05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Permanent URI for this collectionhttps://elib.uni-stuttgart.de/handle/11682/6

Browse

Filters

2017 - 20204

Settings

Institute: search.filters.UBSInstitut.Institut für Automatisierungstechnik und SoftwaresystemeSubject: search.filters.subject.670

Search Results

Now showing 1 - 4 of 4
  • Thumbnail Image
    ItemOpen Access
    Synchronisierung von digitalen Modellen mit realen Fertigungszellen auf Basis einer Ankerpunktmethode am Beispiel der Automobilindustrie
    (2017) Ashtari Talkhestani, Behrang; Schlögl, Wolfgang; Weyrich, Michael
    Die zunehmende Produktvielfalt und die Verkürzung der Produktlebenszyklen erfordern eine schnelle und kostengünstige Rekonfiguration bestehender Produktionssysteme [1]. Um diesen Herausforderungen zu begegnen, ist ein aktuelles digitales Modell der bestehenden Fertigungszelle, im Folgenden Digitaler Zwilling genannt, eine geeignete Lösung. Der Digitale Zwilling führt zu einer Kostenreduktion durch Verkürzung der Umrüstzeiten durch virtuelle Planung und Simulation basierend auf dem aktuellen Zustand der realen Produktionsanlage als auch durch eine frühzeitige Erkennung von Konstruktions- oder Prozessablauffehlern in der Produktionsanlage. Voraussetzung für die Verwendbarkeit des Digitalen Zwillings vom Produktionssystem ist allerdings, dass ein aktuelles (virtuelles) Anlagenmodell von den mechatronischen Bestandteilen der realen Anlage während der verschiedenen Phasen ihres Lebenszyklus existiert. In diesem Beitrag wird die domänenübergreifende, mechatronische Datenstruktur der virtuellen Fertigungszellen in der Automobilindustrie diskutiert. Es wird eine systematische Ankerpunktmethode vorgestellt, mithilfe derer die Abweichungen zwischen den virtuellen Modellen und der Realität detektiert und ermittelt werden können. Basierend darauf wird eine sogenannte regelbasierte Konsistenzprüfung zur durchgängigen, domänenübergreifenden Synchronisierung der aktuellen mechatronischen Ressourcenkomponenten der Produktionssysteme mit deren virtuellem Anlagemodell vorgestellt.
  • Thumbnail Image
    ItemOpen Access
    Maschinelles Lernen für intelligente Automatisierungssysteme mit dezentraler Datenhaltung am Anwendungsfall Predictive Maintenance
    (2019) Maschler, Benjamin; Jazdi, Nasser; Weyrich, Michael
    Für eine hohe Ergebnisqualität sind Machine Learning Algorithmen auf eine breite Datenbasis angewiesen. Studien zeigen jedoch, dass viele Unternehmen nicht bereit sind, ihre Daten mit anderen Unternehmen, beispielsweise in Form einer gemeinsamen Daten-Cloud, zu teilen. Ziel sollte es daher sein, effizientes maschinelles Lernen mit einer dezentralen Datenhaltung, die den Verbleib vertraulicher Daten im jeweiligen Ursprungs-Unternehmen ermöglicht, zu ermöglichen. In diesem Artikel wird diesbezüglich ein neuartiges Konzept vorgestellt und hinsichtlich seiner Potentiale für intelligente Automatisierungssysteme am Beispiel des Anwendungsfalls Predictive Maintenance analysiert. Die Umsetzbarkeit des Konzepts unter Nutzung verschiedener bestehender Ansätze wird diskutiert, bevor schließlich auf potentielle Mehrwerte für Anlagenbetreiber sowie -hersteller unter besonderer Berücksichtigung der Perspektive kleiner und mittlerer Unternehmen eingegangen wird.
  • Thumbnail Image
    ItemOpen Access
    Deep learning based soft sensors for industrial machinery
    (2020) Maschler, Benjamin; Ganssloser, Sören; Hablizel, Andreas; Weyrich, Michael
    A multitude of high quality, high-resolution data is a cornerstone of the digital services associated with Industry 4.0. However, a great fraction of industrial machinery in use today features only a bare minimum of sensors and retrofitting new ones is expensive if possible at all. Instead, already existing sensors’ data streams could be utilized to virtually ‘measure’ new parameters. In this paper, a deep learning based virtual sensor for estimating a combustion parameter on a large gas engine using only the rotational speed as input is developed and evaluated. The evaluation focusses on the influence of data preprocessing compared to network type and structure regarding the estimation quality.
  • Thumbnail Image
    ItemOpen Access
    User-friendly, requirement-based assistance for production workforce using an asset administration shell design
    (2020) Al Assadi, Anwar; Fries, Christian; Fechter, Manuel; Maschler, Benjamin; Ewert, Daniel; Schnauffer, Hans-Georg; Zürn, Michael; Reichenbach, Matthias
    Future production methods like cyber physical production systems (CPPS), flexibly linked assembly structures and the matrix production are characterized by highly flexible and reconfigurable cyber physical work cells. This leads to frequent job changes and shifting work environments. The resulting complexity within production increases the risk of process failures and therefore requires longer job qualification times for workers, challenging the overall efficiency of production. During operation, cyber physical work cells generate data, which are specific to the individual process and worker. Based on the asset administration shell for Industry 4.0, this paper develops an administration shell for the production workforce, which contains personal data (e.g. qualification level, language skills, machine access, preferred display and interaction settings). Using worker and process specific data as well as personal data, allows supporting, training and instating workers according to their individual capabilities. This matching of machine requirements and worker skills serves to optimize the allocation of workers to workstations regarding the ergonomic workplace setup and the machine efficiency. This paper concludes with a user-friendly, intuitive design approach for a personalized machine user interface. The presented use-cases are developed and tested at the ARENA2036 (Active Research Environment for the Next Generation of Automobiles) research campus.