Institut für Logistik und Materialflusstechnik
Aktuelle Projekte
IMIQ - Intelligenter Mobilitätsraum im Quartier
Laufzeit: 01.01.2024 bis 31.12.2027
Übersicht
"IMIQ - Intelligenter Mobilitätsraum im Quartier" ist ein Projekt des IMR - Intelligenter Mobilitätsraum Sachsen Anhalt (https://niimo.ovgu.de/Intelligenter+Mobilit%C3%A4tsraum.html), welches im Wissenschaftshafen in Magdeburg ansässig sein wird. In der Laufzeit von 3 1/2 Jahren (01/2024 - 12/2027, tatsächlicher operativer Beginn 8/2024) wird der Wissenschaftshafen zu einem Zukunfts-Quartier, in welchem neue Lösungen bedürfnisorientiert erdacht, technisch und informatorisch getestet und sozio-ökonomisch implementiert werden. Wesentliche Innovationen sind ein Digitaler Work-Life-Zwilling (DWLZ) und ein Reallabor intelligenter Mobilität (RIM).
Ambitionen
Ziel ist die Entwicklung und Erprobung innovativer Mobilitäts- und Kommunikationsansätze. In einem Digitalen Work-Life-Zwilling (DWLZ) wird eine ganzheitliche und innovative Mobilitäts- und Kommunikationserfahrung ermöglicht, die durch Sensoren, 5G und digitale Services effiziente und personalisierte Lösungen bietet und gleichzeitig die soziale Interaktion und den Austausch vor Ort fördert. Im Reallabor Intelligente Mobilität (RIM) werden die Entwicklungen der Forschenden zur Intelligenten Mobilität physisch sichtbar und anfassbar / erlebbar, sie werden getestet und evaluiert. Technologien zur Kommunikation und V2X, zu Lokalisierung und Tracking werden in einem Operation Control Center gesteuert, mit Infrastruktur (u.a. Mobilitätsstationen) integriert und mit
autonomen Fahrzeugen umgesetzt.
Weiterführende Informationen
Detaillierte Beschreibung, aktuelle Nachrichten und Personalstellen finden Sie hier: https://niimo.ovgu.de/IMIQ.html.
Mit diesem Vorhaben wird die Spitzenforschung im interdisziplinären Forschungsfeld Mobilität an der OVGU ausgebaut und der Transfer neuer Mobilitätslösungen in Sachsen-Anhalt und darüber hinaus ermöglicht. Die Sichtbarkeit bzw. Erlebbarkeit richtet sich an alle Stakeholder.
AI Engineering - Ein interdisziplinärer, projektorientierter Studiengang mit Ausbildungsschwerpunkt auf Künstlicher Intelligenz und Ingenieurwissenschaften
Laufzeit: 01.12.2021 bis 30.11.2025
AI Engineering (AiEng) umfasst die systematische Konzeption, Entwicklung, Integration und den Betrieb von auf Künstlicher Intelligenz (KI) basierenden Lösungen nach Vorbild ingenieurwissenschaftlicher Methoden. Gleichzeitig schlägt AiEng eine Brücke zwischen der Grundlagenforschung zu KI-Methoden und den Ingenieurwissenschaften und macht dort den Einsatz von KI systematisch zugänglich und verfügbar. Das Projektvorhaben konzentriert sich auf die landesweite Entwicklung eines Bachelorstudiengangs «AI Engineering», welcher die Ausbildung von Methoden, Modellen und Technologien der KI mit denen der Ingenieurwissenschaften vereint. AiEng soll als Kooperationsstudiengang der Otto-von-Guericke-Universität (OVGU) Magdeburg mit den vier sachsen-anhaltischen Hochschulen HS Anhalt, HS Harz, HS Magdeburg-Stendal und HS Merseburg gestaltet werden. Der fächerübergreifende Studiengang wird Studierende befähigen, KI-Systeme und -Services im industriellen Umfeld und darüber hinaus