Achtung:

Sie haben Javascript deaktiviert!
Sie haben versucht eine Funktion zu nutzen, die nur mit Javascript möglich ist. Um sämtliche Funktionalitäten unserer Internetseite zu nutzen, aktivieren Sie bitte Javascript in Ihrem Browser.

Software Innovation
Campus Paderborn
Foto: Julia Negri Bildinformationen anzeigen

Foto: Julia Negri

Foto: Foto: Julia Negri, SICP

Smart Systems

Director: Prof. Dr. Eyke Hüllermeier
Manager: Dr. Gunnar Schomaker

1. Mission

Smart Systems steht für Technologien, die unter dem Begriff „Industrie 4.0“ derzeit Einzug in die Maschinenwelt halten. Es geht dabei unter anderem um Vernetzung, digitalen Datenaustausch und -auswertung, um Automatisierung, vor allem aber um Effizienz- und Produktivitätssteigerung im Maschineneinsatz.

Das Lernen aus Daten, insbesondere das maschinelle Lernen (ML) beschäftigt sich mit der Entwicklung von Methoden, die Computer in die Lage versetzen, aus Erfahrungen zu lernen, also ihr Ein-/Ausgabeverhalten in gewisser Weise selbständig zu verbessern. Anders als beim algorithmischen Ansatz wird das Verhalten nicht mehr (durch den Informatiker) explizit vorgegeben, sondern durch Interaktion mit einer Umgebung und entsprechendem Feedback implizit erworben und möglicherweise kontinuierlich adaptiert.

Eine Grundvoraussetzung der Lernfähigkeit besteht darin, dass ein System in der Lage ist, sein Ein-/Ausgabeverhalten flexibel anzupassen. Entsprechend wichtig ist daher die Repräsentation der Beziehung zwischen Ein- und Ausgaben, denn genau diese Repräsentation wird durch Lernalgorithmen angepasst, wenn das System Fehler macht. Neuronale Netze basieren beispielsweise auf einer Repräsentation in Form einer komplexen mathematischen Verknüpfung von nichtlinearen Funktionen, die durch das Verhalten von Neuronen im menschlichen Gehirn inspiriert sind. Eine Anpassung erfolgt durch die Änderung der Gewichtung von Verbindungen zwischen solchen künstlichen Neuronen. 

Big Data und Skalierbarkeit 

„Big data“ im Sinne von Daten massiven Umfangs, die aus unterschiedlichsten heterogenen Informationsquellen zugreifbar sind, ist für das maschinelle Lernen einerseits ein Segen. Technisch stellt es aber auch viele Anforderungen und speziell für kleine und mittelständige Unternehmen sind das Herausforderungen die eine Experten- oder wissenschaftliche Begleitung von der Planung bis zur Umsetzung bedürfen.

Hierzu gehört beispielsweise ein effizientes Datenmanagement inklusive Integration von heterogenen Daten aus unterschiedlichen Quellen. Besonders herausfordernd wird das Datenmanagement für sogenannte Datenströme, also kontinuierlich erfasste Daten aus nicht-stationären Quellen, denn solche Ströme können in der Regel nicht vollständig und nicht beliebig lange gespeichert werden. Die Analyse großer Datenbestände erfordert teils hohe Rechenkapazitäten, die ein Unternehmen entweder selbst bereitstellen oder über Cloud-basierte Dienste einkaufen kann. 

2. Anwendungen

Datengetriebene Optimierung

Das kontinuierliche Erfassen umfangreicher digitaler Informationen bildet gleichermaßen die Grundlage einer datengetriebenen Optimierung von Prozessen, Maschinen und Anlagen. Auf diese Weise lässt sich nicht nur die Qualität von Produkten und deren Verfügbarkeit verbessern, sondern auch Einsparpotentiale bei der Herstellung nutzen.

Projekte

Predictive Maintenance und Condition Monitoring

Dank Digitalisierung und sensorischer Ausstattung wird eine kontinuierliche, intelligente Zustandsüberwachung, Wartung und Instandhaltung von Maschinen möglich. Predictive Maintenance geht über traditionelle Ansätze zur Überwachung hinaus und zielt auf eine proaktive Vermeidung von Problemen ab. Hierzu wird versucht, zukünftige Zustände und Ereignisse mithilfe datengetriebener Verfahren zu antizipieren. 

KI4AS – Validierung Künstlicher Immunsysteme für Autonome Systeme

Datengetriebenes Qualitätsmanagement

Auf ähnliche Weise hilft die Kombination von Digitalisierung und maschinellem Lernen, die Qualität von Produkten zu überwachen, nicht nur frühzeitig während der Herstellung, sondern auch im Anschluss an deren Auslieferung.

Lernende Assistenzsysteme

Moderne Assistenzsysteme erhalten laufend digitales Feedback ihrer Benutzer, entweder direkt oder indirekt über deren Verhalten. Hierdurch eröffnen sich Möglichkeiten zur Personalisierung solcher Systeme. Maschinelle Lernverfahren, speziell Methoden des interaktiven Lernens, unterstützen eine optimale Anpassung technischer Systeme auf die Bedürfnisse und Fertigkeiten des Menschen.

Plug and Work

Komplexe Anlagen setzen sich aus einer großen Zahl von verteilten Komponenten zusammen, die möglichst optimal zusammenspielen und aufeinander abgestimmt sein müssen. Das ML kann die datengetriebene Kalibrierung und Selbstadaptation der Schnittstellen zwischen solchen Komponenten unterstützen.

3. Smart Systems Team

Ihre Ansprechpartner

Fragen, Anregungen oder Interesse? Wir freuen uns über Ihre Nachricht.

Director

Prof. Dr. Eyke Hüllermeier

Universität Paderborn

Präferenz- & maschi-
nelles Lernen, wissens-
basierte Systeme

Manager