Prozessgetriebene Produktentwicklung
Forschungsschwerpunkt
Im Bereich der prozessgetriebenen Produktentwicklung werden informationstechnische, analytische und empirische Ansätze im betriebs- und produktionsnahmen Umfeld entwickelt. Im Mittelpunkt steht die Nutzung von Produktlebenszyklus- und Umweltdaten zur Entwicklung adaptierter Produkte und Prozesse.
Die Arbeitsfelder liegen im Bereich des Data-Mining, der datengetriebenen Modellierung sowie der Simulation zur Verbesserung von kundenorientierten Produktmerkmalen. Dafür notwendige datentechnische Abbildungen von Produkten bzw. Prozessen werden für unterschiedliche Anwendungsfelder entwickelt und zur Umsetzung gebracht. So werden beispielsweise bestehende KI- und Digitalisierungsansätze für industrielle Fragestellungen so angepasst und aufbereitet, dass diese mit geringem Aufwand in Produkte und Prozesse im industriellen Umgebung integriert werden können. Dadurch wird insbesondere die Energieeffizienz und Nachhaltigkeit von Produkten und Prozessen optimiert.
Zu folgenden Themen wird geforscht:
- Modellierung von Produktionsprozessen in Bezug auf Produktmerkmale und Energieverbrauch
- Optimierung von Produkt- und Prozessparametern auf Basis datengetriebener Modelle mit dem Ziel der Steigerung der Energieeffizienz
- Nutzerfreundliche Bereitstellung von Methoden der Digitalisierung und KI für KMU
Projekte
- Eis-Auge - Eis-Erkennung an Windenergieanlagen mittels KI-unterstützter Bildverarbeitung
- BreGoS - Bremen goes Sustainable - Eine Hochschulregion auf dem Weg zur Nachhaltigkeit - Teilvorhaben: Transformative Forschung in Campus-Laboren und vergleichende Analyse der Nachhaltigkeitsgovernance, – netzwerke und -praktiken
- EnSort - Energieeffizienzerhöhung im Abfall- und Recyclingstoff-Sortierprozess durch Anwendung von Methoden der künstlichen Intelligenz - Teilvorhaben: Modellierung und Charakterisierung der Materialflüsse
Ausgewählte Publikationen:
- Nabati, E. G., Nieto, M. T. A., Bode, D., Schindler, T. F., Decker, A., & Thoben, K.-D. (2022). Challenges of manufacturing for energy efficiency: towards a systematic approach through applications of machine learning. Production, 32, e20210147. DOI:https://doi.org/10.1590/0103-6513.20210147
- Schindler, T.F., Bode, D., Thoben, K.-D. (2023). Towards Challenges and Proposals for Integrating and Using Machine Learning Methods in Production Environments. Advances in System-Integrated Intelligence (SYSINT 2022). DOI: https://doi.org/10.1007/978-3-031-16281-7_1
- Schindler, T., Greulich, C., Bode, D., Schuldt, A., Decker, A., Thoben, KD. (2020). Towards Intelligent Waterway Lock Control for Port Facility Optimisation. Dynamics in Logistics (LDIC 2020). DOI: https://doi.org/10.1007/978-3-030-44783-0_3