Ziel des Projekts war die Entwicklung eines patientenspezifischen Orbitabodenimplantats mit integrierter Positionierungshilfe, das navigationsgestützt eingebracht werden kann. Durch die Nutzung nicht-invasiver Marker in der initialen Bildgebung sollten durch Planung, Navigation und Implantatdesign auf einer gemeinsamen Datengrundlage Genauigkeit, Gewebeschonung und insbesondere die Durchlaufzeit deutlich verbessert werden.

Auf Basis medizinischer Anforderungen wurden Implantatgeometrie, Materialkonzepte und Markersysteme definiert und exemplarisch umgesetzt. Parallel wurde der Prozess für das Pulverbettbasierte Laserstrahlschmelzen (L-PBF) für dünnwandige Titanimplantate (Ti6Al4V) entwickelt und hinsichtlich Verzugs und Maßhaltigkeit optimiert. Eine digitale, kollaborative Prozesskette zwischen Klinik und Hersteller ermöglichte eine Reduktion der Lieferzeit auf perspektivisch drei bis vier Tage. Ergänzend wurde eine wiederverwendbare, ergonomische Positionierhilfe mit kamerabasierten Markern entwickelt. Materialanalysen zeigten eine sehr gute Passgenauigkeit (< 90 µm Abweichung), poröse Strukturen erwiesen sich jedoch mechanisch noch als unzureichend. Die präklinische Validierung an realen Falldaten und Operationssimulationen bestätigte die hohe Genauigkeit, Funktionalität und klinische Praktikabilität des Gesamtsystems.

Das Forschungsprojekt „TRADEmark“ zielte darauf ab, Handwerksbetriebe bei der Digitalisierung, Automatisierung und Planung ihrer Verwaltungs- und Wertschöpfungsprozesse zu unterstützen. Der zugrundeliegende Kerngedanke ist die nahtlose und nutzbringende Integration von Daten aus dem Internet of Things (IoT) in das moderne Geschäftsprozessmanagement (GPM).

Die Universität Regensburg, die Maxsyma GmbH & Co. KG sowie drei Anwendungspartner aus dem Handwerk entwickelten gemeinsam ein kontextsensitives System für ein zeitgemäßes GPM. Über Technologien wie Bluetooth-Low-Energy-Tags und Mikrocontroller werden präzise Echtzeit-Standortdaten von Werkzeugen und Materialien erfasst. Eine eigens entwickelte Ontologie verknüpft diese Ressourcen semantisch mit den jeweiligen Aufgaben. Durch eine ortsbezogen erweiterte Prozessmodellierung und Complex Event Processing lassen sich hochfrequente IoT-Daten in Echtzeit verarbeiten. Arbeitsaufträge können so dynamisch und automatisiert an verfügbare Mitarbeitende verteilt werden.

Die erfolgreich evaluierte Lösung bietet KMU im Handwerk eine flexibel skalierbare Plattform. Zu den Ergebnissen zählen eine gesteigerte Effizienz durch die Automatisierung von Routineaufgaben (z. B. Werkzeugrückverfolgung), eine deutlich verbesserte Transparenz über betriebliche Abläufe und eine resiliente Planung, die autonom auf unvorhergesehene Ereignisse reagiert.

Im Projekt DigiFab4KMU wurde daher eine Methode entwickelt, mit der Punktwolken direkt genutzt und mit zusätzlichen Informationen angereichert werden können. Ergänzend entstand ein Software‑Werkzeug, das Anwender dabei unterstützt zu entscheiden, ob eine direkte Arbeit in der Punktwolke genügt oder doch ein vollständiges CAD‑Modell erforderlich ist. Die Praxistauglichkeit wurde gemeinsam mit drei KMU in Labor- und Feldversuchen untersucht.

Bei Bihler wurden Punktwolken mit bestehenden CAD‑Daten überlagert, um Layoutpläne des Werks zu aktualisieren. Eberle nutzte angereicherte Punktwolken, um Anlagen mit Zusatzdaten zu verknüpfen und so Bestandsdokumentation und Verlagerungsplanung zu verbessern. Bei Hufschmied wurden Maschinen in der Punktwolke mit Live‑Daten aus Dashboards gekoppelt, um Zustände der Anlagen direkt im 3D‑Modell sichtbar zu machen.

