Index

Bestehend aus 25 geförderten Partnern aus Industrie, Mittelstand und Wissenschaft – ergänzt durch assoziierte Partner aus Forschung und Wirtschaft – ist ReDriveS eines der nationalen Leuchtturmprojekte im BMWE-Fachprogramm „DNS der zukunftsfähigen Mobilität – Digital, Nachhaltig, Systemfähig“. ReDriveS hat ein Projektvolumen von mehr als 25 Mio. € bei über 16 Mio. € Gesamtförderung.

Das Vorhaben zielt darauf ab, ökonomisch tragfähige und ökologisch vorteilhafte Kreislaufwirtschaftslösungen für elektrische Achsantriebe zu entwickeln. Durch automatisierte Demontageprozesse, innovative Recyclingverfahren für Seltene-Erden-Magnete und den Einsatz digitaler Zwillinge werden branchenübergreifende Grundlagen für eine nachhaltige Elektromobilität geschaffen.

ReDriveS adressiert drei zentrale Leitthemen der Mobilitätswende: Digitalisierung, Nachhaltigkeit und Systemfähigkeit.

Im Fokus stehen dabei:

• die Entwicklung automatisierter, robotergeführter Demontagesysteme für elektrische Achsantriebe,
• Recyclingprozesse für Seltene-Erden-Magnete (NdFeB) und andere strategische Materialien, sowie
• der Aufbau eines digitalen Ökosystems mit digitalen Zwillingen für herstellerübergreifende Datennutzung.

Das Projekt trägt maßgeblich zur Resilienz der Wertschöpfungskette in der Elektromobilität bei und leistet einen wichtigen Beitrag dazu, künftige Recyclingquoten zu erfüllen und den CO₂-Footprint von Elektrofahrzeugen in Deutschland und Europa zu reduzieren.

Koordiniert wird das Projekt von der Schaeffler AG. Das Projekt läuft über 36 Monate und wird vom Bundesministerium für Wirtschaft und Energie (BMWE) gefördert. Die Projektträgerschaft übernimmt die TÜV Rheinland Forschungs- und Innovationsmanagement GmbH.

Mit seiner Kombination aus Automatisierung, Digitalisierung und Kreislaufwirtschaft steht ReDriveS exemplarisch für die Transformation der deutschen Automobilindustrie hin zu nachhaltigen, datengetriebenen und ressourceneffizienten Produktionssystemen. Die Ergebnisse des Projekts sollen nach Abschluss in industrielle Anwendungen überführt und als Branchenlösung für OEMs, Zulieferer und Recycler nutzbar gemacht werden.

Beteiligt am Projekt ReDriveS sind unter anderem Schaeffler AG, AVL Software and Functions GmbH, Circu Li-Ion, EKS InTec GmbH, FEV, FFT Produktionssysteme, Fraunhofer IPA, Fraunhofer LBF, Hochschule Pforzheim, LPKF Laser & Electronics SE, Lehrstuhl FAPS der FAU Erlangen-Nürnberg, msg for automotive, Öko-Institut, Robert Bosch GmbH, The Battery Lifecycle Company GmbH (BLC), TU Bergakademie Freiberg, TU Clausthal – IEVB, TU Clausthal – IGMR, Volkswagen AG.

Die technologischen Anforderungen an Kommunikation, Sicherheitstechnik und Radarsensorik steigen kontinuierlich an, wodurch klassische planare Leiterplattentechniken an ihre Grenzen stoßen. Insbesondere bei Frequenzen über 60 GHz sind daher neue Ansätze erforderlich, um die elektrische Leistungsfähigkeit von Hochfrequenzkomponenten wie Wellenleiter, Wellentypwandler und Antennen zu steigern. Ziel dieses Projekts ist die Entwicklung eines Herstellungsprozesses zur selektiven Metallisierung additiv gefertigter Hohlleiter. Mittels einer gezielten Strukturierung der metallischen Außenwand kann die Dispersion dieser Wellenleiter gezielt beeinflusst werden, wodurch sich enorme Vorteile für Anwendungen wie bildgebende Radarsysteme oder die Hochgeschwindigkeitskommunikation ergeben.

