AI4GREEN - Nachhaltige Lösungen für Energie- und CO2-Einsparungen in der Industrie durch Künstliche Intelligenz

Angesichts globaler Herausforderungen wie dem Klimawandel, der Umweltverschmutzung und dem steigenden Ressourcenverbrauch ist die Identifizierung nachhaltiger Lösungen von größter Bedeutung. AI4GREEN ist eine zukunftsorientierte Initiative, die darauf abzielt, Einsparpotenziale zu identifizieren und Produktionsprozesse durch den Einsatz moderner KI-gestützter Methoden zu optimieren.
Durch den gezielten Einsatz von künstlicher Intelligenz sollen der Energieverbrauch gesenkt, die Ressourceneffizienz gesteigert und die Treibhausgasemissionen reduziert werden. Die Bewältigung dieser Herausforderungen erfordert interdisziplinäres Know-how, das aus einem Netzwerk akademischer und industrieller Partner stammt.

Hintergrund des Projekts

AI4GREEN unterstützt bei der Erreichung ihrer Klimaziele durch drei gemeinsame Pilotprojekte:

1. Reduktion des CO₂-Fußabdrucks in der Landwirtschaft

2. Energieoptimierung beim Einsatz robotischer Systeme

3. Ressourcenoptimierung in der Produktentwicklung

In Zusammenarbeit mit Unternehmen aus relevanten Branchen werden spezifische Problemstellungen analysiert und datenbasierte Lösungen entwickelt. Diese branchenspezifischen Lösungen dienen als Best-Practice-Beispiele und werden über eine offene, dedizierte Wissensplattform öffentlich zugänglich gemacht. Neben den Pilotprojekten engagieren sich alle Partner beim Aufbau eines Innovationsnetzwerks, das den Erfahrungsaustausch zwischen Wirtschaft und Forschung fördert.

Projektziel

Die KI-gestützte Transformation ist ein zentrales Element industrieller Innovation. Nach erfolgreicher Digitalisierung der Daten besteht die nächste Herausforderung darin, umsetzbare Prozesse zu implementieren, die Verbesserungen, Ressourcenschonung und Effizienz fördern.

Im Projekt AI4GREEN liegt der Fokus auf der Anwendung von KI-gestützter Optimierung zur Verbesserung industrieller Produktionsprozesse und zur Reduzierung des Ressourcenverbrauchs.

Projektablauf

Am Standort TH Rosenheim konzentriert sich das Projekt auf die Entwicklung eines innovativen KI-basierten Verfahrens zur Qualitätssicherung in der Laser-Pulverbettfusion (L-PBF) von Metall im Bereich der Additiven Fertigung (AM). Ziel ist es, Mehrsensor-Daten zu integrieren, um Fehler in Echtzeit während des 3D-Metalldrucks zu identifizieren.

Die Technologie wird zunehmend für die Herstellung von Kleinteilen in sicherheitskritischen Bereichen wie Luft- und Raumfahrt, Automobilbau und Medizintechnik eingesetzt.

Das entwickelte Detektionssystem kombiniert:

Visuelle Überwachung
Sensoren

Innovation

Durch die Kombination dieser Sensoren mit einem Deep-Learning-Modell wird eine frühzeitige Fehlererkennung ermöglicht, die sofortige Eingriffe erlaubt und so die Herstellung fehlerhafter Bauteile verhindert. Ziel ist es, den Energieverbrauch zu senken, Materialverluste zu minimieren und Ressourcen sowie Zeit zu sparen.

Darüber hinaus wird die automatische Klassifikation verschiedener Fehlertypen ermöglicht, was die Zuverlässigkeit der gefertigten Bauteile erhöht und durch Echtzeit-Korrekturvorschläge die Effizienz des Fertigungsprozesses verbessert.

Ein besonderer Fokus liegt auch auf der Lösung technischer Herausforderungen wie:

Datensynchronisation
Sensorintegration
Datenakquisition

Die gesammelten Daten dienen nicht nur der Qualitätssicherung, sondern auch der Prozessvalidierung und dem Aufbau einer internen Wissensdatenbank.

Insgesamt verbessert der KI-gestützte Ansatz die Präzision der zerstörungsfreien Prüfung (ZfP) im Vergleich zu traditionellen Nachbearbeitungsmethoden. Die Ergebnisse zeigen das Potenzial von KI und Multi-Sensor-Überwachung zur Optimierung des AM-Prozesskontrollsystems – besonders in sicherheitskritischen Branchen – und bilden eine solide Grundlage für zukünftige modellgetriebene Anwendungen.

Technologische Beiträge

Zentrale Innovationen und Beiträge umfassen:

Mehrsensorintegration: Synchronisation zwischen Datenquellen für eine ganzheitliche Prozessanalyse
KI-basierte Fehlerklassifikation: Automatische Detektion und Klassifikation von Anomalien in Echtzeit
In-situ-Prozesskorrektur: Rückkopplungssysteme zur direkten Prozessanpassung und Fehlervermeidung
Erweiterte zerstörungsfreie Prüfung (ZfP): KI-gestützte ZfP bietet höhere Präzision und Geschwindigkeit gegenüber herkömmlichen Inspektionsmethoden
Entwicklung einer Wissensdatenbank: Gesammelte Daten unterstützen sowohl die kurzfristige Qualitätssicherung als auch die langfristige Optimierung und Modellvalidierung

Fazit

AI4GREEN verdeutlicht das Potenzial von Künstlicher Intelligenz zur Förderung nachhaltiger Innovationen in der Industrie. Der Schwerpunkt auf Echtzeit-Fehlererkennung und intelligente Prozesssteuerung im Bereich der Additiven Fertigung zeigt eindrucksvoll, wie KI zu signifikanten ökologischen und ökonomischen Vorteilen führen kann. Die Kombination aus KI, Mehrsensorik und fortschrittlichem Datenmanagement bildet die Grundlage für eine sicherere, ressourcenschonendere und effizientere industrielle Produktion.