The Institute of Technical Combustion (ITV) at Gottfried Wilhelm Leibniz Universität Hannover is a part of the Faculty of Mechanical Engineering. The institute employs around 25 scientific and technical staff who conduct research. Additionally, numerous students study and conduct research at the institute, resulting in approximately 40 student research projects, bachelor's and master's theses being completed each year.

Teaching and research activities encompass physical-chemical modelling of relevant processes, laboratory and pilot plant tests, and technical applications in engines and burners. A modern research approach involves combining optical measurement techniques and numerical calculations, including the integration of high-performance computers.
The head of the institute is Professor Dr. Friedrich Dinkelacker .

LATEST NEWS

Taktzeitoptimierung mit Künstlicher Intelligenz

03/17/2021

Die Fertigung im Griff mit intelligenten Auswertungsmethoden

Die Ursache von Taktzeitschwankungen in verketteten Fertigungslinien zu ermitteln und die Auswirkung von Verzögerungen vorherzusagen, ist eine komplexe Aufgabe. Derzeit erfolgt dies in der Regel unter hohem manuellem Aufwand und deswegen auch nur für Anomalien mit signifikanter Häufung. KI-Ansätze zur Mustererkennung in Zeitreihendaten können helfen, die Analyse zu automatisieren und ermöglichen auf diese Weise die Implementierung prozessnaher Regelkreise.

Warum schwanken die Taktzeiten in verketteten Fertigungslinien? Um das herauszufinden, ist in der Regel ein hoher manueller Aufwand notwendig. Unternehmen untersuchen deshalb auch nicht jede Anomalie, sondern nur Taktzeitschwankungen mit signifikanter Häufung. Das wird sich in Zukunft ändern: KI-Ansätze zur Mustererkennung in Zeitreihendaten können helfen, die Analyse zu automatisieren.

Im Rahmen des Projektes IIP-Ecosphere (https://www.iip-ecosphere.eu/) entwickelt das IFW gemeinsam mit dem Forschungszentrum L3S und Volkswagen Nutzfahrzeuge einen Demonstrator, der vielversprechende KI-Ansätze im Einsatz zeigt. Genutzt werden dabei Künstliche Neuronale Netze zur automatisierten Detektion von Anomalieclustern und Long-Short-Term-Memory-Verfahren zur Analyse von Ursache-Wirkungszusammenhängen in den betrachteten Zeitreihendaten.

Erste Ergebnisse und mehr Details finden Sie im folgenden Phi-Artikel: phi – Produktionstechnik Hannover informiert - Artikel (phi-hannover.de)

Published by Sören Wilmsmeier

Go to list