Die industrielle Fertigung zeichnet sich durch eine hochspezialisierte und heterogene Prozesslandschaft aus. Im Kontext von Industrie 4.0 (I4.0) sind Daten ein enorm wichtiger Bestandteil zur Steigerung der Qualität sowie Effizienz. Methoden der künstlichen Intelligenz (KI) wie maschinelles Lernen (ML) und Deep Learning (DL) finden zunehmend Anwendung in Bereichen wie Zustandsüberwachung und vorausschauender Wartung/Qualität.

Während große Unternehmen bereits von diesen Technologien profitieren, stehen kleine und mittelständische Unternehmen (KMU) vor erheblichen Herausforderungen, diese zu implementieren. Dies liegt insbesondere an begrenzten personellen sowie finanziellen Ressourcen, fehlendem technologischem Wissen und der hohen Komplexität. Ziel dieser Dissertation ist es, KI-basierte Lösungen zu entwickeln, die speziell auf die Bedürfnisse von KMU zugeschnitten sind, um die Barrieren zu überwinden und somit im Allgemeinen die Effizienz der gesamten Prozesskette zu steigern.

Um dies zu realisieren, soll ein Referenzmodell entwickelt werden, das KMUs zur Verbesserung ihrer industriellen Fertigungsprozesse nutzen können. Das Referenzmodell integriert alle Aspekte eines KI-Lebenszyklus, einschließlich Datenqualität, -verarbeitung und -visualisierung. Es beinhaltet zudem eine Auflistung von realen, praxisnahen Anwendungsfällen durch die KMUs übersichtlich Anforderungen, Aufwand und Nutzen feststellen können. Ein besonderer Fokus wird auf die Verbindung zwischen Wissenschaft und Industrie gelegt, um den spezifischen Bedürfnissen der Industrie gerecht zu werden.

Damit zielt diese Dissertation auch darauf ab, Wissenschaft und Industrie näher zusammenzubringen und einen realen, praxisnahen Beitrag zu leisten.