zu entwickeln und den damit einhergehenden Engineering-Prozess - von der Problemanalyse bis zur Inbetriebnahme und Wartung / Instandhaltung - ganzheitlich zu begleiten. Das AiEng-Curriculum vermittelt eine umfassende KI-Ausbildung, ergänzt durch eine grundlegende Ingenieurausbildung und eine vertiefende Ausbildung in einer gewählten Anwendungsdomäne. Um eine Symbiose von KI- und ingenieurwissenschaftlicher Lehre zu erreichen, wird ein neuer handlungsorientierter Rahmen entwickelt und gelehrt, welcher den vollständigen Engineering-Prozess von KI-Lösungen beschreibt und alle Phasen methodisch unterstützt. AIEng zeichnet sich durch eine modulübergreifende Verzahnung von Lehr- und Lerninhalten innerhalb eines Semesters sowie durch ein fakultäts- und hochschulübergreifendes Tandem-Lehrkonzept aus und verfolgt ein studierendenzentriertes Didaktikkonzept, welches durch viele praxisorientierte (Team-)Projekte und ein großes Angebot an Open Educational Resources (OERs) mit (E)-Tutorenprogramm getragen wird.
AI Engineering - Ein interdisziplinärer, projektorientierter Studiengang mit Ausbildungsschwerpunkt auf Künstlicher Intelligenz und Ingenieurwissenschaften - Teilprojekt FMB
Laufzeit: 01.12.2021 bis 30.11.2025
AI Engineering (AiEng) umfasst die systematische Konzeption, Entwicklung, Integration und den Betrieb von auf Künstlicher Intelligenz (KI) basierenden Lösungen nach Vorbild ingenieurwissenschaftlicher Methoden. Gleichzeitig schlägt AiEng eine Brücke zwischen der Grundlagenforschung zu KI-Methoden und den Ingenieurwissenschaften und macht dort den Einsatz von KI systematisch zugänglich und verfügbar. Das Projektvorhaben konzentriert sich auf die landesweite Entwicklung eines Bachelorstudiengangs «AI Engineering», welcher die Ausbildung von Methoden, Modellen und Technologien der KI mit denen der Ingenieurwissenschaften vereint. AiEng soll als Kooperationsstudiengang der Otto-von-Guericke-Universität (OVGU) Magdeburg mit den vier sachsen-anhaltischen Hochschulen HS Anhalt, HS Harz, HS Magdeburg-Stendal und HS Merseburg gestaltet werden. Der fächerübergreifende Studiengang wird Studierende befähigen, KI-Systeme und -Services im industriellen Umfeld und darüber hinaus zu entwickeln und den damit einhergehenden Engineering-Prozess - von der Problemanalyse bis zur Inbetriebnahme und Wartung / Instandhaltung - ganzheitlich zu begleiten. Das AiEng-Curriculum vermittelt eine umfassende KI-Ausbildung, ergänzt durch eine grundlegende Ingenieurausbildung und eine vertiefende Ausbildung in einer gewählten Anwendungsdomäne. Um eine Symbiose von KI- und ingenieurwissenschaftlicher Lehre zu erreichen, wird ein neuer handlungsorientierter Rahmen entwickelt und gelehrt, welcher den vollständigen Engineering-Prozess von KI-Lösungen beschreibt und alle Phasen methodisch unterstützt. AIEng zeichnet sich durch eine modulübergreifende Verzahnung von Lehr- und Lerninhalten innerhalb eines Semesters sowie durch ein fakultäts- und hochschulübergreifendes Tandem-Lehrkonzept aus und verfolgt ein studierendenzentriertes Didaktikkonzept, welches durch viele praxisorientierte (Team-)Projekte und ein großes Angebot an Open Educational Resources (OERs) mit (E)-Tutorenprogramm getragen wird.
