proto_lab : Technische Hochschule Rosenheim

Im proto_lab wird die Flexibilität des Handwerks mit der Effizienz der Industrie gepaart. Um individuelle Kundenwünsche effizient umsetzen zu können, kommunizieren und kooperieren Menschen, Maschinen, Logistik und Produkte mithilfe smarter Technik direkt und dezentral miteinander.

Hierfür wurde eine hochflexible IoT-Produktionsumgebung geschaffen, in der am konkreten Beispiel der Möbelproduktion ein durchgängiger Industrie 4.0 - Prozess entstand. Dieser bildet die vollständige, intelligente Abwicklung eines Kundenauftrags vom Auftragseingang mit Kapazitäts- und Terminplanung über Fertigung und Montage bis hin zur Auslieferung des fertigen Produkts ab.

Das proto_lab dient Forschungszwecken, der Hochschullehre sowie dem Wissenstransfer zwischen Hochschule und regionaler Wirtschaft.

Projektphasen des proto_labs

Künstliche Intelligenz

Die bevorstehende Konvergenz von KI und Industrie ist eines der spannendsten Themen unserer Zeit. Moderne KI-Methoden können bestehende Prozesse signifikant verbessern und ermöglichen gänzlich neue Produkte und Geschäftsmodelle. Während der Big-Data-Trend in vielen Branchen zu beobachten ist, sind die Chancen für die Fertigungsindustrie besonders stark ausgeprägt. Insbesondere für den Wirtschaftsstandort Deutschland, aber auch für die EU, ist der Einsatz von KI in der Produktion als wettbewerbskritischer Faktor erkannt worden und steht im besonderen Fokus der Förderprogramme für Forschungs- und Entwicklungsvorhaben.

In der dritten Projektphase von proto_lab entstehen spannende KI-Anwendungen in den folgenden Schwerpunktbereichen:

Selbstlernende Planung von Produktionsressourcen (Reinforcement Learning for Production Scheduling): Neuronale Netzwerke, die zu jedem Zeitpunkt den optimalen Einsatz von Ressourcen vorhersagen.
Computervisuelles Sehen (Computer Vision): Kamerasysteme, die zum Beispiel Produkte auf mögliche Schäden untersuchen.
Selbstlernende Regler (Reinforcement Learning for Robotics): Neuronale Netzwerke zur Steuerung von Maschinen und Robotern.
Anomaliedetektion (Anomaly Detection): Automatische Analyse von hochdimensionalen, zeitaufgelösten Maschinendaten im Hinblick auf ungewöhnliche Betriebszustände.
Vorausschaunde Wartung (Predictive Maintenance): Automatische Analyse von hochdimensionalen, zeitaufgelösten Maschinendaten zur Vorhersage von Wartungseinheiten.

Cloud

Die immense Zunahme an verwertbaren Daten stellt die Unternehmen und IT-Systemanbieter vor große Herausforderungen. Digitalisierungsprojekte basieren häufig auf lokalen Serverinfrastrukturen, wenngleich die Nutzung von Cloud-Lösungen erhebliche Vorteile für Unternehmen bietet:

(1) Professionell betriebene Hardware die stets up-to-date ist (Iaas),

(2) einfach zu bedienenden Laufzeitumgebungen für Programme und Dienste (PaaS) und

(3) professionelle Softwaremodule für Cloudanwendungen (SaaS) lassen sich hochskalierbar nutzen und das zu oftmals stark reduzierten Kosten.

proto_lab geht bereits heute den Schritt in die Cloud und virtualisiert sämtliche Produktionsressourcen in einer kommerziellen Cloudumgebung. Maschinen, Produkte, Materialien oder ganze Arbeitsplätze lassen sich so über generische Datenmodelle in der Cloud als digitale Zwillinge abbilden, vernetzen und steuern. Mit dieser Entwicklung sollen Informations- und Produktionsarchitekturen für eine optimierte, nachhaltige und damit zukunftsfähige Produktion sichtbar, greifbar und beherrschbar werden.