Die Ergebnisse zeigen: Eine wirtschaftliche Direktnutzung von Punktwolken ist möglich und bietet besonders bei der Layoutplanung ein hohes Kosten‑Nutzen‑Potenzial. Gleichzeitig bestehen noch Lücken bei Schnittstellen zu CAD‑ und Layoutsystemen. Künftige Forschungs- und Entwicklungsarbeiten sollen daher bessere Schnittstellen, generative Layoutplanung und die Kopplung an den Digitalen Zwilling vorantreiben – mit dem Ziel, Umplanungen für KMU weiter zu beschleunigen und zu vergünstigen.

Ziel des Vorhabens war die Entwicklung eines kostengünstigen Systems zur automatisierten Erkennung und Unterscheidung verschiedener Kunststoffe an unterschiedlichen Stellen des Stoffkreislaufs mittels eines universell einsetzbaren bildgebenden Verfahrens.

Im Projekt wurde ein Demonstrator auf Basis eines multispektralen Multi-Kamerasystems realisiert. Für dieses System wurden Datenbanken mit spektralen Fingerabdrücken verschiedener Kunststoffe aufgebaut und Algorithmen zur Bestimmung der optimalen Wellenlängen, zur Segmentierung der Bilder, zur Klassifikation der Kunststoffe und zur Gewinnung von Geometrieinformationen entwickelt. Ein Roboterarm wurde zur automatisierten Entnahme und Sortierung der klassifizierten Kunststoffe integriert.

Über verschiedene Probengemische hinweg wurde eine Klassifikationsrate von knapp 90 % erreicht. Die Ergebnisse belegen die erfolgreiche Realisierung eines robusten, flexibel einsetzbaren und wirtschaftlich realisierbaren Systems zur automatisierten Kunststoffklassifikation. Im Rahmen des Projekts entstanden sieben Publikationen und zehn studentische Arbeiten. Das Thema wurde 2024 mit dem Nachhaltigkeitspreis der Friedrich-Alexander-Universität Erlangen-Nürnberg ausgezeichnet.

Primäres Projektziel war die Entwicklung eines klinisch einsetzbaren Bioklebers zur Reduktion von AI sowie die Etablierung neuer biomechanischer Prüfmethoden.

Es gelang die Entwicklung eines reproduzierbaren biomechanischen Prüfstands zur Echtzeitmessung von Stabilität, Druckbeständigkeit und Leckage intestinaler Anastomosen ex vivo. Dieser Prüfstand stellt ein nachhaltiges Projektergebnis dar. Zudem wurden neue Erkenntnisse zur Biomechanik der Anastomosenheilung gewonnen, insbesondere zu viskoelastischen Gewebeeigenschaften und druckabhängigen Versagensmechanismen. In der finalen Projektphase wurde die präklinische Untersuchung in ein murines Kolitis-Modell überführt. Die Ergebnisse erlauben eine differenzierte Bewertung des kollagenen Bioklebers und identifizieren Optimierungsbedarf für zukünftige Materialgenerationen. Es entstanden neue methodische Ansätze, belastbare mechanistische Erkenntnisse sowie eine Grundlage für zukünftige Materialentwicklungen.

Ziel des Projekts TRAMIK war es, das volle Potenzial der vorhandenen Hardware auszureizen und die Dynamik von Scanneroptiken maßgeblich zu steigern. Durch eine intelligente, modellbasierte Trajektorienplanung sollte das dynamische Verhalten der Systemkomponenten bereits im Vorfeld berücksichtigt werden, um Abweichungen proaktiv zu kompensieren und so höhere Bearbeitungsgeschwindigkeiten bei maximaler Präzision zu ermöglichen.

Im Rahmen der Kooperation wurden systemunabhängige Modelle für Scanneroptiken und Laserstrahlquellen entwickelt. Diese dienten als Grundlage für ein Software-Modul, das zwei Kernansätze kombiniert: eine modellbasierte Vorsteuerung zur Kompensation mechanischer Trägheit und eine iterative Fehlerkompensation zur Optimierung der Bahntreue. Ergänzt wurde dies durch eine Hardware-Synchronisation von Laser und Scanner sowie durch die Implementierung echtzeitfähiger Optimierungsalgorithmen direkt auf der Steuerungshardware.