CONCLUSION - CO2 reduction on industrial composting plants using GNSS-based cooperative localization
Laufzeit: 01.10.2023 bis 30.09.2025
Die Kompostierung von organischen Abfällen leistet einen wesentlichen Beitrag zum Klimaschutz. Dennoch entstehen bei der Kompostierung klimaschädliche Treibhausgase, wie z.B. Kohlendioxid (CO2) oder Methan (CH4). Zusätzlich werden in der gewerblichen Kompostierung große Arbeitsmaschinen (z.B. Kompostwender) benötigt. Wenn jeder Kompostplatzbetreiber diese Arbeitsmaschinen selbst erwirbt und nur wenige Stunden am Tag nutzt, werden Ressourcen schlecht genutzt.
Das Projekt zielt darauf ab, den gesamten CO2-Fußabdruck bei der gewerblichen Kompostierung zu verringern. Mithilfe von GNSS-basierter kooperativer Lokalisierung soll ein innovatives Sharing-Konzept für Kompostwender ermöglicht werden. Neuartige Sharing-Konzepte im Verkehrs- und Logistiksektor stellen eine wichtige Möglichkeit zur CO2-Einsparung dar. Zusätzlich ermöglicht eine geteilte Nutzung (Sharing) auch kleinen Betrieben mithilfe moderner Maschinen hochqualitativen Kompost herzustellen. So würde im Sinne der Nachhaltigkeit sowohl der Nutzungsgrad einzelner Maschinen als auch die generelle Kompostierungsquote erhöht.
Die GNSS-basierte kooperative Lokalisierung von miteinander kommunizierenden Fahrzeugen soll es ermöglichen, Abläufe auf der Kompostieranlage zu optimieren und somit weiter CO2 einzusparen. Im Vorprojekt ANDREA wurde bereits ein Datenmanagementmodell (DMM) für die Kompostierung entwickelt. In das DMM wurden allerdings nur Daten von einer Maschine, einem selbstfahrenden Kompostwender, gespeist. Zusätzliche Informationen von anderen Fahrzeugen, wie z.B. Radladern, können nun hinzugezogen werden. Die Radlader sollen mit low-cost GNSS Sensorik ausgestattet werden. Durch Kombination der Beobachtungen der low-cost Sensorik mit der hochgenauen Sensorik des selbstfahrenden Kompostwenders soll untersucht werden, welche Genauigkeitsverbesserungen mit einem kooperativen Ansatz möglich sind. So soll sich beispielsweise herausstellen, ob es in Zukunft möglich sein wird, eine Flotte an Fahrzeugen auf der Kompostieranlage mithilfe von low-cost GNSS automatisch zu steuern.
Zusätzlich soll mithilfe einer gekoppelten Computational Fluid Dynamics (CFD)-Diskrete Elemente Methode (DEM)-Simulation untersucht werden, wie CO2 und CH4 während des Kompostwendeprozesses emittiert werden. Es kann davon ausgegangen werden, dass während des Wendeprozesses, der für die Entwicklung des DMM bereits im Projekt ANDREA auf der Partikelebene untersucht wurde, signifikante Mengen von CO2 und CH4 an die Umgebung abgegeben werden. Daher soll auf Basis der CFD-DEM-Simulation ein Emissionsmodell entwickelt werden, mit dem es möglich sein wird, Maßnahmen und Konzepte zur Emissionsreduzierung (z.B. Absaugung, Filterung direkt hinter dem eWender) zu entwickeln.
