Forschungsvereinigungen müssen für die Antragstellung im Rahmen der IGF autorisiert sein. Noch nicht autorisierte Forschungsvereinigungen können einen Antrag auf Autorisierung im Förderprogramm Industrielle Gemeinschaftsforschung (IGF) stellen, wenn die Kriterien gemäß der Anlage Förderrichtline erfüllt sind.
Die Industrielle Gemeinschaftsforschung (IGF) ist ein europaweit einzigartiges, themenoffenes und vorwettbewerbliches Förderprogramm des Bundesministeriums für Wirtschaft und Energie (BMWE), das kleinen und mittleren Unternehmen (KMU) einen einfachen Zugang zu praxisorientierter Forschung ermöglicht.
Eine Kurzdarstellung veranschaulicht den Prozess von der Idee bis zur Veröffentlichung des Forschungsergebnisses.
Hier finden Sie eine Übersicht aller IGF-Forschungsvereinigungen.
IGF bewegt: Erhalten Sie in Bild und Ton Einblicke in die IGF.
Mit den Mitteln der IGF werden im transnationalen Netzwerk CORNET auch Projekte gemeinsam mit internationalen Kooperationspartnern durchgeführt ...
Im Rahmen des IGF-Kongresses wurde das IGF-Projekt des Jahres 2025 gewählt. Unter 23 Einreichungen hat der Wissenschaftliche Rat der IGF drei Finalisten nominiert. Das Gewinner-Team wurde durch das Publikum gewählt.
Ein kleiner Ausschnitt der bisher rund 12000 geförderten Projekte bietet einen Einblick in die Vielfalt der Forschungsthemen.
Die Projektdatenbank der Industriellen Gemeinschaftsforschung (IGF) umfasst rund 12000 abgeschlossene und laufende IGF-Vorhaben seit dem Jahr 1995 und wird regelmäßig aktualisiert.
Hier finden Sie Veranstaltungen mit Bezug zu IGF-Forschungsvorhaben.
Forschung für den Mittelstand - Die IGF-Projektdatenbank
Die Projektdatenbank der Industriellen Gemeinschaftsforschung (IGF) umfasst rund 12000 abgeschlossene und laufende IGF-Vorhaben seit dem Jahr 1995 und wird regelmäßig aktualisiert.
Suchen Sie nach einem exakten Begriff, setzen Sie diesen bitte in Anführungszeichen.
Möchten Sie sich einige Vorhaben als Auswahlliste abspeichern, können Sie diese mithilfe des Kästchens markieren und als PDF anzeigen lassen.
Die Suchergebnisliste zeigt alle Vorhaben in einem PDF-Dokument an.
Weitere Filter finden Sie in der erweiterten Suche.
Reinforcement Learning in kontinuierlichen Produktionsprozessen am Beispiel der Hochmodulfasertapeherstellung
Laufzeit:01.05.2022 - 30.04.2024Vorhaben-Nr. 22237 N
Forschungsvereinigung:
Forschungseinrichtungen:
-
RWTH Aachen Institut für Textiltechnik
-
Institut für Unternehmenskybernetik e.V.
Vorhabenbeschreibung:
Der flächendeckende Einsatz von FVK scheitert bislang an hohen Materialpreisen sowie hohen Lohnkosten bei der Bauteilfertigung durch manuelle Arbeitsschritte. Die Automated Fiber Placement (AFP) Technologie gewinnt daher in den letzten Jahren immer mehr an Bedeutung. Dabei werden sog. Tapes (schmale Bänder aus Verstärkungsfasern) automatisiert und verschnittarm direkt auf die Bauteilgeometrie abgelegt. In speziellen Anwendungen in der Luftfahrtbranche gehört dieses Verfahren bereits zum Stand der Technik. Für andere Anwendungen ist das Verfahren auf Grund hoher Fehleranfälligkeit noch zu unproduktiv und damit unwirtschaftlich.
Die automatisierte Ablage stellt hohe Qualitätsanforderungen an das Eingangsmaterial. Insb. Breitenschwankungen der Tapes können im Prozess nicht kompensiert werden und führen zu Fehlern im Laminat. Daraus resultieren verringerte mech. Bauteileigenschaften es kommt zu Prozessstillstand und Produktionsausschuss.
Vorarbeiten des ITA und IfU im Projekt AutoTow (18713N) haben bereits gezeigt, dass eine PID-basierte Regelung des Spreizprozesses die Breitenschwankungen ggü. einem ungeregelten Prozess verbessern kann. Allerdings können damit immer noch nicht die hohen geforderten Breitentoleranzen erreicht werden. Zudem ist die Parametrierung der Regelung für ein neues Material oder Prozessfenster sehr zeitaufwendig. Darüber hinaus die Regelung störgrößenanfällig.
Daher soll in diesem Projekt eine auf dem Reinforcement Learning basierte Regelung aufgebaut werden. Diese ermöglicht es KMU zukünftig Zeit beim Einrüsten von Tape-Produktionsprozessen i.H.v. -80 % einzusparen, die nutzbaren Materialkennwerte um + 27 % zu steignern und die Produktivität von Verarbeitungsprozessen durch bessere Materialqualität um + 30 % zu steigern.