Fraunhofer-Institut für Gießerei-, Composite- und Verarbeitungstechnik IGCV
Fraunhofer-Institut für Gießerei-, Composite- und Verarbeitungstechnik IGCV

TrustME - Zertifizierbare KI-Anwendungen in Luftfahrt-Produktionssystemen

Vertrauenswürdige KI für effiziente und flexible Flugzeugproduktion

Künstliche Intelligenz bietet großes Potenzial, Produktionsprozesse in der Luftfahrt sicherer, effizienter und flexibler zu machen – etwa durch vorausschauende Qualitätsprognosen oder automatisierte Bildauswertung. Gleichzeitig sind Zulassung und Einsatz von KI in sicherheitskritischen Umgebungen stark reguliert.

 

Herausforderungen
Bislang fehlen standardisierte Verfahren, um KI-Anwendungen in der Luftfahrtproduktion zu zertifizieren. Black-Box-Modelle sind schwer nachvollziehbar, Daten liegen oft unstrukturiert vor und es existieren kaum erprobte Konzepte, wie KI vertrauenswürdig in bestehende Montage- und Prüfprozesse integriert werden kann.

Zielgruppe
Adressiert werden Flugzeughersteller und -zulieferer, Produktionsplaner:innen, Qualitätsverantwortliche, Automatisierungs- und IT-Abteilungen sowie Forschende und Zulassungsstellen, die KI-Lösungen in der Produktion entwickeln, bewerten oder einsetzen wollen.

Ziele des Projekts TrustME
TrustME entwickelt Architekturen, Methoden und Werkzeuge für zertifizierbare und vertrauenswürdige KI in der Luftfahrtproduktion. Dazu gehören Predictive-Quality-Modelle, KI-basierte Bildverarbeitung, Ontologien, generative KI (LLM, RAG) und Multiagentensysteme. Die Ansätze werden in realitätsnahen Laborumgebungen in Hamburg und Augsburg erprobt und entlang regulatorischer Vorgaben wie EU AI Act und EASA-Roadmap ausgerichtet.

Zertifizierbare KI als Schlüssel für die Luftfahrtproduktion von morgen

TrustME entwickelt Methoden und Architekturen, um KI-Anwendungen in der Luftfahrtproduktion zertifizierbar und vertrauenswürdig zu machen. Auf Basis von Vorgaben wie EU AI Act und EASA-Roadmap entsteht ein Rahmenwerk, das technische, regulatorische und dokumentarische Anforderungen für KI-Systeme in der Fertigung definiert.

Datenbasierte Qualitätsprognosen und optische Prozessüberwachung
Für roboterbasierte Montageprozesse werden Predictive-Quality-Modelle entwickelt, die Bohrungsqualität aus Prozessdaten vorhersagen und Prüfaufwand gezielt reduzieren. KI-basierte Bildverarbeitung erkennt fehlerhafte Dichtmittelaufträge; synthetische Trainingsdaten und GANs sollen die Erkennungsgenauigkeit bei gleichzeitig geringer Datenakquise deutlich erhöhen.

Semantische Datenmodelle, Ontologien und generative KI in der Fertigung
Eine PPR-Ontologie (Produkt–Prozess–Ressource) bildet Produktionswissen strukturiert und maschinenlesbar ab und dient als Single Source of Truth für alle Partner. Über Retrieval-Augmented Generation werden Ontologien und Wissensgraphen mit Large Language Models gekoppelt, um domänenspezifische Fragen nachvollziehbar zu beantworten und KI-Entscheidungen erklärbarer zu machen.

Multiagentensysteme für Planung, Steuerung und Assistenz in der Produktion
TrustME entwickelt ein LLM-basiertes Multiagentensystem, das Produktionsplanung und -ausführung unterstützt. Über Function Calling greifen KI-Agenten auf Planungswerkzeuge, Datenbanken und standardisierte Schnittstellen zu Produktionsressourcen zu. Sprachbasierte Assistenzsysteme verknüpfen Qualitätsprognosen, Bildverarbeitung und Ontologien und erleichtern so Nicht-Experten die Nutzung der KI.

Validierung an Demonstratoren in Hamburg und Augsburg
Alle Methoden werden in realitätsnahen Laborumgebungen erprobt: in Hamburg an einer automatisierten Rumpfmontage, in Augsburg an einer roboterbasierten Baugruppenmontage. Dort werden KI-Modelle für Qualitätsprognose, Bildverarbeitung, Assistenz und Robotergenauigkeit integriert, bewertet und im Hinblick auf Zertifizierbarkeit und industrielle Skalierbarkeit weiterentwickelt.

TrustME Logo

Dieses Projekt wird vom Bundesministerium für Wirtschaft und Energie (BMWE) aufgrund eines Beschlusses des Deutschen Bundestages gefördert. Es entstand im Rahmen des »Luftfahrtforschungsprogramm LuFo Klima VII-1«. Wir bedanken uns für die Unterstützung.