Demonstrator & Forschung

Der durchgängige Prozess wird zum einen stabilisiert, zum anderen stetig weiterentwickelt. Hierzu werden - wie auch schon beim Initialprojekt - weiterhin studentische Projekt- und Abschlussarbeiten in den verschiedensten Fakultäten durchgeführt. Auch der Austausch mit kleinen und mittelständischen Unternehmen (KMU) der Region bleibt wichtig: So finden immer wieder Führungen durch das proto_lab-Labor statt und Ideen für gemeinsame Forschungsvorhaben werden begrüßt.

Lehre

Von den erarbeiteten Inhalten und Erkenntnissen sollen auch Studierende der verschiedensten Studiengänge profitieren. Zu diesem Zweck wurde das fakultätsübergreifende Zentrum der integrativen Lehre gegründet. Fachübergreifend werden stetig neue Lehrformate konzipiert, um Studierende praxisnah auf die Lösung komplexer Problemstellungen im späteren Berufsleben vorzubereiten. Neben Einblicken in die technischen Grundlagen von Industrie 4.0-Anwendungen gilt es die Studierenden auch in ganzheitlichem Systemdenken zu schulen und kreatives, eigenverantwortliches Handeln im Sinne eines Learnings by Doing zu fördern. Dabei werden agile Organisationsformen in cross-funktionalen Teams gelebt.

Beispiele für Lehrmodule:

FWPM „IoT / Cyber-Physische Systeme“ (Prof. Dr. Oliver Kramer)

FWPM "IoT smart devices" (Prof. Dr. Oliver Kramer)
FWPM AGVSi (Prof. Dr. Noah Klarmann)
FWPM Reinforcement Learning for Technical Systems and Production (Prof. Dr. Noah Klarmann)
Teilmodul "Prozess-, Material- und Informationsfluss" im Rahmen des WI-Master-Moduls "Materialwirtschaft" (Prof. Dr. Oliver Kramer)
IAB-Bachelor-Praktikum „Fertigungstechnik“ (Prof. Erwin Friedl)
Integration des proto_labs in das HT-Bachelor-Praktikum „Fertigungsautomatisierung“ und „Robotertechnik“ (Prof. Andreas Heinzmann)

Newsblog: Neues aus dem proto_lab

proto_lab Newsblog

Sehen Sie sich auf einem virtuellen Rundgang im proto_lab-Labor um!

Das proto_lab erklärt im 7min-Video

Der proto_lab-Prozess

Nach Eingang des Kundenauftrages beginnt der proto_lab-Prozess an der Plantafel "Trichter" mit der kapazitiven und terminlichen Grobplanung. Nach der Festlegung von konkreten Arbeitspaketen mittels Planungs-App "Schredder" werden die unterschiedlichen Produktions- und Montageschritte bis zur Fertigstellung des Produkts durchlaufen. Das Besondere an den einzelnen Stationen des durchgängigen Prozesses (z.B. visuell unterstützende Assistenz-Apps) wird nachfolgend detailliert dargestellt.

Intralogistik-Projekt "FLEET"

Über die Projektförderung "Zentrales Innovationsprogramm Mittelstand (ZIM)" läuft das Kooperationsprojekt „FLEET“ – die Entwicklung eines individuell konfigurierbaren Flottenmanagement-Systems für fahrerlose Transportroboter in kleinen und mittleren Unternehmen.

Durch die Entwicklung eines konfigurierbaren, herstellerunabhängigen Flottenmanagement-Systems für fahrerlose Transportroboter sollen Aufgaben wie Heben, Be- und Entladen sowie Transportieren von Werkstücken automatisiert und somit Kosten gesenkt werden. Ein innovativer Flottenmanager für KMU (wie er aktuell auf dem Markt noch nicht verfügbar ist) soll Mitarbeiter/innen mittels eines visuellen, intuitiven Konfigurators mit vordefinierten Ablauflogiken sowie den Einsatz eines Simulationsverfahrens künftig in die Lage versetzen, eigenständig selbstfahrende Transportroboter in ihre Produktion einzubinden – ganz ohne Programmiervorkenntnisse.

Mehr zum Projekt FLEET...

Industriepartner (Auszug)

Beteiligte Fakultäten und Labore

Wir führen regelmäßig Forschungs- und Entwicklungsprojekte in den Bereichen Industrial Internet of Things (IIoT), Künstliche Intelligenz und Cloud durch. Deshalb sind wir immer auf der Suche nach Partnern für