Aus der Forschung in die Anwendung: Projekte am Fraunhofer EMFT

Für Bayern hat der Agrarsektor mit rund 121 Milliarden Euro Umsatz pro Jahr eine wesentliche wirtschaftliche Bedeutung. Allerdings kommt es durch die unterschiedlichen Interessen mit den wirtschaftlichen Zielen der Landwirte und den nachhaltigen Zielen der Umwelt- und Tierschutz-Initiativen immer wieder zu Konflikten. Besonders die Emission von Ammoniakgasen führt hierbei zu gesellschaftlichen Diskussionen. Forschende der Fraunhofer EMFT entwickeln ein effizienteres Messverfahren zur Detektierung von Ammoniakgasen in der Landwirtschaft. Dabei ist das Ziel zu einer umwelt- und tierfreundlicheren Landwirtschaft beizutragen.

Schmieröle leisten einen wesentlichen Beitrag zur Reibungsminimierung und gewährleisten damit einen sicheren Betrieb von Produktionsanlagen. Im Projekt Smart Gear entwickeln Forschende des Fraunhofer EMFT Lösungen, um eine abfallende Leistungsfähigkeit der Schmieröle mit Hilfe von Sensorik und Machine Learning-Methoden zu erkennen und den Zeitpunkt für einen Ölwechsel zu prognostizieren.

Die Auswertung von Sensordaten findet heute in der Regel in der Cloud statt. Durch die fortschreitende Digitalisierung wächst die Menge an erfassten und auszuwertenden Sensordaten jedoch rapide an. Um die anfallenden riesigen Datenmengen schnell und sicher zu übertragen, setzen Forschende des Fraunhofer EMFT auf Sensoren und Aktoren mit Künstlicher Intelligenz (KI) auszustatten.

Im EU-Projekt SusFe arbeitet die Fraunhofer EMFT gemeinsam mit europäischen Partnern an einer effizienten und gleichzeitig ressourcenschonenden Design-und Produktionsplattform für medizinische Devices. Damit soll sowohl dem steigenden Bedarf an medizinischen Geräten als auch dem Aspekt der Nachhaltikeit Rechnung getragen werden.

Jährlich erkranken weltweit über 3 Millionen immobile Menschen an schwerwiegenden, meist vermeidbaren Druckgeschwüren. Davon rund 0,6 Millionen in Deutschland. Dekubitus verursacht nicht nur persönliches Leid, sondern ist auch zeit- und kostenaufwendig zu behandeln. Aktuelle Prophylaxe Methoden erfordern viel Engagement des Pflegepersonals und bieten keine kontinuierliche Sicherheit. Daher besteht ein dringender Bedarf an individueller und kontinuierlicher Überwachung für eine wirksame Dekubitusprophylaxe. SoreAlert, ein potenzielles Spin-off der Fraunhofer EMFT, adressiert diesen Bedarf mit einem intelligenten Pflaster, das eine automatisierte Überwachung gefährdeter Körperbereiche ermöglicht und frühzeitig vor Druckgeschwüren warnt.

Ziel einer prädikativen oder vorausschauenden Wartung ist es, Betriebsmittel proaktiv und vorausschauend instand zu halten. Auf diese Weise sollen Störungszeiten und Wartungsaufwand auf ein Minimum reduziert werden. Forschende des Fraunhofer EMFT erproben neue Konzepte, um mit Methoden des Maschinellen Lernens auch extrem heterogene Daten effizient verarbeiten und exakte Wartungsvorhersagen für Fertigungsanlagen treffen zu können.

Die Fraunhofer EMFT entwickelt intelligentes Pflaster zur frühzeitigen Erkennung von Druckgeschwüren in der Pflege. Es wird dafür an einer KI-gestützte Prophylaxe gearbeitet, welche durch frühzeitige Erkennung präventives Verhalten anstoßen kann und damit eine Erleichterung für Pflegepersonal und behandelnde Person darstellt.

Vor allem in Bereichen, in denen personenbezogene oder sicherheitskritische Daten verarbeitet werden – etwa in der Medizintechnik, beim autonomen Fahren oder bei kritischen Infrastrukturen – werden im Zuge der Digitalisierung vertrauenswürdige elektronische IKT-Komponenten und -Systeme immer wichtiger. Forschende der Fraunhofer EMFT haben bei diesem Thema vor allem die Hardware-Ebene im Blick.

Mit dem Mobile Learning Hub bietet das Zentrum für Verbindungstechnik in der Elektronik ZVE der Fraunhofer EMFT seinen Kundinnen und Kunden ab sofort eine attraktive Alternative zu Präsenzschulungen im Schulungszentrum Oberpfaffenhofen an. Die Lötstation auf Rädern lässt sich direkt beim Kunden per Plug & Play in Betrieb nehmen.

Wie kann Computing zukünftig statt in der Cloud nahe am Sensor bewerkstelligt werden? Und wie kann in einem solchen Set-up maschinelles Lernen auf verteilten Systemen stattfinden? Mit diesen hochaktuellen Fragestellungen beschäftigen sich Forschende der Fraunhofer EMFT gemeinsam elf weiteren Fraunhofer-Instituten im Innovationsprojekt SecLearn. Im Zentrum stehen dabei die Aspekte neuromorphe, energieeffiziente Hardwarekomponenten und KI-Algorithmen für dezentrales Lernen sowie der Datenschutz.