2021

Maschinenführer-zentrierte Parametrierung von Artificial Intelligence für eng gekoppelte, verteilte, vernetzte Steuerungssysteme (OpAI4DNCS)

Komplexe industrielle Steuerungssysteme sind oftmals stark abhängig von menschlichem Erfahrungs­wissen und Intuition. Die bestmögliche Steuerung von Maschinen ist aber von entscheidender Bedeutung für deren effiziente Nutzung. Zwar bieten AI- (Artificial-Intelligence)-Methoden das Potenzial, menschliches Wissen nachzubilden und damit nutzbar zu machen, jedoch scheitern diese häufig aufgrund der Komplexität einerseits und der verteilten Architektur industrieller Steuerungs­systeme in der praktischen Anwendung andererseits.

OpAI4DNCS erforscht den Einsatz von AI auf Steuerungsebene am Beispiel komplexer Bohranlagen für den Bau und deren Hydrauliksubsystemen zur Beschleunigung des Einrichtens und zur Effizienz­steigerung des Betriebs insbesondere bei unerfahrenen Maschinenführern. Dazu sind erstens adaptive, intelligente, lernende Steuerungssysteme auf Multi-Agentenbasis zu erforschen und über Liefer­grenzen hinweg enger zu koppeln, um Totzeiten zu reduzieren. Die systematische Erhebung und Nutzung menschlichen Erfahrungswissens stellt zweitens die Erklärbarkeit und den sicheren Maschinenbetrieb auch in Grenzsituationen sicher. Eine Plattform für den praktischen industriellen Entwurf und Einsatz von shared-control-Ansätzen zwischen Maschinenführer und MAS (Multi-Agenten-System) ist zu entwickeln und für den Anwendungsbereich Bohranlage für den Baubereich zu etablieren.


Von der Edge zur Cloud und zurück: Skalierbare und Adaptive Sensordatenverarbeitung

Die effiziente Verarbeitung von Sensordaten ist für viele systemkritische Infrastrukturen essenziell. Nur dadurch wird es möglich, adaptiv auf Umgebungseinflüsse, von Wetteränderungen bei erneuerbaren Energien bis hin zu Katastrophenfällen, zu reagieren. Um den dabei anfallenden Datenmengen Herr zu werden, ist es notwendig, die Verarbeitung vor Ort (in der Infrastruktur selbst, nahe an den Sensoren) mit einer Verarbeitung in der Cloud oder in einem HPC-Zentrum 1 zu kombinieren. Diese Vision soll im beantragten Projekt umgesetzt werden: Kleine und energiesparende Systeme vor Ort (an der „Edge“) lernen Modelle basierend auf lokalen Sensordaten und steuern lokale Regelkreise. Gleichzeitig werden die erzeugten Modelle sowie eine ausgewählte Teilmenge der Daten in die Cloud bzw. an HPC-Ressourcen weitergeleitet, um Modelle zu verfeinern und Daten von mehreren Systemen zu kombi­nieren. Diese Modelle werden dann zurück in die „Edge“ geliefert, um die dortige lokale Modellbildung zu verfeinern und damit die Infrastruktur robuster zu steuern.

Während dieser Ansatz weit einsetzbar ist – von der Mobilität im Auto oder Flugzeug bis hin zur industriellen Automatisierung im Rahmen von Industrie 4.0 – werden die Antragsteller ihren Ansatz konkret im Bereich Energiewende einsetzen und evaluieren. Speziell ist dabei an die Überwachung und Steuerung von Gasturbinen gedacht, die durch ihre schnelle Regelbarkeit das Rückgrat einer stabilen Stromversorgung unter Einsatz von erneuerbaren Energieträgern bilden.


2020

5G TODAY - 5G-Testfeld für die TV-Übertragung im Bayerischen Oberland

Im Rahmen des Forschungsprojektes 5G-Today sollte im Bayerischen Oberland ein 5G-Testfeld für den Rundfunk entstehen und die großflächige TV-Übertragung im Rundfunkmodus FeMBMS (Further Evolved Multimedia Broadcast Multicast Service) untersucht werden.


Deep Colonoscopy – Läsionsdetektion mit tiefen Neuronalen Netzen

Darmkrebs ist die zweithäufigste Krebstodesursache in der westlichen Welt. Um Darmkrebs frühzeitig zu erkennen, werden koloskopische Vorsorgeuntersuchungen von den Krankenkassen empfohlen. Deren Effektivität hängt dabei von der Erfahrung und Aufmerksamkeit des Untersuchers ab. Die Herausforderung für den Arzt besteht darin, (auch unter Zeitdruck) die nötige Aufmerksamkeit zu bewahren, um während einer Koloskopie idealerweise alle Läsionen (insbesondere kleine Polypen, flache Neubildungen, Blutungen usw.) zu erkennen, zu differenzieren, zu dokumentieren und zu behandeln.

Zur mittelfristigen Unterstützung des Arztes ist das Ziel des Projekts die Erforschung und Validierung eines Systems zur automatischen und befundunterstützenden Erkennung und Klassifikation von Läsionen im Verdauungstrakt auf der Basis von endoskopischen Bildsequenzen und Bildern mittels Verfahren des Maschinellen Lernens unter Nutzung tiefer Neuronaler Netze. Diese Netzwerke sollen in der Lage sein, Endoskopiker aktiv während der Darmspiegelung zu unterstützen und auf verdächtige Bildareale aufmerksam zu machen. Gleichermaßen soll erforscht werden, wie die Komplexität dieser Netze reduziert werden kann, um potenziell auf kommerzieller Low-Budget-Hardware lauffähig zu sein. Die Anzeige potenzieller Läsionen während der Endoskopie und die damit mögliche Reduzierung der Befundungszeit können mittel- und langfristig zu einer verbesserten Kosteneffizienz beitragen.


ECGAN – Erzeugung und Detektion von Anomalien in Zeitreihen mit Hilfe von Generative-Adversarial-Networks

Die Erkennung von anormalen – also von der Norm abweichenden – Daten ist im Besonderen in der Medizin von großer Bedeutung. Anormale Datenpunkte sind hier oft ein Indikator für Krankheiten, deren Erkennung wichtig für eine zeitnahe Behandlung und oft auch für das Überleben von Patienten ist.

Im Rahmen des Projekts ECGAN wird ein auf maschinellem Lernen basierendes Modell entwickelt, bei dem Herzschläge mit normalen Sinusrhythmen verglichen werden. Dies soll eine automatische Erkennung von Arrhythmien – also stark vom Normalzustand abweichenden – Herzschlägen erlauben. Algorithmen von hoher Qualität können zukünftig bei der frühzeitigen Diagnose oder akuten Erkennung von Arrhythmien (ohne manuelle ärztliche Beurteilung) helfen, wodurch lebensrettende Maßnahmen schneller als bisher eingeleitet werden können.


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10>
1 / 13>
Projektfinder
.
Forschungsverbünde

In strategisch wichtigen Bereichen werden von der Forschungs­stiftung auch Forschungs­verbünde initiiert und gefördert.

.