Ein besonderer Schwerpunkt des Projekts liegt auf der Bewertung und Anwendung verschiedener additiver Fertigungsverfahren für die Herstellung von Hochfrequenzkomponenten. Die Eignung der folgenden Verfahren für die wirtschaftliche Kleinserienfertigung soll evaluiert werden: Laserdirektstrukturierung (LDS), Plasmaspritzen, Piezojet und Nanojet. Die Fertigung eines Demonstrators im E-Band (60–90 GHz), bestehend aus Speisenetzwerken und Antennenelementen, veranschaulicht die Anwendbarkeit der Technologie.

Das Projekt EndoKI verfolgt das Ziel, mithilfe künstlicher Intelligenz die Diagnostik und Therapie von Endometriose entscheidend zu verbessern. Ein interdisziplinäres Forscherinnenteam entwickelt dafür ein dreidimensionales Patientinnenmodell, das Bildgebung, Operationsdaten und Nachsorgeinformationen integriert. Im Fokus stehen eine frühere und standardisierte Diagnose sowie eine patientenschonendere Behandlung.

Die medizinische Notwendigkeit ist groß: Im Durchschnitt vergehen derzeit rund acht Jahre, bis eine Endometriose erkannt wird – eine Zeit, in der viele Betroffene unter erheblichen chronischen Schmerzen leiden. KI-gestützte Bildgebung soll künftig eine präzisere präoperative Planung ermöglichen und dadurch die Zahl invasiver Eingriffe verringern.

Ein zentrales Element des Projekts ist der Aufbau einer pseudonymisierten Datenbank, die MRT-Aufnahmen und histopathologische Befunde umfasst. Diese Daten bilden die Grundlage für KI-Trainingsmodelle und eröffnen zugleich neue Perspektiven für die weitere Forschung. Ergänzend wird eine ethnografische Teilstudie durchgeführt, die die Bedarfe und Sichtweisen von Patient:innen und Ärzt:innen systematisch erhebt.

Der Lehrstuhl FAPS entwickelt in diesem Rahmen ein standardisiertes Untersuchungsprotokoll für die Ultraschall-Elastografie. Ziel ist eine verbesserte Detektion von Endometrioseherden, unter anderem durch optimierte Sonden- und Patientinnenpositionierung sowie den Einsatz physischer Gewebemodelle. Die erhobenen Ultraschall- und Elastografie-Daten werden manuell annotiert und dienen anschließend dem Training KI-gestützter Modelle zur automatischen Registrierung, Segmentierung und Erkennung typischer Läsionsmuster. Darüber hinaus sollen KI-Methoden helfen, Inter-Observer-Variabilitäten zu verringern und so den diagnostischen Prozess zu standardisieren.

Konventionelle Qualitätskontrollsysteme in der Produktion beschränken sich meist auf die reine Fehlererkennung und liefern lediglich binäre Bewertungen – Gutteil oder Schlechtteil. Eine systematische Unterstützung bei der Ursachenanalyse oder Fehlerbehebung bleibt dabei ebenso aus wie die gezielte Einbindung des wertvollen Prozesswissens erfahrener Bediener, das bislang kaum in digitale Systeme überführt wird.

Genau hier setzt das Forschungsprojekt KIdoka an: Ziel ist die Entwicklung eines KI-basierten Qualitätsassistenten, der über die klassische Fehlererkennung hinaus auch Ursachen identifiziert und direkt Maßnahmen zur Fehlerbehebung vorschlägt und autonom umsetzt. Der Name KIdoka orientiert sich am Jidoka-Prinzip des Toyota-Produktionssystems, das Automatisierung mit menschlichen Zügen verbindet – also Maschinen befähigt, Fehler selbstständig zu erkennen, zu bewerten und bei Bedarf einzugreifen. KIdoka überträgt dieses Prinzip in das Zeitalter der Künstlichen Intelligenz.

Herzstück des Qualitätsassistenten sind Vision Language Models (VLMs), die Funktionen der Computer Vision und der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) miteinander verbinden. Das System ist direkt an die Maschinensteuerung angebunden und ermöglicht somit die direkte Kommunikation in natürlicher Sprache mit der Anlage, um Maschinenparameter abzufragen oder anzupassen – ganz ohne komplexe Bedienoberflächen. Der Qualitätsassistent wird im Prozessschritt der Mantelextrusion in der Kabelproduktion erprobt und evaluiert.