Die Projektergebnisse belegen eine signifikante Steigerung der Dynamik. In der Anwendung konnte die Bearbeitungsrate um über 50 % erhöht werden. Bei kontinuierlichen Bahnen wurde eine Reduktion des mittleren Flächenfehlers um über 30 % nachgewiesen. Die entwickelten Methoden erlauben eine optimale Nutzung der mechanischen Grenzen von Scanneroptiken und verbessern so die Wirtschaftlichkeit hochdynamischer Laserprozesse.

Viele metallische Werkstoffe weisen eine Dehnratensensitivität auf. Das bedeutet, dass sich das Werkstoffverhalten in Abhängigkeit der Dehnrate und damit der Umformgeschwindigkeit verändert. Bereits bei quasi-statischen Charakterisierungsversuchen kommt es zu Abweichungen der Zieldehnrate. Die Berücksichtigung der tatsächlichen Dehnratensensitivität führt somit zu einer verbesserten Materialmodellierung und damit zu einer verbesserten simulativen Abbildung des Materialverhaltens.

Im Rahmen des Forschungsprojekts wurde in Zusammenarbeit mit den Projektpartnern eine robuste Methode zur Durchführung optisch dehnratengeregelter Versuche erarbeitet und der Einfluss auf die Prognosequalität von Simulationen analysiert. Hierdurch wurde die Differenz zwischen der nominell gewählten und der tatsächlichen Dehnrate signifikant reduziert. Zudem konnte am Beispiel eines Tiefziehprozesses aufgezeigt werden, dass die erarbeitete Methode die Abbildungsgüte der Prozesssimulation signifikant steigert.

Heutige Kommunikationssysteme weisen eine große Vielfalt an Signalformen und Charakteristika auf, was die Erkennung und Identifikation unbekannter Funksignale zu-nehmend erschwert. Besonders im Bereich satellitengestützter Verbindungen existieren Funksysteme, die durch gezielte Überlagerung mehrerer Signale – wie im Fall von PCMA – eine effiziente Nutzung des Frequenzspektrums ermöglichen (siehe Abbildung 1). Für außenstehende Empfangssysteme, etwa bei Regulierungsbehörden, stellt diese Überlagerung jedoch ein erhebliches Problem bei der Analyse dar, da die einzelnen Teilsignale stark gestört erscheinen.

Das Ziel des Projekts bestand in der Entwicklung von Signalverarbeitungsverfahren und entsprechenden Softwarelösungen, die es ermöglichen, solche überlagerten PCMA-Signale zuverlässig zu erkennen, zu synchronisieren und voneinander zu trennen, sodass eine detaillierte Analyse durch Netzbetreiber und Behörden möglich wird.

Hierzu wurden Verfahren entwickelt, die den hohen Genauigkeitsanforderungen gerecht werden. Insbesondere wurden komplexe statistische Ansätze entworfen, die aus dem Signalverlauf Rückschlüsse auf die Parameter der Signalerzeugung und des Funkkanals zulassen.

Die vom Projektpartner IZT GmbH entwickelten Hardware- und Softwareplattformen erlaubten eine Begleitung der Entwicklung durch praxisorientierte Maßgaben und stellten Testumgebungen für den Einsatz bei realistischen Gegebenheiten zur Verfügung.

