Universität Stuttgart

Permanent URI for this communityhttps://elib.uni-stuttgart.de/handle/11682/1

Browse

Filters

2019 - 201912020 - 20249

Settings

Institute: search.filters.UBSInstitut.Institut für Automatisierungstechnik und SoftwaresystemeSubject: search.filters.subject.620

Search Results

Now showing 1 - 10 of 10
  • 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
    Distributed cooperative deep transfer learning for industrial image recognition
    (2020) Maschler, Benjamin; Kamm, Simon; Nasser, Jazdi; 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
    Sprachassistierter Entwicklungsprozess für automatisierungstechnische Systeme : ein Ansatz zur Strukturierung komplexer Entwicklungsprozesse
    (2020) White, Dustin; Weyrich, Michael
    Der Systementwicklungsprozess nimmt immer mehr an Komplexität zu, da die Systeme selbst immer komplexer werden. Gleichzeitig Vermischen sich die verschiedenen Disziplinen wie Maschinenbau, Elektrotechnik und Softwaretechnik zunehmend, so dass Unternehmen einer Disziplin sprunghafte Komplexitätszuwächse bei ihren Systemen und in ihrer Entwicklung haben. Deshalb wird in dieser Veröffentlichung ein Konzept eines Sprachassistenten erarbeitet, der durch eine Entwicklungsphase führt. Daraus geht hervor, dass die Software zur Unterstützung der Entwicklung ein Informationsmodell benötigt, um die Daten des entwickelten Systems zu speichern und diese mit dem vorhandenen Wissen zu verbinden. Dieses Wissen kann entweder intern oder im Web vorhanden sein. Der Entwicklungsprozess soll daher Kooperation unterstützen, so dass die Assistenzsoftware und Ingenieure miteinander interagieren.
  • Thumbnail Image
    ItemOpen Access
    Konzeption und Entwicklung eines Assistenzsystems für die medizinische Diagnostik mittels maschineller Lernalgorithmen
    (2020) Maleki Pilevar, Samira
    Im Umfeld der Medizintechnik müssen in der Zukunft automatisierte Systeme entwickelt werden, die den Menschen bei der Steigerung ihrer Lebensqualität unterstützen können, und zwar durch die Intelligenz der Systeme. Dies kann durch die Integration von künstlicher Intelligenz in die Soft- und Hardware von automatisierten Systemen mit medizinischen Zwecken erreicht werden. Diese Arbeit befasste sich mit der Anwendung von künstlicher Intelligenz zur medizinischen Präventionsdiagnostik. Hierzu wurden in dieser Arbeit zunächst die Begriffe der künstlichen Intelligenz und des maschinellen Lernens ausführlich erläutert. Darauffolgend wurden die Lernstile, Modelltypen und Algorithmen des maschinellen Lernens thematisiert und nach ihren Eigenschaften kategorisiert. Zudem wurde eine Literaturrecherche zu bestehenden Anwendungen der künstlichen Intelligenz im Feld der Medizintechnik in aktuellen Forschungsansätzen und Technologien durchgeführt. Dabei wurde eine Forschungslücke im Stand der Technik hinsichtlich der Anwendung softwarebasierter medizinischer Präventionsdiagnostik unter Einsatz künstlicher Intelligenz identifiziert. Um diese Forschungslücke zu schließen, wurde in der vorliegenden Arbeit ein Konzept vorgestellt, welches auf der Entwicklung eines Assistenzsystems basiert. Dieses Assistenzsystem umfasst drei Vorhersagemodelle zur Bestimmung der Krankheitsrisiken und Präventivmaßnahmen jeweils eine Krankheit, nämlich Erkältungen, Bluthochdruck und Hypercholesterinämie. Die Vorhersagemodelle wurden automatisiert mittels linearer Regression basierend auf simulierten Gesundheitsdaten generiert. Da in dieser Arbeit keine realen Gesundheitsdaten für die Entwicklung der Vorhersagemodelle zur Verfügung standen, wurden diese in MATLAB unter Berücksichtigung des medizinischen Wissens simuliert. Das Assistenzsystem wurde in MATLAB programmiert und kann als Software auf allen Betriebssystemen installiert werden. In diesem Assistenzsystem werden nach Eingabe der Gesundheitsdaten der Benutzer die Krankheitsrisiken sowie die Präventivmaßnahmen zur Verringerung der Risiken ermittelt. Durch den kontinuierlichen Einsatz des Assistenzsystems bei den Benutzern werden die Trainingsdaten ständig erweitert und infolgedessen die Vorhersagemodelle verbessert.
  • Thumbnail Image
    ItemOpen Access
    Anwendungsfälle und Methoden der künstlichen Intelligenz in der anwendungsorientierten Forschung im Kontext von Industrie 4.0
    (2020) Maschler, Benjamin; White, Dustin; Weyrich, Michael
    Es wird erwartet, dass datengetriebene Methoden künstlicher Intelligenz im Kontext Industrie 4.0 die Zukunft industrieller Fertigung prägen werden. Obwohl das Thema in der Forschung sehr präsent ist, bleibt der Umfang der tatsächlichen Nutzung dieser Methoden unklar. Dieser Beitrag analysiert daher von 2013 bis 2018 veröffentlichte wissenschaftliche Artikel, um statistische Daten über den Einsatz von Methoden künstlicher Intelligenz in der Industrie zu gewinnen. Besonderes Augenmerk wird dabei auf die Trainings- und Evaluations-Datentypen, die Verbreitung in verschiedenen Industriezweigen, die betrachteten Anwendungsfälle sowie die geographische Herkunft dieser Artikel gelegt. Die resultierenden Erkenntnisse werden in praxisnahe Hinweise für Entscheider destilliert.