Das dreijährige Verbundvorhaben KIdoka wird gemeinsam mit unseren Partnern HELU KABEL GmbH und Kühne+Vogel Prozessautomatisierung Antriebstechnik GmbH durchgeführt.

Eine der größten Herausforderungen in der modernen Elektronikproduktion ist die steigende Komplexität von Fertigungsprozessen, insbesondere getrieben durch immer kleinere Dimensionen und zunehmende Funktionalitätsintegration. Zahlreiche Einflussparameter und deren Wechselwirkungen bestimmen die Produktqualität und werden durch konventionelle Methoden immer schwerer beherrschbar. Klassische Machine Learning-Ansätze, die auf reiner Mustererkennung und Korrelation basieren, stoßen hier an ihre Grenzen, wenn es um die Identifikation tatsächlicher Ursache-Wirkungs-Beziehungen geht. Causal Machine Learning (Causal ML) stellt hingegen einen ganzheitlichen Ansatz dar, der es ermöglicht, kausale Zusammenhänge präzise zu quantifizieren und gezielt zu beeinflussen.

Das Verbundvorhaben X|CausePro verfolgt einen innovativen Ansatz zur Überwindung dieser Herausforderungen. Durch die synergetische Kombination von Large Language Models (LLMs), kausalem maschinellen Lernen und einer eventbasierten Dateninfrastruktur sollen nicht nur die Einstiegsbarrieren für kausale Analysen in der Produktion gesenkt, sondern auch nachhaltige Verbesserungen in Produktqualität und Prozesseffizienz erzielt werden.

Im Zentrum des Forschungsvorhabens steht die Entwicklung  Methodik, die das Domänenwissen der Elektronikproduktion mithilfe von LLMs automatisiert in Kausalgraphen transformiert. Dieser innovative Ansatz ermöglicht es, verteiltes Expertenwissen aus verschiedenen Quellen zu zentralisieren und formalisieren und durch die Analyse von Produktionsdaten bisher unentdeckte Kausalzusammenhänge zu erschließen. Die Integration in ein speziell für die Fertigung konzipiertes Causal ML-Framework mit Low-Code-Funktionalität und einem intelligenten LLM-Assistenzsystem wird auch Domänenexperten ohne tiefgreifende KI-Kenntnisse den Zugang zu fortschrittlichen kausalen Analysemethoden eröffnen.

Das dreijährige Projekt  wird in einem starken Konsortium aus Forschung und Industrie realisiert. Gemeinsam mit den Partnern Ancud IT-Beratung GmbH, PRÜFREX engineering e Motion GmbH & Co. KG und der Schäffler AG sowie den assoziierten Partnern embedded ocean GmbH und Valeo Schalter und Sensoren GmbH arbeiten wir an Lösungen, die Unternehmen helfen, den Paradigmenwechsel hin zu kausal fundierten, datengetriebenen Entscheidungsprozessen in der Produktion erfolgreich zu vollziehen.

Die fortschreitende Miniaturisierung und die steigenden Anforderungen an Ressourceneffizienz, Leistungsfähigkeit und Variantenvielfalt stellen die Elektronikindustrie vor Herausforderungen. Traditionelle Leiterplattentechnologien stoßen hinsichtlich Materialeinsatz, Prozesskette und Umweltverträglichkeit dabei an ihre Grenzen. Hier kommen Mechatronic Integrated Devices (3D-MID) ins Spiel, die durch räumliche Integration auf Leiterplattenebene kompakte elektronische Systeme mit hoher Funktionsdichte ermöglichen. Die dreidimensionalen, elektrisch isolierenden Grundköper werden im Stand der Technik über Metallisierungsverfahren wie die Laser Direk Strukturierung oder Prozessen der additiven Fertigung mit Leiterbahnen versehen und anschießend mittels Bestück- und Fügeprozesse zu funktionalen Baugruppen aufgebaut. Während die Anforderungen an elektronische Baugruppen zu höhere Strömen und Temperaturen steigen,  ist die 3D-MID Technologie aktuell noch auf temperatursensitive Kunststoffe und Verfahren mit geringen Metallisierungsstärken beschränkt. Durch das Projekt CeraClad soll diese Lück durch die Qualifizierung des Laserpulverauftragschweißen (LPAS) für die schnelle, flexible und direkte Erzeugung leitfähiger Strukturen auf dreidimensionalen Keramiksubstraten geschlossen werden.