Das Projekt bietet durch die nachhaltige Ressourcennutzung und Reduktion von Emissionen einen Mehrwert für den Klimaschutz. Durch eine Förderung entstünden auf technischer und wirtschaftlicher Ebene zahlreiche Vorteile für die am Projekt beteiligten Organisationen. Das Institut für Geodäsie könnte seine Kompetenzen im Bereich der GNSS-basierten Positionierung und Sensorfusion durch die kooperative Lokalisierung erweitern. Das Institut für Technische Logistik könnte mit der Simulation und Anwendung von Sharing-Konzepten eine mehrjährige Forschungstätigkeit aufbauen. Das Institut für Logistik und Materialflusstechnik könnte seine Kompetenz in der Schüttgutsimulation mit der zu entwickelnden CFD-DEM-Simulationsmodell ausbauen. Die Firma Sonnenerde als Kompostanlagenbetreiber profitiert von der Entwicklung der optimierten und automatisierten Abläufe auf der Kompostieranlage, bei denen die CO2 und CH4-Emission reduziert wird, und kann durch das Sharing-Konzept auch wirtschaftlich profitieren. Für die Firma Pusch & Schinnerl als Hersteller von Kompostwendern kann durch das Sharing-Konzept ein neuer Kundenkreis erschlossen werden. Außerdem können mit den zu entwickelnden Emissionsreduzierungskonzepten in Zukunft zusätzliche technologische Merkmale für den Pusch & Schinnerl - Kompostwender geschaffen werden, die dieses Produkt von Konkurrenzprodukten unterscheidet.
Das Projekt adressiert insbesondere Ziel 3 der ASAP-Ausschreibung, dass Satellitendaten zunehmend als integraler Bestandteil des Alltags genutzt und GNSS-basierte Dienstleistungen eine hohe Servicequalität und Zuverlässigkeit bieten sollen. In Bezug auf die Ausschreibungsschwerpunkte leistet das Projekt einen wichtigen Beitrag zu den Bereichen Mobilitätswende und Kreislaufwirtschaft. Das innovative Sharing-Konzept ermöglicht eine neue Dienstleistung im Logistiksektor.
Die auf der Kompostieranlage vernetzten, intelligenten Arbeitsmaschinen tragen zu einer effizienten und kreislauforientierten Wirtschaft und Gesellschaft bei.
Digitaler Zwilling in der Logistik
Laufzeit: 04.09.2023 bis 30.09.2025
Entwicklung eines Konzeptes für einen auftragsorienten Digitalen Steuerungs-Zwilling, um komplexe Prozesse der Produktion und des Materialflusses zu steuern. Ziel ist eine synschrone Planung und Steuerung der internationalen Produktions-, Transport- und Lagerungsprozesse von Endprodukten und deren Komponenten. Der neue Forschungsansatz geht von einer gemeinsamen Abbildung des Produktions- und Materialflusses als ideale hierarchische Booleschen Interval-Algebra aus, die eine synchrone Steuerung auf unterschiedlichen Hierachie-Ebenen für unterschiedlche Aufgabenstellungen erlaubt.
KISync - Künstliche Intelligenz zur prozessübergreifenden Synchronisierung von Entscheidungen in der operativen Supply-Chain-Planung
Laufzeit: 01.10.2022 bis 30.09.2025
Im Forschungsvorhaben KISync soll untersucht werden wie Methoden der künstlichen Intelligenz (KI) angewandt werden müssen, um die Entscheidungsprobleme verschiedener Prozesse in der operativen Supply-Chain-Planung unter dem Einfluss von Unsicherheiten zu synchronisieren. Dabei soll vor allem die unternehmensinterne Planung in kompetitiven Supply Chains mit geringem Informationsaustausch untersucht werden. Ein weiterer Schwerpunkt ist die Frage, wie KI Synergien mit dem Menschen bilden kann, damit Entscheidungen in komplexen Situationen im Supply Chain Management verbessert werden und auch die prozessübergreifende Datenkompetenz des Menschen nachhaltig gesteigert wird. Aufgrund der Dynamik von globalen Supply Chains mit zunehmenden Unsicherheiten, ist durch die Entwicklung eines solchen Systems zu erwarten, dass die Planungsqualität und Robustheit der operativen Supply-Chain-Planung verbessert werden kann. Das System soll prototypisch implementiert werden, um die Funktionsweise anhand vorliegender Supply-Chain-Daten von zwei mittelständischen Unternehmen zu evaluieren.
