekt des Demonstrators?

Dieser Demonstrator zeigt wie das Fehlverhalten innerhalb von Hardware-Komponenten eines Produktionssystems mit detektiert werden kann. Aufgrund der hohen Komplexität von modernen Produktionsanlagen ist eine schnelle, zielgerichtete Fehlererkennung mit klassischen Methoden schwierig und zeitaufwendig. Mithilfe von KI ist es möglich, die Vielzahl an verschiedenen Hardwarefehlern innerhalb von maschinennahen Daten zu unterscheiden und eine erste Einschätzung der Fehlerursache für den Werker vorzunehmen.

Was wird durch die Demonstratoren verdeutlicht? / Was sind die Ziele der Demonstratoren?

Mit diesem Demonstrator wird die Nutzung von KI zur reaktive Fehlerdetektion in Produktionsanlagen verdeutlicht. Hierbei liegt der Fokus auf der Umsetzung von KI-Anwendungen im Produktionskontext. Aufgrund des einfachen Produktionssystems kann ein Verständnis der Funktionalität schnell aufgebaut, die Fehlerfälle können einfach nachvollzogen und die Bedeutung hoch-qualitativer Daten wird deutlicht.

Was sind die zentralen Ergebnisse?

Es wurde ein mobiler Demonstrator eines einfach begreifbaren Produktionssystems, einer Sortieranlage, aufgebaut. Dieses System nutzt Maschinendaten, direkt von einer SPS, und transferiert diese über das Kommunikationsprotokoll MQTT an einen Mini-PC. Dieser nutzt nun die Daten, verarbeitet Sie in ein bestimmtes Format und gibt die aktuellen Daten in ein künstlich neuronales Netz. Dieses neuronale Netz unterscheidet nun anhand der Daten, welche Fehler am Wahrscheinlichsten sind und spiegelt das Ergebnis zurück zur SPS. Diese stellt die Ergebnisse dann in einer Visualisierung auf einem Human Machine Interface dar.

Welchen Mehrwert bieten die Demonstratoren für Unternehmen?

Anhand dieses Demonstrators sollen verschiedene Aspekte in Bezug auf die Nutzung von KI aufgezeigt werden. Zum einen soll den Unternehmen anhand eines einfachen Produktionssystems der allgemeine Ablauf eines KI-Projekts nähergebracht werden. Weiterhin soll die Notwendigkeit an qualitativ hochwertigen Daten für einen erfolgreichen Einsatz von KI aufgezeigt werden. Schließlich sollen auch die Potentiale und Limitationen von KI-Anwendungen vermittelt werden.

Was sind die dazugehörigen Publikationen?

• Webert, H., Simons, S., & McGibney, A. (2025). A practical investigation of ML and Industry 4.0 for reactive fault detection in manufacturing systems. Procedia Computer Science, 253, 1800-1809.

Wo, wann und in welchem Rahmen kann ich den Demonstrator begutachten?

Eine Begutachtung des Demonstrators ist im Zuge von Labtouren an der Smart Factory der Hochschule Darmstadt oder bei Messebesuchen des Instituts möglich. Außerdem werden über den Instituts-geleiteten YouTube-Kanal CRAatHDA ausgewählte Ergebnisse öffentlichkeitswirksam verteilt.

Kontaktperson

Heiko Webert, wissenschaftlicher Mitarbeiter

Was ist die Motivation hinter dem Demonstrator?

Die Entwicklung eines roboterbasierten Assistenzsystems für das Bauwesen ist vor dem Hintergrund eines tiefgreifenden digitalen Wandels in der Baubranche von hoher Relevanz. Baustellen zeichnen sich durch eine hohe Dynamik aus: wechselnde Umweltbedingungen, ständig veränderliche räumliche Gegebenheiten sowie das gleichzeitige Arbeiten verschiedenster Gewerke und Personen stellen hohe Anforderungen an Planung und Ausführung. Genau hier setzt der Demonstrator an. Er zeigt, wie intelligente, KI-basierte Assistenzsysteme dazu beitragen können, Prozesse auf der Baustelle effizienter, sicherer und flexibler zu gestalten. Der Demonstrator dient nicht nur als technologischer Machbarkeitsnachweis, sondern auch als Impulsgeber für den praktischen Einsatz automatisierter Systeme im Baualltag – mit dem Ziel, Fachkräfte zu entlasten, die Qualität zu steigern und dem zunehmenden Fachkräftemangel entgegenzuwirken.

Worin genau liegt der KI-Aspekt des Demonstrators?

Der KI-Aspekt des Demonstrators zeigt sich in der intelligenten Verarbeitung und Nutzung vielfältiger Sensordaten zur Unterstützung autonomer Entscheidungen auf der Baustelle. Durch den Einsatz von Objekterkennung und Anomalie Erkennung können relevante Situationen und Veränderungen in der Umgebung in Echtzeit erfasst und interpretiert werden. Ein intelligentes System reagiert darauf adaptiv und unterstützt so eine sichere und effiziente Ausführung der Aufgaben. Ergänzt wird dies durch eine benutzerfreundliche Mensch-Maschine-Schnittstelle (HMI), die eine intuitive Interaktion mit dem System ermöglicht und den Bedienaufwand reduziert. Insgesamt demonstriert das System, wie KI-Technologien zu einem robusten, flexiblen und lernfähigen Assistenzsystem für dynamische Baustellenumgebungen führen können.

