Refine
Document Type
- Conference Proceeding (2) (remove)
Year of publication
- 2021 (2) (remove)
Keywords
- Künstliche Intelligenz (2) (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.
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.