StratP NEXT: Next Generation Sensing and Modelling in Production

Der innovative Kern des Projekts liegt in der Nutzung eines humanoiden Roboters als mobiles und intelligentes Bindeglied zur Brownfield-Infrastruktur, um die "digitale Kluft" ohne invasive Eingriffe zu überbrücken.
−
Humanoid als mobiles Edge-Device: Im Gegensatz zu statischen Sensoren fungiert der Roboter als mobiles Edge-Device, das flexibel an verschiedenen Maschinen und Arbeitsplätzen (CNC, Messmaschine) eingesetzt werden kann, um Daten dort zu erfassen, wo konventionelle Schnittstellen fehlen.
−
Visuelle HMI-Brücke (Soft-Sensing): Die datentechnische Erschließung von Altanlagen erfolgt nicht durch aufwendige Verkabelung, sondern durch das visuelle Auslesen von HMIs. Dies stellt eine vollkommen neue Form der non-invasiven Prozessinstrumentierung dar.
−
Dezentrale Autonomie für KMU: Neu ist der Verzicht auf ein komplexes, zentrales Orchestrierungssystem. Der Roboter agiert als "autonomer Praktikant", was die technologische Hürde für KMU massiv senkt.
−
Multimodale Fehler-Validierung: Die Innovation liegt in der kognitiven Filterung: Der Roboter gleicht widersprüchliche Informationen (z. B. Fehlermeldung am Screen vs. visuelle Beobachtung des Arbeitsraums) ab, um Fehlalarme autonom zu identifizieren.

Das Projekt leistet einen wesentlichen Beitrag zur Erforschung erklärbarer und lernfähiger Systeme in unstrukturierten Fertigungsumgebungen.
−
Fortschritt in der hybriden Modellierung: Es wird erforscht, wie regelbasierte Fertigungslogik effizient mit datengetriebenen Methoden wie Deep Learning und Transfer Learning verknüpft werden kann, um visuelle Reize in prozessuale Entscheidungen zu übersetzen.
−
Explainable AI (XAI) im Produktionskontext: Ein Forschungsschwerpunkt ist die Erstellung hochpräziser und erklärbarer KI-Modelle. Ziel ist es, dass der Roboter seine Entscheidung (z. B. "Reset durchgeführt, da Fehlalarm") für den menschlichen Mitarbeiter transparent macht.
−
Verifizierung durch visuelle Soft-Sensoren: Die wissenschaftliche Validierung bestehender Simulationsmodelle erfolgt durch neuartige, visuell generierte Datenströme, die bisher in dieser Form nicht für die Modellprädiktion (MPC) zugänglich waren.
−
Robustheit in Brownfield-Szenarien: Die Erforschung der visuellen Wahrnehmung unter schwierigen Industriebedingungen (Lichtverhältnisse, Verschmutzung) in Zusammenarbeit mit Joanneum Research Robotics liefert grundlegende Erkenntnisse für die Robotik in der Batch-Produktion.