Das Projekt führte zu mehreren bedeutsamen Ergebnissen. So entstand ein IZT-Demonstrationssystem, das die Analyse und Separation von PCMA-Satellitensignalen auf der Grundlage der entwickelten Verfahren ermöglicht (siehe Abbildung 2). Darüber hinaus konnten neue Methoden zur blinden Schätzung und Detektion für sämtliche Kombinationen von BPSK-, QPSK-, 8PSK- sowie 8-, 16- und 64-QAM-Signalen für den AWGN-Kanal entwickelt werden. Die Signalsynchronisation wurde durch datengestützte Schätzverfahren deutlich verbessert, was eine robustere Verarbeitung auch unter anspruchsvollen Bedingungen erlaubt. Zudem gelang es, die Symbolraten bei PCMA-Signalen mit voneinander abweichenden Symbolraten zuverlässig zu detektieren. Weitere Fortschritte umfassen die Synchronisation, Kanalschätzung und Symboldetektion in frequenzselektiven Kanälen sowie neue Verfahren zur Nachverfolgung zeitveränderlicher Kanalparameter, die eine stabile Signalverarbeitung über die Zeit hinweg sicherstellen.
Die genannten Entwicklungen schaffen die Grundlage für Netzbetreiber und Behörden, PCMA-Signale für einen sicheren und effizienten Betrieb analysieren zu können.

Ziel des Forschungsvorhabens war die Entwicklung eines neuartigen, dynamischen Prüf- und Bewertungskonzepts zur Charakterisierung von Schnellläuferpressen unter realitätsnahen Betriebsbedingungen. Damit sollte eine standardisierte Bewertung unterschiedlicher Maschinen ermöglicht werden.

Im Projekt wurde ein modulares Gesamtsystem aus Messmodulen, einem Prüfwerkzeug und einer Auswerteroutine entwickelt. Die Messmodule erfassen berührungslos vertikale und horizontale Stößelbewegungen mit hoher Auflösung. Ergänzend wurde ein Werkzeug zur definierten Aufbringung von Kräften und Momenten konzipiert. Datenerfassung und -auswertung erfolgten über eine zeitsynchrone Messkette mit einer halbautomatisierten Auswerteroutine. Die Validierung des Systems wurde an einer Referenzpresse durchgeführt und anschließend auf industrielle Schnellläuferpressen übertragen.

Als Ergebnis steht ein portables Prüfsystem zur Verfügung, das dynamische Maschinenkennwerte zuverlässig erfasst. Auf dieser Basis wurden Bewertungs- und Vergleichsmetriken abgeleitet, die eine realitätsnahe Zustandsbewertung von Schnellläuferpressen ermöglichen. Das Projekt zeigt ein hohes Potenzial für den industriellen Einsatz sowie für die Standardisierung dynamischer Pressenprüfungen.

Ziel des Forschungsprojekts DeepCode war es, Deep-Learning-basierte Verfahren zur nachhaltigen Verbesserung der Quellcodequalität zu entwickeln und ihre Übertragbarkeit von Open-Source-Code auf industriellen Softwarecode zu untersuchen. Der Fokus lag dabei auf praxisrelevanten Anwendungsfällen wie Namensvorschlägen für Methoden und Variablen, der Generierung von Test-Assertions und Kommentaren sowie der Integration der Ergebnisse in gängige Entwicklungsumgebungen.

Im Projekt wurde ein umfassender Basisdatensatz aus öffentlichen GitHub-Repositories sowie internen Repositories der msg systems ag und der Universität Passau aufgebaut. Eine eigens entwickelte Preprocessing-Toolbox bereitete Java-Quellcode einheitlich für verschiedene Modellarchitekturen auf. Darauf aufbauend wurden State-of-the-Art-Modelle wie code2vec, code2seq, ASTNN, GGNN, Transformer-basierte Modelle und CodeT5 implementiert, trainiert und evaluiert. Zur praktischen Erprobung entstanden IDE-Plugins für Visual Studio Code und IntelliJ, die Modellvorschläge direkt im Entwicklungsprozess anzeigen und Feedback der Nutzer erfassen.

Die Ergebnisse zeigen, dass Deep-Learning-Modelle einen messbaren Beitrag zur Verbesserung der Codequalität leisten können, insbesondere bei der Generierung von Methodennamen und Test-Assertions. Hervorzuheben ist das Assertion-Modell AsserT5, das international ausgezeichnet wurde. Gleichzeitig wurde deutlich, dass ein gezieltes Finetuning auf internen Daten sowie konsistentes Preprocessing entscheidend für die Übertragbarkeit auf Industriecode sind. Mit den entwickelten Prototypen und Erkenntnissen leistet DeepCode einen wichtigen Beitrag zur praxisnahen Anwendung von KI in der Softwareentwicklung.