Was wird durch die Demonstratoren verdeutlicht? / Was sind die Ziele der Demonstratoren?

Die Demonstratoren verdeutlichen das Potenzial intelligenter, roboterbasierter Assistenzsysteme zur Automatisierung und Unterstützung von Arbeitsprozessen im Bauwesen. Sie zeigen praxisnah, wie autonome Systeme mithilfe von KI-Technologien wie Objekterkennung, Anomalie Erkennung und adaptiver Sensordatenverarbeitung flexibel auf die komplexen und sich ständig verändernden Bedingungen einer Baustelle reagieren können. Ziel ist es, neue Ansätze für Effizienzsteigerung, Qualitätsverbesserung und Entlastung von Fachkräften aufzuzeigen und damit einen konkreten Beitrag zur digitalen Transformation der Baubranche zu leisten.

Wo, wann und in welchem Rahmen kann ich den Demonstrator begutachten?

Der Demonstrator kann im Rahmen verschiedener öffentlichkeitswirksamer Formate begutachtet werden, die auf den gezielten Wissenstransfer zwischen Forschung, Industrie und Praxis abzielen. Durch Messeauftritte, Workshops und Fachgespräche wird eine Plattform geschaffen, auf der die Ergebnisse des Projekts KompAKI vorgestellt und diskutiert werden können. Diese Veranstaltungen bieten Interessierten die Möglichkeit, den Demonstrator live zu erleben, mit Expertinnen und Experten in den Austausch zu treten und praxisnahe Einblicke in den Einsatz KI-basierter Assistenzsysteme im Bauwesen zu erhalten.

Kontaktpersonen

Prof. Dr.-Ing. Sven Rogalski, Professor

Leon Pfenning, wissenschaftlicher Mitarbeiter

Was ist die Motivation hinter dem Demonstrator?

Der Demonstrator KI-gestützte HMI dient zum Aufzeigen notwendiger Verbesserungsmöglichkeiten von Maschinenbediensystemen in der Produktion und der Einsatzfähigkeit von künstlicher Intelligenz zur Unterstützung der Nutzer. Die neu entwickelte HMI soll durch den Einsatz von KI die Bedienung von Werkzeugmaschinen erleichtern und vor allem hinsichtlich Effektivität, Effizienz, Individualisierbarkeit und intelligenten Funktionen verbessern. Mit der entwickelten HMI soll zudem die kognitive Belastung für Nutzer reduziert und gleichzeitig die Arbeitssicherheit, Nutzungsfreundlichkeit (Usability) und Nutzungserlebnis (User Experience) von Werkzeugmaschinen in der Produktion erhöht werden, was wiederum zur Verbesserung der Effizienz und Effektivität der gesamten Produktion beiträgt. Ziel des Vorhabens ist die Gestaltung und Entwicklung einer nutzerzentrierten Bedienoberfläche für Werkzeugmaschinen in der Produktion, die Ermöglichung von Indiviualisierung und Personalisierung der Bedienoberfläche durch Nutzerprofile und die Entwicklung von KI-Modellen zur Unterstützung der Nutzer an der Bedienoberfläche.

Worin genau liegt der KI-Aspekt des Demonstrators?

Im Demonstrator ist ein KI-System auf Basis von Large Language Models integriert, welches Anwendern jederzeit bei Aufgaben mit natürlicher Sprache unterstützt. Das KI-System kann G-Codes generieren und maschinenspezifisches Fachwissen übermitteln.

Was wird durch die Demonstratoren verdeutlicht? / Was sind die Ziele der Demonstratoren?

Neuer zukunftsorientierter Ansatz der Interaktion mit Werkzeugmaschinen in der Produktion für die Industrie 5.0.

Was sind die zentralen Ergebnisse?

• Analysierte Anforderungen an eine KI gestütze HMI in der Produktion und identifizierte Stakeholder
• Identifizierte mögliche KI-Funktionen für eine HMI
• Erarbeitete Konzepte für eine neue Gestaltung der Bedienoberfläche der HMI
• Entwickelte neue webbasierte HMI
• Anbindung der neuen HMI an die Steuerung einer echten Werkzeugmaschine
• Entwickeltes und implementiertes Large Language Model zur Generierung von G-Codes
• Durchgeführte Evaluation auf Basis einer Probandenstudie

Welchen Mehrwert bieten die Demonstratoren für Unternehmen?

• Entgegenwirken des Fachkräftemangels durch Berücksichtigung individueller persönlicher Merkmale
• Leichterer und attraktiverer Berufseinstieg durch hohe Usability und User Experience
• Kognitive Entlastung der Mitarbeitenden und Erhöhung der Zufriedenheit am Arbeitsplatz durch Unterstützung der KI
• Effektivere und effizientere Maschinenbedienung (Geringere Kosten und Zeitaufwand)
• Weiterentwicklung der Kompetenzen der Mitarbeitenden durch individuelle Nutzerprofile an der HMI
• Verbesserte Bauteilqualität aufgrund weniger Fehler während der Bedienung

Was sind die dazugehörigen Publikationen?

• GLLM: Self-Corrective G-Code Generation using Large Language Models with User Feedback

Wo, wann und in welchem Rahmen kann ich den Demonstrator begutachten?

TU-Darmstadt PTW – Versuchsfeld für Fertigungstechnologie L1|06

Kontaktpersonen

Gilbert Engert , wissenschaftlicher Mitarbeiter