Ongoing Research Projects

Automated Commissioning by Persisting Expert Knowledge

The research project Automated Commissioning by Persisting Expert knowledge (AIPE/ACPE) aims to automate parameter optimisation of manufacturing machinery by combining expert knowledge and artificial intelligence. The project is funded by the German BMWi and developed together with the XITASO GmbH. During the project we plan to design a generic architecture/process that can be applied to various industrial processes. As (labelled) data is often only sparsely available we aim to require as little data as possible which will be realised by using knowledge of domain specific experts. Besides the initial configuration of the machine (commissioning) our system will be able to also enhance reparametrisation efforts. Those typically arise after product changes, geographic relocations or (seasonal) climate changes.

 

For first evaluations of our concepts we use multiple FDM-based additive manufacturing machines (colloquially referred to as 3D printers). We aim to combine expert knowledge with state of the art data driven machine learning algorithms, therefore we first need to develop a method to collect existing „intuitive“ knowledge from experts in the domain and prepare it in a form from which a ML algorithm can learn. To realise the data driven part of our system we will need to systematically collect data in different situations on which the system can learn (enhanced by the knowledge extractions).

 

 

Contact

Research Assistant
Lehrstuhl für Organic Computing

FAMOUS: AAS-Basierte Modellierung zur Analyse veränderlicher cyberphysischer Systeme

The digital transformation connects the whole value chain with technologies of the Internet of Things (IoT) context. The complexity of software developement which comes with this transformation raises a need for interdisciplinary development of software, hardware and mathematical modeling. Traditional measurement and calibration methods are based on accredited calibration-institutions and standardized procedures. These mechanics have to be adapted to fit the digital transformation.

 

For this reason the projct FAMOUS combines the expertise of the research institutes with the competence in industrie 4.0 of the companies Endress+Hauser, Lenze and Bosch. Single sensors are conected with a digital twin which is able to to communicate informations of the measurement uncertanty. Sub-networks od sensors are combined with flexible mathematical methods to enable machine-oriented data-evaluation. Organic Computing mehtods enable flexible and autonomous sub-networks.

 

 

Contact

Research Assistant
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

 
 

Contact

Research Assistant
Lehrstuhl für Organic Computing

Search