Aktuelle Forschungsprojekte

Automatisierte Inbetriebnahme durch Persistierung von Expertenwissen

Im Forschungsprojekt zur Automatisierten Inbetriebnahme durch Persistierung von Expertenwissen (AIPE) untersuchen wir in einem vom BMWi geförderten Projekt zusammen mit der XITASO GmbH Techniken, um existierendes Expertenwissen zu sammeln, vorzubereiten und mit maschienellen Lernverfahren zu verknüpfen. Ein besonderer Fokus liegt hierbei darauf, wie Parametrisierungen in industriellen Fertigungsprozessen auch mit sehr geringer Datengrundlage durch Lernverfahren optimiert werden können. Das Ziel des Projektes ist es eine allgemeine auf möglichste viele Prozesse anwendbare Architektur/Systematik zu schaffen. Parametrisierung von Prozessen ist hierbei sowohl im Falle von (Erst-)Inbetriebnahmen als auch bei Reparametrisierungen, z.B. bei Produktwechseln, geographischen Relokalisierungen oder auch (ggf. jahreszeitlichen) Klimaveränderungen Forschungsgegenstand.

 

Für erste Evaluationen der entworfenen Konzepte nutzen wir mehrere auf dem FDM-Verfahren basierte Maschinen der additiven Fertigung (umgangssprachlich als 3D-Druck bezeichnet). Hierbei werden sowohl durch Produktion von Teilen unter veränderlichen Bedingungen und Parametrisierungen Trainingsdaten gesammelt, als auch das Wissen von als Prozessexperten eingestuften Maschinenbedienern gesammelt.

 

Die eingesetzten Lernverfahren, wie zum Beispiel evolutionäre regelbasierte Verfahren und (tiefe) neuronale Netze, folgen dem state of the art im machine learning Bereich und werden teils durch das Projekt weiterentwickelt.

 

 

Ansprechpartner

Wissenschaftlicher Mitarbeiter
Lehrstuhl für Organic Computing

PredMain

Ziel des IuK-geförderten Projekts PredMain ist die Entwicklung von Hard- und Softwareframeworks für die Implementierung prädikativer Instandhaltungsmaßnahmen (Predictive Maintenance) in digitalen Fitnessgeräten. Konkretes Anwendungsszenario stellen hierbei Linearmotoren dar, die vom Projektpartner eGym genutzt werden, um Sitzposition und Griffe in deren Fitnessgeräten automatisiert an den jeweiligen aktuellen Nutzer anzupassen. Um einen Stillstand der Maschine im Schadensfall zu verhindern, sollen Ausfälle ausreichend frühzeitig vorhergesagt werden, um beispielsweise einem Techniker zu ermöglichen den betroffenen Motor rechtzeitig proaktiv auszutauschen.

 

 

Ansprechpartner

Wissenschaftlicher Mitarbeiter
Lehrstuhl für Organic Computing

FAMOUS: AAS-Basierte Modellierung zur Analyse veränderlicher cyberphysischer Systeme

In der digitalen Transformation wird die gesamte Wertschöpfungskette durch Technologien aus dem Kontext des Internet of Things (IoT) anwendungsübergreifend vernetzt. Die damit einhergehende Komplexität in der Softwareentwicklung erfordert in zunehmendem Maße interdisziplinäre Entwicklung von Hardware, Software und mathematischer Modellierung. Für traditionelle industrielle Mess- und Kalibrierverfahren beruht die metrologische Qualitätsinfrastruktur auf akkreditierten Kalibriereinrichtungen und standardisierten Auswerteverfahren, um Messwerten eine quantitative Aussage über ihre Verlässlichkeit zuzuordnen. Die zugrundeliegenden Verfahren müssen im Zuge der digitalen Transformation grundlegend überarbeitet werden.

