Projekte

Durch Machine Learning sollen Systemausfälle möglichst früh prädiziert werden. Die Modelle werden dabei mit einem Zeitreihendatensatz trainiert, der mit einem Monitoringsystem über ein Jahr aufgenommen wurde.

Physiksimulationen werden vermehrt eingesetzt, um Roboter in einer sicheren, digitalen Umgebung für Produktionsprozesse zu programmieren oder zu trainieren. Damit der Roboter die Prozesse erfolgreich erlernen kann, müssen die in der Simulation erzeugten Trainingsdaten den realen Prozess repräsentieren können.

Neuronale Netzwerke sollen zum autonomen Fahren von Kraftfahrzeugen eingesetzt werden. Diese werden häufig durch manuelle Fahrten trainiert. Hierbei nimmt ein Mess-System Daten von Sensoren auf, die dann zum Training der neuronalen Netze verwendet werden.

Adaptive Cruise Control (ACC) Systeme passen die Fahrzeuggeschwindigkeit an vorausfahrende Fahrzeuge, die aktuellen Verkehrsschilder, Kurven, die Straßengriffigkeit und andere Faktoren an. In diesem Projekt prüfen Fraunhofer IAO und INVENSITY GmbH, ob zukünftige ACC die Geschwindigkeit des Fahrzeugs und den Abstand zum vorausfahrenden Fahrzeug auch (als zusätzliche Stellgröße) an den Fahrerzustand anpassen können.

Die Software »ISG-virtuos« bietet eine Simulationsplattform für den gesamten Lebenszyklus einer Automatisierungslösung - vom Vertrieb über das digitale Engineering bis in die Betriebsphase.

Für das autonome Fahren sind große Mengen bereits gelabelter Daten nötig, um erfasste Szenen verstehen zu können. Da das manuelle Labeling sehr aufwendig ist, soll ein automatisches Pre-Labeling-System entwickelt werden, das aufgenommene Daten vorunterteilen kann.

Für die Versorgung der Patienten in Krankenhäusern mit den einzelnen Mahlzeiten werden in den Zentralküchen der Service GmbH Schwarzwald verschiedenste Speisen anhand der Kundenwünsche vorportioniert und anschließend ausgeliefert.

Bei Gefahrguteinsätzen muss die Feuerwehr Bild- und Videodaten schnell auswerten können, um z.B. Chemikalienaustritt schnell zu erkennen. Ein ML-Algorithmus beschleunigt diese Auswertung, indem er Gefahrgut-Klassifikationen und Stoffnummern auf Fotos automatisch ermittelt.

Beim Training von KI-Modellen und insbesondere neuronalen Netzen werden große Mengen von Daten benötigt. Aktuelle Forschungen zeigen, dass nicht alle Trainingsbilder gleich viel wert sind. So haben minderwertige Daten keinen oder sogar einen negativen Einfluss auf KI-Modelle und können ohne Genauigkeitseinbuße entfernt werden, um Kosten zu reduzieren.

Der Quick Check zeigte die erfolgreiche Anwendung eines automatisierten, durch red-teaming inspirierten Analyseansatzes auf Grundlage von Bedrohungskonsolidierungen, gekoppelt mit einem lernenden System zur Berücksichtigung betriebswirtschaftlicher Grenzen bei der Maßnahmenauswahl zur regelmäßigen, ressourcensparenden Durchführung von Risikoanalysen.