07 Fakultät Konstruktions-, Produktions- und Fahrzeugtechnik

Permanent URI for this collectionhttps://elib.uni-stuttgart.de/handle/11682/8

Browse

Filters

2022 - 202520

Settings

Start date: 2022Subject: search.filters.subject.004

Search Results

Now showing 1 - 10 of 20
  • Thumbnail Image
    ItemOpen Access
  • Thumbnail Image
    ItemOpen Access
    Physics-informed regression of implicitly-constrained robot dynamics
    (2022) Geist, Andreas René; Allgöwer, Frank (Prof. Dr.-Ing.)
    The ability to predict a robot’s motion through a dynamics model is critical for the development of fast, safe, and efficient control algorithms. Yet, obtaining an accurate robot dynamics model is challenging as robot dynamics are typically nonlinear and subject to environment-dependent physical phenomena such as friction and material elasticities. The respective functions often cause analytical dynamics models to have large prediction errors. An alternative approach to analytical modeling forms the identification of a robot’s dynamics through data-driven modeling techniques such as Gaussian processes or neural networks. However, solely data-driven algorithms require considerable amounts of data, which on a robotic system must be collected in real-time. Moreover, the information stored in the data as well as the coverage of the system’s state space by the data is limited by the controller that is used to obtain the data. To tackle the shortcomings of analytical dynamics and data-driven modeling, this dissertation investigates and develops models in which analytical dynamics is being combined with data-driven regression techniques. By combining prior structural knowledge from analytical dynamics with data-driven regression, physics-informed models show improved data-efficiency and prediction accuracy compared to using the aforementioned modeling techniques in an isolated manner.
  • Thumbnail Image
    ItemOpen Access
    SmartLab vernetzt Produktionsmaschinen : Aufbau einer digitalen Prozesskette in einer bestehenden Produktionsumgebung
    (2023) Schneider, Matthias; Meier, Veronika; Stehle, Thomas; Möhring, Hans-Christian
  • Thumbnail Image
    ItemOpen Access
    FeaSel-Net : a recursive feature selection callback in neural networks
    (2022) Fischer, Felix; Birk, Alexander; Somers, Peter; Frenner, Karsten; Tarín, Cristina; Herkommer, Alois
    Selecting only the relevant subsets from all gathered data has never been as challenging as it is in these times of big data and sensor fusion. Multiple complementary methods have emerged for the observation of similar phenomena; oftentimes, many of these techniques are superimposed in order to make the best possible decisions. A pathologist, for example, uses microscopic and spectroscopic techniques to discriminate between healthy and cancerous tissue. Especially in the field of spectroscopy in medicine, an immense number of frequencies are recorded and appropriately sized datasets are rarely acquired due to the time-intensive measurements and the lack of patients. In order to cope with the curse of dimensionality in machine learning, it is necessary to reduce the overhead from irrelevant or redundant features. In this article, we propose a feature selection callback algorithm (FeaSel-Net) that can be embedded in deep neural networks. It recursively prunes the input nodes after the optimizer in the neural network achieves satisfying results. We demonstrate the performance of the feature selection algorithm on different publicly available datasets and compare it to existing feature selection methods. Our algorithm combines the advantages of neural networks’ nonlinear learning ability and the embedding of the feature selection algorithm into the actual classifier optimization.
  • Thumbnail Image
    ItemOpen Access
    Identifikation und Klassifikation von Druckluft-Leckagen mit Methoden des maschinellen Lernens in Maschinen
    (Stuttgart : Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA, 2022) Dierolf, Christian; Sauer, Alexander (Univ.-Prof. Dr.-Ing.)
    In der Industrie wird Druckluft vielseitig eingesetzt. Als teure Energieform steigt zunehmend die Relevanz, denn noch heute existieren Druckluft-Leckageraten von 15 % bis 50 % und verursachen hohe Kosten. Es sind viele Produkte und Methoden zur Leckage-Erkennung in Druckluftnetzen bekannt und etabliert. Für Maschinen sind diese jedoch nur teilweise marktreif. Es ist also nicht möglich, automatisiert mit wenig Messtechnik sowie geringem Implementierungsaufwand Leckagen zu lokalisieren. Die Unterscheidung von Leckage-Ursachen war bislang Aufgabe von Fachkräften. Sie erfolgte bei wiederkehrenden Inspektionen der druckluftbetriebenen Maschine. Im Fokus der Arbeit steht, wie automatisiert in einem Druckluftsystem in Maschinen