05 Fakultät Informatik, Elektrotechnik und Informationstechnik

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

Browse

Filters

2017 - 20192

Settings

Publication Type: search.filters.UBSTyp.KonferenzbeitragSubject: search.filters.subject.670

Search Results

Now showing 1 - 2 of 2
  • 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.