Im Projekt CeraClad (FKZ 01IF23410N) beforscht der Lehrstuhl FAPS in Kooperation mit dem Laserzentrum Hannover (LZH) und einem aus 14 Unternehmen, davon 8 KMUs, bestehenden projetbegleitenden Ausschuss (PbA) im Rahmen der industriellen Gemeinschaftsförderung (IGF) über 2 Jahre die Metallisierung keramischer Substrate, wobei im ersten Schritt ein zweistufiger Metallisierungsprozess mit niedrigschmelzender Kupfer-Phosphor-Haftvermittlungsschicht und elektrisch funktionalisierender Kupferschicht etabliert werden soll. Aufbauend wird im zweiten Schritt die Bestückung der resultierenden Schaltungsträger mit elektronischen Bauelelementen betrachtet, sodass zum Ende des Projektes ein Technologiedemonstrator resultiert.

Eine der größten Herausforderungen bei der Entwicklung interdisziplinärer Systeme ist die Komplexität, die mit der Anzahl der Teilsysteme, Disziplinen, Technologien sowie deren Verknüpfungen und Abhängigkeiten zunimmt. Bei mechatronischen Systemen ist der Abstimmungs- und Synchronisationsaufwand zwischen den Entwicklungsarbeiten der verschiedenen Fachdisziplinen wie Mechanik, Elektronik und Software besonders ausgeprägt. Modelbasiertes Systems Engineering (engl.: „Model-based Systems Engineering”, MBSE) stellt einen ganzheitlichen Ansatz zur umfassenden Modellierung, Koordination und Parallelisierung dar, der zur Beherrschung der Komplexität beiträgt und damit das Ziel einer verbesserten Ressourcennutzung im Engineeringprozess unterstützt. Der Entwurf von Systemen erfolgt dabei nicht wie traditionell über Dokumente, sondern auf Basis maschinenlesbarer Modelle, die typischerweise in Form der UML (Unified Modeling Language) oder SysML (Systems Modelling Language) erstellt werden. Trotz der zahlreichen Vorteile ist das MBSE in der Praxis noch nicht zureichend verbreitet. Dies liegt insbesondere an den hohen Einstiegshürden im Mittelstand, die u.a. durch die Vielzahl und Komplexität der Verwendbarkeit von Diagrammtypen, deren Erstellung, Verwaltung und kontinuierliche Weiterentwicklung notwendig sind, um ein entsprechendes System vollständig beschreiben zu können.

Das Forschungsprojekt LLM-SE sieht das Potenzial und verfolgt das Ziel, durch die Einführung von Large Language Models (LLM), die derzeit durch Bild- und Textverarbeitungsverfahren besondere öffentliche Aufmerksamkeit erfahren, Einstiegsbarrieren abzubauen und gleichzeitig die Entwicklungseffizienz und -qualität in der MBSE zu steigern. Dazu wird ein an der Philosophie und Struktur der MBSE orientiertes Assistenzsystem unter Anwendung von Large Language Modellen zur Teilautomatisierung des Engineeringprozesses mechatronischer Systeme von der Anforderungsanalyse bis zur virtuellen Inbetriebnahme entwickelt. Dieses soll Benutzereingaben wie Anforderungen und Anpassungen interpretieren, durch die Verfügbarkeit von unternehmensspezifischen Produktkatalogen, historischen Projektdaten und Best Practices in individuelle, modellbasierte Lösungen transformieren und diese durch geeignete Validierungs- und Verifizierungsmechanismen absichern. Dadurch werden eine deutliche Effizienzsteigerung der Planungsprozesse sowie eine frühzeitige Fehlerreduktion und -vermeidung durch automatisierte Verifikation und Validierung erreicht. Dies vereinfacht die Koordination und reduziert den operativen Aufwand in Engineering-Projekten und versetzt den bayerischen Mittelstand im Sondermaschinenbau in die Lage, die Transformation vom dokumentengetriebenen Engineering zum durchgängig digitalen MBSE zu bewältigen.