Im Projekt GenSATIOn-Edge entwickelt das Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS gemeinsam mit Partnern intelligente Sensorsysteme zur kontinuierlichen Überwachung industrieller Prozesse. KI-Modelle laufen direkt auf Edge-Geräten und ermöglichen eine adaptive Prozessüberwachung ohne Cloud. Erste Ergebnisse zeigen: Prozesse lassen sich in Echtzeit analysieren, Qualitätsabweichungen früh erkennen und Wartung bedarfsgerecht planen.

Im Mittelpunkt der bisherigen Arbeiten steht die Analyse realer Zerspanungsprozesse. Das Projektteam führte gemeinsam mit den Partnern umfangreiche Versuchsreihen an CNC-Fräsmaschinen durch und erfasste dabei Sensordaten unter unterschiedlichen Produktionsbedingungen. Auf dieser Basis konnten die Forschenden bereits erste Zusammenhänge zwischen Vibrationssignalen, Prozessparametern und Werkzeugeigenschaften erkennen.

Die gewonnenen Daten bilden die Grundlage für KI-Modelle, die beispielsweise den Verschleiß von Werkzeugen erkennen oder Rückschlüsse auf die Werkstückqualität zulassen. Erste Prognosemodelle zeigen bereits, dass sich der Verschleiß von Werkzeugen auf Basis von Sensordaten zuverlässig erkennen und zeitlich einordnen lässt. So können kritische Zustände frühzeitig identifiziert und Wartungsmaßnahmen gezielt geplant werden, bevor es zu Qualitätsverlusten oder ungeplanten Stillständen kommt.

Edge-KI: Lernen direkt an der Maschine

»KI muss dorthin, wo die Daten entstehen, also direkt in die Produktion«, sagt Dr. Sebastian Wirtz, Projektverantwortlicher am Fraunhofer IMS. »Mit GenSATIOn-Edge schaffen wir die Grundlage dafür, dass Maschinen ihren Zustand selbst verstehen und frühzeitig auf Veränderungen reagieren können. Das macht industrielle Prozesse nicht nur effizienter, sondern auch deutlich robuster.«

Das Projektteam baute dafür eine erste Software- und Dateninfrastruktur auf, die Sensordaten, Maschineninformationen und Nutzereingaben zusammenführt und langfristig speichert. So entsteht eine strukturierte Datengrundlage, auf der die KI-Systeme kontinuierlich dazulernen und sich an neue Produktionsbedingungen anpassen können.

Intelligente Sensorik als Schlüssel

Parallel zur Datenanalyse entwickelt das Projektkonsortium einen neuartigen IoT-Sensorknoten. Dieser erfasst relevante Prozesssignale direkt an der Maschine und bereitet sie für die KI-Auswertung auf. Das Fraunhofer IMS bringt hier seine Expertise insbesondere in der Datenverarbeitung und Merkmalsextraktion ein. Ziel ist es, die notwendigen Analysen möglichst effizient auf ressourcenbeschränkter Hardware umzusetzen. Damit wird die Grundlage für den späteren industriellen Einsatz geschaffen.

Vom Labor in die Produktion

In den kommenden Projektphasen werden die entwickelten Ansätze zunehmend unter realen Produktionsbedingungen erprobt. Geplant sind weitere Versuchsreihen sowohl im Laborumfeld als auch in der industriellen Fertigung. Dabei steht insbesondere die Übertragbarkeit der KI-Modelle im Fokus: Sie sollen nicht nur unter kontrollierten Bedingungen funktionieren, sondern auch in der Praxis robuste und verlässliche Ergebnisse liefern.

Mit dem Projekt leistet das Fraunhofer IMS einen wichtigen Beitrag zur digitalen Transformation der Industrie. Durch die Kombination aus intelligenter Sensorik, Edge-KI und selbstlernenden Systemen können Produktionsprozesse effizienter, transparenter und robuster gestaltet werden. Gleichzeitig reduziert der Ansatz die Abhängigkeit von zentralen IT-Infrastrukturen und schafft die Grundlage für skalierbare, datensouveräne Lösungen in der industriellen Fertigung.

GenSATIOn-Edge wird von einem interdisziplinären Konsortium getragen. Neben dem Fraunhofer IMS als Projektkoordinator sind die Partner GED Gesellschaft für Elektronik und Design mbH, die Hochschule Ruhr-West, die R&R Formentechnik GmbH und die Formtec GmbH beteiligt. Das Projekt hat ein Gesamtvolumen von rund 1,7 Millionen Euro und läuft vom 1. Juli 2024 bis zum 31. Dezember 2028. Es wird durch die Europäische Union und das Land Nordrhein-Westfalen im Rahmen des EFRE/JTF-Programms kofinanziert (Förderkennzeichen: EFRE-20800495).