NeKOS - ENORM: Entwicklung eines Online-Überwachungssystems zur Ausnutzung der Restlebensdauer von neuartigen Composite-Tragrollen
Laufzeit: 01.10.2022 bis 31.03.2025
Hauptziel des FuE-Kooperationsprojektes "ENORM" ist die Entwicklung eines Online Überwachungssystems zur Bestimmung der Restnutzungsdauer von neuartigen Composite-Tragrollen aus Glasfaserverstärktem Kunststoff (GFK) mit PU-Decklage. Durch Implementierung eines neuartigen Messsystems zur Erfassung der Schichtdicke und die Funkübertragung der Zustandsgrößen mittels LoRa-WAN wird ein Cloud-basiertes Online-Überwachungssystem entwickelt. Das Vorhaben ist für eine Laufzeit von 2,5 Jahren ausgelegt. An der Realisierung der Entwicklung sind ein KMU (AKT) und eine Forschungseinrichtung (OVGU/ILM) beteiligt.
Das FuE-Vorhaben ist ein aus dem ZIM-Netzwerk "NekoS" hervorgegangenes FuE-Projekt und wird von der Netzwerkmanagementeinrichtung (ZPVP) bei der Umsetzung begleitet.
Eaasy System - Electric Adaptive Autonomous Smart Delivery System
Laufzeit: 01.02.2022 bis 31.01.2025
Das Projekt Eaasy System verfolgt das Ziel, elektrische Lastenräder mit automatisierten Fahrfunktionen zu entwickeln, die eine umweltfreundliche Zustellung von Gütern für den Einsatz in der sogenannten "letzten Meile"-Logistik ermöglichen. Mit dieser Neuentwicklung soll die Flexibilität konventioneller Lastenräder mit den ergonomischen Vorteilen und schlanken Zustellprozessen von Zustellrobotern (Follow-Me) verbunden werden. Die Fahrfunktionen der automatisierten Lastenräder werden dafür auf unstrukturierte Verkehrssituationen ausgerichtet und mit einer sogenannten Come-With-Me Funktion ausgestattet - eine intuitive Sprachsteuerung, über die Zusteller das Fahrzeug dirigieren können. Damit soll die Logistik insgesamt nachhaltiger werden, die körperliche Belastung der Zusteller sinken und die Zustellung von Gütern deutlich beschleunigt werden.
Mobile Wasserstoffversorgung der nächsten Generation - TP Logistikkonzept für PowerPaste
Laufzeit: 01.11.2020 bis 31.12.2024
PowerPaste ist ein Paste, in welcher Wasserstoff als Feststoff in Magnesiumhydrid gebunden ist. Die vom Fraunhofer IFAM patentierte Technologie, ermöglicht eine andere Wasserstoff-Versorgungskette als bisher. Durch geringere Anforderungen an Druck und Temperatur sind andere Logistikprozesse möglich. Beispielsweise erlaubt die Technologie die Nutzung von standardisierten Behältern und stark vereinzelten Sendungseinheiten und eröffnet Chancen bezüglich der Belieferung dezentraler Bedarfsorte.
Im Teilprojekt Logistikonzept für PowerPaste werden die logistischen Prozesse entlang der gesamten Wertschöpfungskette von PowerPaste erarbeitet und gestaltet. Dazu gehören die Gestaltung und Auswahl der Behälter, das Erarbeiten von Distributions- und Recyclingprozessen, sowie der Vergleich verschiedener Wasserstoffversorgungsketten mithilfe von Simulation. Ziel ist es die Marktfähigkeit des Produktes zu stärken und durch integrierte Logistikplanung zu unterstützen.
Das Projekt wird vom Bundesminsterium für Wirtschaft und Energie (BMWi) im Rahmen des 7. Energieforschungsprogramm für anwendungsorientierte nichtnukleare FuE gefördert.