Daher kombiniert das angestrebte Projekt AMORPH die Expertise der Forschungseinrichtungen mit den Kompetenzen der in Industrie 4.0 erfahrenen Unternehmen Endress+Hauser, Lenze und Bosch. Entlang des RAMI4.0-Modells wird in dem Projekt durch alle Ebenen die Datenqualität auf Basis der verfügbaren Informationen und mathematischer Modelle ausgewertet und nutzbar gemacht. Einzelne Sensoren werden dazu mit einem digitalen Zwilling verknüpft, der in der Lage ist, Informationen über die Messunsicherheit zu kommunizieren. Sub-Netze von Sensoren werden in flexiblen mathematischen Modellen zusammengefasst, um maschinennahe Datenauswertung zu ermöglichen. Mit Hilfe von Methoden des Organic Computing werden dabei flexible und teilweise autonom agierende Sub-Netzwerke gebildet.

 

 

Ansprechpartner

Wissenschaftlicher Mitarbeiter
Lehrstuhl für Organic Computing

Forum Maschinelles Lernen Augsburg

Maschinelle Lernverfahren spielen in einer Vielzahl von Anwendungsbereichen eine immer wichtigere Rolle. Diesen gestiegenen Anforderungen soll durch dieses Projekt Rechnung getragen werden, um die Informatikausbildung in den Masterstudiengängen der Universität Augsburg in Bezug auf Inhalte des maschinellen Lernens (ML) zu erweitern und fundierte und Anwendungsbereich übergreifende praktische Komponenten in die Ausbildung aufzunehmen. Neben der Vermittlung von fundierten theoretischen Inhalten soll mit Hilfe dieses Projektes vor allem die praktische Ausbildung verstärkt werden. Darüber hinaus sollen die bestehenden Veranstaltungen mit Bezug zum Themenkomplex maschinelles Lernen stärker aufeinander abgestimmt werden, sodass im Ergebnis die in der Matrix in Abbildung 1 dargestellten Kompetenzen vermittelt werden können. Die dort beschriebenen Basisfähigkeiten beziehen sich auf die Kenntnisse der Absolventen eines Bachelor-Studienganges der Informatik. Die erweiterten Fähigkeiten sind die durch die aktuellen Master-Studiengänge vermittelten Kompetenzen. Durch die erweiterte Ausbildung im Bereich maschinelles Lernen sollten die unter „Ziel“ genannten Kompetenzen vermittelt werden. Die detaillierte Beschreibung des Qualifizierungskonzeptes ist im Verlauf des Antrags genauer beschrieben.
Durch die Einbindung von Unternehmen der Region, unter anderem die assoziierten Partner, sollen initial konkrete Anforderungen an die Erweiterung der Ausbildung gestellt werden, die durch regelmäßiges Feedback, z.B. durch Präsentationen der Ergebnisse studentischer Projekte im Rahmen des „Forums maschinelles Lernen“, verbessert werden.
Mittelfristig soll so auch der regelmäßige Austausch zwischen der Universität und Unternehmen auf breiter Basis gestärkt und institutionalisiert werden.

 

Abb. 1: Kompetenzmatrix zur Darstellung der zu erreichenden Kompetenzen
  Basisfähigkeiten (Bachelor) Erweiterte Fähigkeiten (Ist-Stand Master)

Ziel-Kompentenzen    (Soll-Stand Master)

Methoden Hat keine speziellen Vorkenntnisse im Bereich ML Kennt einzelne Methoden aus dem Bereich ML Kann Methoden des ML vergleichend bewerten und auswählen
Erfahrungen Hat Erfahrung im Entwurf
und der Implementierung
kleinerer/mittlerer Soft-
wareprojekte
Hat Erfahrung im Entwurf
und der Implementierung
kleinerer/mittlerer Soft-
wareprojekte
Hat Erfahrung in der prak-
tischen Umsetzung geeig-
neter ML Methoden
Anwendungs-bereiche Kennt unterschiedliche
Anwendungsbereiche der
Informatik
Kann ML Methoden in
speziellen Bereichen an-
wenden
Kann ML Methoden in
verschiedenen Bereichen
anwenden

 
 

Ansprechpartner

Wissenschaftlicher Mitarbeiter
Lehrstuhl für Organic Computing

Suche