05 Fakultät Informatik, Elektrotechnik und Informationstechnik

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

Browse

Filters

2019 - 20204

Settings

Institute: search.filters.UBSInstitut.Institut für Automatisierungstechnik und SoftwaresystemeSubject: search.filters.subject.620Start date: 2019End date: 2020Author: search.filters.author.Jazdi, NasserAuthor: search.filters.author.Weyrich, Michael

Search Results

Now showing 1 - 4 of 4
  • 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
    Intelligentes Rekonfigurationsmanagement selbstorganisierter Produktionssysteme in der diskreten Fertigung
    (2020) Müller, Timo; Jazdi, Nasser; Weyrich, Michael
    Die Häufigkeit von Änderungen der Produktionsanforderungen nimmt aufgrund wirtschaftlicher Volatilität, kürzerer Innovationszyklen und Produktlebenszyklen kontinuierlich zu. Daher ist eine Vorhersage aller möglichen Ziele eines Produktionssystems zur Entwurfszeit unmöglich und es ergibt sich erhöhter Rekonfigurationsbedarf zur Betriebszeit. Derzeit weist die Rekonfiguration von Produktionssystemen jedoch einige Schwachstellen auf, die in diesem Beitrag aufgezeigt werden. Außerdem wird die Zukunft der industriellen Automatisierung von Cyber-Physischen Produktionssystemen dominiert werden, welche vielversprechende Potentiale bieten. Folglich werden die Cyber-Physischen Produktionssysteme und einige ihrer Potentiale im Hinblick auf Rekonfiguration diskutiert. Um diese theoretischen Potentiale tatsächlich nutzen zu können, sind allerdings entsprechende Konzepte erforderlich, weshalb dieser Forschungsbeitrag ein grundlegendes Konzept für ein selbstorganisiertes Rekonfigurationsmanagement präsentiert.
  • Thumbnail Image
    ItemOpen Access
    Distributed cooperative deep transfer learning for industrial image recognition
    (2020) Maschler, Benjamin; Kamm, Simon; Jazdi, Nasser; Weyrich, Michael
    In this paper, a novel light-weight incremental class learning algorithm for live image recognition is presented. It features a dual memory architecture and is capable of learning formerly unknown classes as well as conducting its learning across multiple instances at multiple locations without storing any images. In addition to tests on the ImageNet dataset, a prototype based upon a Raspberry Pi and a webcam is used for further evaluation: The proposed algorithm successfully allows for the performant execution of image classification tasks while learning new classes at several sites simultaneously, thereby enabling its application to various industry use cases, e.g. predictive maintenance or self-optimization.
  • Thumbnail Image
    ItemOpen Access
    Realization of AI-enhanced industrial automation systems using intelligent Digital Twins
    (2020) Jazdi, Nasser; Ashtari Talkhestani, Behrang; Maschler, Benjamin; Weyrich, Michael
    A requirement of future industrial automation systems is the application of intelligence in the context of their optimization, adaptation and reconfiguration. This paper begins with an introduction of the definition of (artificial) intelligence to derive a framework for artificial intelligence enhanced industrial automation systems: An artificial intelligence component is connected with the industrial automation system’s control unit and other entities through a series of standardized interfaces for data and information exchange. This framework is then put into context of the intelligent Digital Twin architecture, highlight the latter as a possible implementation of such systems. Concluding, a prototypical implementation on the basis of a modular cyber-physical production system is described. The intelligent Digital Twin realized this way provides the four fundamental sub-processes of intelligence, namely observation, analysis, reasoning and action. A detailed description of all technologies used is given.