  • 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
    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
    Realization of AI-enhanced industrial automation systems using intelligent Digital Twins
    (2020) Nasser, Jazdi; 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.
  • 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.
  • Thumbnail Image
    ItemOpen Access
    Automatisierte Erstellung von Verhaltensmodellen für Digitale Zwillinge : neue Ansätze und Modelle am Beispiel der Vakuum-Handhabungstechnik
    (2024) Stegmaier, Valentin; Michael Weyrich (Prof. Dr.-Ing. Dr. h. c.)
    Produktionsstandorte in Hochlohnregionen wie Europa oder Nordamerika geraten durch verschiedene Faktoren der Weltwirtschaft zunehmend unter Druck. Eine Möglichkeit, diesem Druck entgegenzuwirken und solche Produktionsstandorte weiterhin wirtschaftlich betreiben zu können, ist die zunehmende Automatisierung und Digitalisierung. Der Digitale Zwilling ist eine Schlüsselkomponente auf dem Weg zu digitalen und hochautomatisierten Produktionssystemen. Eine durchgängig verfügbare digitale Repräsentation physischer Assets kann Kosten und Zeit sparen, sowohl bei Design, Entwicklung und Inbetriebnahme als auch beim Betrieb von Produktionsanlagen. Dies gilt auch für Komponentenhersteller, die häufig hochspezialisierte Komponenten und Systeme für Produktionsanlagen entwickeln, herstellen und vertreiben. Für Komponentenhersteller sind dabei die Verhaltensmodelle in prozessrelevanter Modellierungstiefe aus dem Digitalen Zwilling von zentraler Bedeutung. Die Erstellung dieser Verhaltensmodelle ist jedoch sehr zeitintensiv und erfordert häufig die Expertise von langjährig ausgebildeten Simulationsexperten. Dies stellt eine wesentliche Hürde für den durchgängigen Einsatz von Verhaltensmodellen und Digitalen Zwillingen bei Komponentenherstellern dar. Das Ziel dieser Arbeit ist daher die Entwicklung eines Konzepts zur durchgängig automatisierten Erstellung von Verhaltensmodellen für Komponenten und Systeme in prozessrelevanter Modellierungstiefe. Das entwickelte Konzept ermöglicht die automatisierte Erstellung von Verhaltensmodellen für Komponenten und Systeme auf Basis geeigneter Eingangsinformationen. Die Verhaltensmodelle können entweder sehr detailliert oder in einer geringeren Modellierungstiefe vollautomatisiert erstellt werden. Hierfür wird eine Verhaltensmodellbibliothek mit Verhaltensmodellen der relevanten Komponenten in großer Modellierungstiefe verwendet. Um die Erstellung dieser zu vereinfachen, wurde das Konzept um eine Möglichkeit zur assistierten Erstellung der Verhaltensmodellbibliothek aus Grundbausteinen erweitert. Die Strukturinformationen können aus verschiedenen Quellen stammen, einschließlich Fluidschaltplänen wahlweise in Papier- oder digitaler Form. Das Konzept wird zunächst in der Domäne Vakuum-Handhabungstechnik realisiert. Für eine vollständige Realisierung und Evaluierung des Konzepts sind Grundbausteine aller relevanten Komponenten der Domäne erforderlich. Im Rahmen dieser Arbeit werden die noch nicht verfügbaren Verhaltensmodelle der Basiskomponenten Vakuumerzeuger und Vakuumsauggreifer entwickelt und abschließend mit Messdaten evaluiert. Es konnte eine sehr gute Übereinstimmung zwischen dem simulierten und gemessenen Verhalten der entwickelten Grundbausteine festgestellt werden. Die vorgestellten Artefakte des Konzepts werden in Form eines Assistenzsystems realisiert. Dieses ermöglicht die aufwandsarme Erstellung der Verhaltensmodellbibliothek sowie die automatisierte Erstellung von Verhaltensmodellen von Komponenten und Systemen in prozessrelevanter Modellierungstiefe. Zudem ermöglicht es die automatisierte Ausführung der Verhaltensmodelle. Eine Evaluierung konnte anhand von zwei Evaluierungsfällen aus der Vakuum-Handhabungstechnik durchgeführt werden, in denen Verhaltensmodelle unter anderem in der virtuelle Produktauslegung und Optimierung sowie für die virtuelle Inbetriebnahme genutzt werden, um bessere und effizientere Systeme kostengünstiger und schneller zu entwerfen. Die Ergebnisse zeigen, dass die automatisiert erstellten Verhaltensmodelle je nach Modellierungstiefe sehr genau mit den gemessenen Verläufen übereinstimmen. Um die Zeitersparnis zu quantifizieren, ist ein Experten-Benchmark auf Basis der Systeme der beiden Evaluierungsfälle durchgeführt worden. Verglichen mit den Zeiten zur Erstellung, Parametrierung und Abstraktion aus dem Experten-Benchmark ermöglich das Assistenzsystem eine Zeitersparnis von bis zu einem Faktor von 54.