Öffentlich geförderte Forschungsprojekte
„Entwicklung einer Software- und Hardwarelösung zur ortsungebundenen und sicheren Bedienung,
Steuerung und Überwachung von komplexen Produktionsanlagen“
Förderkennzeichen: ZIM 1KF244161KM2
Laufzeit: 01.11.12-31.10.14
„Mustererkennung von kritischen Signalverläufen auf der Steuerungsebene“
Förderkennzeichen: ZIM 16KN042420
Laufzeit: 01.11.14-31.12.16
„Entwicklung eines cyberphysikalischen Echtzeit Intrusion Detection Systems in Industrie 4.0 Automatisierungssystemen;
Smart Data Aggregator zur intelligenten Signalerfassung von Steuer- und Sensorsignalen“
Förderkennzeichen: ZIM-ZF4020503ED6
Laufzeit: 01.11.16-31.12.18
„Distributed Smart KI Sensornetwork mit Large Scale Machine Learning Model Management in der Cloud; System on Chip Ablaufumgebung für Machine Learning Modelle mit Merkmalsextraktion auf Basis der Sparse FFT“
Förderkennzeichen: ZIM-ZF 4020508SS8
Laufzeit: 01.01.19-31.12.20
--------------------------------------------------------------------------------------
Aktuelle Forschungsgebiete
Machine Learning / AI in Embedded Systems
Herausforderungen:
- Geringe Hardware-Ressourcen von Embedded Systems
- Rechenleistung
- Speicher
- Energieverbrauch (Batteriegeräte)
- Preis
- Anpassung von Machine Learning Algorithmen
- Speicher, Wortbreite
- Geschwindigkeit
- Enge Kopplung von Digital Signal Processing (z.B. FFT) an ML-Algorithmen
- Unterschiedliche Plattformen für Training und Inferenz
- Training in der Cloud, Inferenz im Embedded
Lösungen:
-------------------------------------------------------------------------------------
Machine Learning zur Anamoaliererkennung von SPS Steuerungssignalen auf
einem Industrial Embedded Realtime Linux Computer:
Single Class SVM auf Revolution Pi (Echtzeit-Linux) mit Webserver zur Anzeige
der Trainings- und Klassifizierungsergebnise sowie der temporären Anomalieraten.