Pneumatikaktoren detektiert und Ursachen von Druckluft-Leckagen klassifiziert werden können. Durch die zentrale Druck- und Durchflussmessungen am Maschinenanschlusspunkt bleibt der Messaufwand gering. Die Arbeit beschreibt ein methodisches Vorgehen in fünf Schritten, das mit einem maschinell erlernten, datenbasierten Modell endet. Beginnend mit der Detektion des Beginns einer Aktoraktion werden Merkmale erstellt, hinsichtlich ihrer Relevanz ausgewählt und im nächsten Schritt damit Klassifikatoren erzeugt. Das Modell ist die Verknüpfung von Detektor und Klassifikator. Das Modell klassifiziert Aktorarten, -dimensionierungen und -aktionen, die häufig in der Industrie eingesetzt werden sowie hierbei auftretende Ursachen von Leckagen. Unter Berücksichtigung der 37 möglichen Klassen, konnten die Leckagen in einer druckluftbetriebenen Maschine anhand von vier Anwendungsszenarien kontinuierlich und automatisiert lokalisiert sowie die Ursachen mit guten Ergebnissen unterschieden werden. Diese Eigenschaften machen die Lösung gegenüber dem aktuellen Stand der Technik und Wissenschaft einzigartig. Bislang wirtschaftlich nicht vertretbare jedoch technisch mögliche Einsparpotenziale sind jetzt durch diese Leckage-Erkennung für druckluftbetriebene Maschinen nutzbar.
  • Thumbnail Image
    ItemOpen Access
    Fehlertolerante Sicherheitssteuerung aus der Cloud : Softwarebasierte Sicherheitssteuerungen
    (2023) Fischer, Marc; Walker, Moritz; Lechler, Armin; Riedel, Oliver; Verl, Alexander
  • Thumbnail Image
    ItemOpen Access
    Combining brain-computer interfaces with deep reinforcement learning for robot training : a feasibility study in a simulation environment
    (2023) Vukelić, Mathias; Bui, Michael; Vorreuther, Anna; Lingelbach, Katharina
    Deep reinforcement learning (RL) is used as a strategy to teach robot agents how to autonomously learn complex tasks. While sparsity is a natural way to define a reward in realistic robot scenarios, it provides poor learning signals for the agent, thus making the design of good reward functions challenging. To overcome this challenge learning from human feedback through an implicit brain-computer interface (BCI) is used. We combined a BCI with deep RL for robot training in a 3-D physical realistic simulation environment. In a first study, we compared the feasibility of different electroencephalography (EEG) systems (wet- vs. dry-based electrodes) and its application for automatic classification of perceived errors during a robot task with different machine learning models. In a second study, we compared the performance of the BCI-based deep RL training to feedback explicitly given by participants. Our findings from the first study indicate the use of a high-quality dry-based EEG-system can provide a robust and fast method for automatically assessing robot behavior using a sophisticated convolutional neural network machine learning model. The results of our second study prove that the implicit BCI-based deep RL version in combination with the dry EEG-system can significantly accelerate the learning process in a realistic 3-D robot simulation environment. Performance of the BCI-based trained deep RL model was even comparable to that achieved by the approach with explicit human feedback. Our findings emphasize the usage of BCI-based deep RL methods as a valid alternative in those human-robot applications where no access to cognitive demanding explicit human feedback is available.
  • Thumbnail Image
    ItemOpen Access
  • Thumbnail Image
    ItemOpen Access
  • Thumbnail Image
    ItemOpen Access
    Architektur für einen Verzeichnisdienst in der serviceorientierten Produktionstechnik
    (Stuttgart : Fraunhofer Verlag, 2022) Kretschmer, Felix; Verl, Alexander (Prof. Dr.-Ing. Dr. h. c.)
    In dieser Arbeit wird eine Architektur entworfen, welche den Bedürfnissen einer serviceorientierten Produktionstechnik gerecht wird und einen Verzeichnisdienst bereitstellt, der unter Adaption serviceorientierter Architekturen den Schulterschluss von IT und OT ermöglicht. Hierfür werden zunächst verfügbare Technologien und Lösungen verglichen. Durch die weite Verbreitung von Verzeichnisdiensten in der IT existieren bereits zahlreiche Lösungen, welche sich mit sehr unterschiedlichem Erfolg durchgesetzt haben. In der OT hingegen existieren bisher keine vergleichbaren Lösungen, dennoch stehen standardisierte Technologien zur Verfügung, welche die Funktionalität eines Verzeichnisdienstes erfüllen können. Auf Basis von OPC UA wird ein Verzeichnisdienst entworfen, welcher Fähigkeiten und Schnittstellen von cyber-physischen Systemen im Produktionsumfeld bereitstellt. Dies erfolgt über die Abbildung der Daten in Informationsmodellen, welche auf LDAP-Verzeichnisse in der Office-IT synchronisiert werden können.