Projekte



Das Projekt GreenInno untersucht u.a. wie sich ökologische und wirtschaftliche Faktoren in der Produktionslogistik optimal ausbalancieren lassen. Insbesondere geht es um die Integration von CO₂-Einsparungen in bestehende Steuerungsalgorithmen für fahrerlose Transportsysteme, Routenzüge und mobile Roboter. Dabei sollen neue, messbare Nachhaltigkeitskriterien entwickelt werden, die sowohl die Effizienz als auch die Umweltbilanz verbessern, ohne Produktionsprozesse negativ zu beeinflussen.

Ein weiterer Schwerpunkt liegt auf der Berechnung des CO₂-Fußabdrucks einzelner Prozesse, trotz variabler Einflussfaktoren. Das Ziel ist eine praxisnahe Lösung, die Unternehmen eine schrittweise Umstellung auf eine „grünere“ Produktion ermöglicht, ohne signifikante Leistungseinbußen.

Kooperationspartner: GreenInno

Projektleitung: Prof. Alexander Dobhan

Moderne Produktionsumgebungen bestehen aus einer Vielzahl unterschiedlicher Maschinen, Anlagen und IT-Systeme. Diese erfassen kontinuierlich Informationen über Betriebszustände, Prozessabläufe sowie auftretende Ereignisse und Störungen. Aufgrund unterschiedlicher Maschinentypen, Hersteller und eingesetzter Systeme werden diese Informationen jedoch häufig in unterschiedlichen Formaten über verschiedene Kommunikationskanäle und Protokolle bereitgestellt. Die daraus entstehende Heterogenität erschwert eine systemübergreifende Verarbeitung und Nutzung der Daten.

Im Rahmen des Projekts soll untersucht werden, welche Systemereignisse und Zustände einen Einfluss auf den Produktionsprozess haben oder zu Beeinträchtigungen und Störungen führen können. Dabei werden unterschiedliche Maschinentypen und Systeme betrachtet und hinsichtlich der relevanten Merkmale und Informationen gegenübergestellt.

Ein besonderer Fokus liegt auf der Identifizierung der vorhandenen Systeme und Maschinen sowie der von ihnen bereitgestellten produktionsrelevanten Informationen. Neben den eigentlichen Ereignissen und Zuständen sollen auch die verwendeten Datenformate, Kommunikationskanäle und Protokolle betrachtet werden.

In universitären Studiengängen sehen sich Dozenten und Tutoren häufig mit demselben Problem konfrontiert: Studierende stellen immer wieder dieselben wiederkehrenden Fragen (Frequently Asked Questions) zu Kursinhalten, organisatorischen Abläufen oder Prüfungsanforderungen. Ein zusätzliches Hindernis bilden falsch eingeordnete Forumsbeiträge, bei denen Anfragen in unpassenden Kategorien landen – dies erschwert die Bearbeitung und bremst einen effizienten Support aus.“ Ziel des Projekts ist die Entwicklung eines intelligenten RAG-Chatbots (Retrieval-Augmented Generation), der als automatisierter und präziser Assistent für Universitätskurse dient. Der Bot soll in der Lage sein, Fragen von Studierenden basierend auf den offiziellen Kursmaterialien kontextgenau zu beantworten, wiederkehrende Anfragen zu reduzieren und die richtige Informationsquelle bereitzustellen. Dabei fungiert n8n als zentrale Automatisierungsplattform, die den gesamten Workflow und Datenfluss steuert. In der kritischen Phase der Datenaufbereitung werden strukturierte CSV-Dateien in semantische Textbeschreibungen umgewandelt. Diese aufbereiteten Daten werden als Vektoren in Qdrant gespeichert, um eine präzise und schnelle semantische Suche zu ermöglichen. Mistral AI verknüpft schließlich die abgerufenen Informationen im Rahmen von RAG (Retrieval-Augmented Generation), um kontextgenaue Antworten für Studierende zu generieren.

Beim AI Lunch tauschen sich Professorinnen und Professoren der THWS mit Vertreterinnen und Vertretern von nubibase über künstliche Intelligenz, Datenintegration und ERP-Systeme aus.

Die Treffen finden in unregelmäßigen Abständen statt und bieten Raum, aktuelle Entwicklungen und praktische Fragestellungen an der Schnittstelle von Wissenschaft und Unternehmenspraxis zu diskutieren.