Refine
Document Type
- Conference Proceeding (4) (remove)
Keywords
- Künstliche Intelligenz (4) (remove)
Für Prozessstabilität und Optimierung industrieller automatisierter Produktionsabläufe hat die Hiersemann Prozessautomation das System CEMODAS® - Central Modular Data System - entwickelt und industriell in mehreren Anwendungen im Einsatz. Dieses System umfasst in der Grundversion Module zur Betriebs- (BDE) und Qualitätsdatenerfassung (QDE) inkl. Auswertung dieser Daten. Durch die Integration von Schnittstellen zu verschiedenen Automationssystemen ermöglicht das System Datenauswertungen, wie NEE und OEE, von gesamten Produktionslinien und Werken. Weiterhin ist der Instandhaltungsassistent als sog. Helpdesk entwickelt worden, der Warn- und Fehlerinformationen für Instandhaltungszwecke erfasst. Die Informationen werden aktiv an Devices, wie PC, Laptop, Mobile Phone oder Watches, übertragen und beinhalten zudem ein Ticket-System.
Aktuell wird an der Integration von Methoden der künstlichen Intelligenz KI in das System gearbeitet.
Die Überwachung von Staubauwerken stellt Stauanlagenbetreiber vor viele Herausforderungen. Insbesondere aufgrund der Kosten und des Zeitaufwandes werden Staubauwerke oft nur ein- bis zweimal im Jahr durch trigonometrische Messungen überwacht. Seit einigen Jahrzehnten liefern jedoch Radarsatellitendaten nützliche Informationen zum Infrastrukturmonitoring. Satellitendaten der Copernicus Sentinel-1 Mission erlauben es, mittels der Technik der Persistent Scatterer Interferometrie (PSI), Deformationsmessungen von Staubauwerken im Millimeterbereich mit einem zeitlichen Abstand von 6 bis 12 Tagen durchzuführen. In einem Verbundprojekt zwischen der Friedrich-Schiller-Universität Jena und dem Ruhrverband soll ein Dienst entwickelt werden, der bisherige Überwachungsstrategien der Anlagen durch Nutzung der PSI Technik verbessert. Zudem sollen neuartige Geräte genutzt werden, die die Sichtbarkeit der Stauanlagen im Satellitenbild erhöhen sowie Methoden der künstlichen Intelligenz genutzt werden, um Deformationen im Falle von Extremwetterereignissen besser vorhersagen zu können.
Marker-based systems can digitally record human movements in detail. Using the digital biomechanical human model Dynamicus, which was developed by the Institut für Mechatronik, it is possible to model joint angles and their velocities such accurately that it can be used to improve motion analysis in competitive sports or for ergonomic evaluation of motion sequences. In this paper, we use interpretable machine learning techniques to analyze the gait. Here, the focus is on the classification between foot touchdown and drop-off during normal walking. The motion data for training the model is labeled using force plates. We analyze how we could apply our machine learning models directly on new motion data recorded in a different scenario compared to the initial training, more precise on a treadmill. We use the properties of the interpretable model
to detect drift and to transfer our model if necessary.
Im Projekt „HoWa-innovativ“ ist ein Demonstrator eines neuartigen niederschlagsbasierten Hochwasserfrühwarnsystems
unter Verwendung von Dämpfungsdaten kommerzieller Mobilfunknetze entwickelt worden. Dabei sind Daten einer weltweit vorhandenen Infrastruktur durch künstliche Intelligenz (KI) opportunistisch für eine völlig neue Anwendung, hier für die Daseinsvorsorge, in Wert gesetzt worden.