1 - 10 of 15
-
PublicationKI-Engineering in der Produktion(Fraunhofer Verlag, 2023)
-
PublicationInformed Machine Learning - A Taxonomy and Survey of Integrating Prior Knowledge into Learning Systems( 2023)Despite its great success, machine learning can have its limits when dealing with insufficient training data. A potential solution is the additional integration of prior knowledge into the training process which leads to the notion of informed machine learning. In this paper, we present a structured overview of various approaches in this field. We provide a definition and propose a concept for informed machine learning which illustrates its building blocks and distinguishes it from conventional machine learning. We introduce a taxonomy that serves as a classification framework for informed machine learning approaches. It considers the source of knowledge, its representation, and its integration into the machine learning pipeline. Based on this taxonomy, we survey related research and describe how different knowledge representations such as algebraic equations, logic rules, or simulation results can be used in learning systems. This evaluation of numerous papers on the basis of our taxonomy uncovers key methods in the field of informed machine learning.
-
PublicationKI-Engineering - AI Systems Engineering( 2022)KI-Engineering - translated as AI Systems Engineering - aims at the development of a new engineering practice in the intersection of Systems Engineering and Artificial Intelligence. Its goal is to professionalize the use of AI methods in a systems engineering context. The article defines KI-Engineering and compares it with historical examples of research disciplines that founded engineering disciplines. It furthermore discusses the long-term challenges where further development is needed and which results were already achieved in the context of the Competence Center for KI-Engineering (CC-KING).
-
PublicationAgiles Produktionssystem mittels lernender Roboter bei ungewissen Produktzuständen am Beispiel der Anlasser-Demontage( 2022)Agile Produktionssysteme vereinen ein hohes Maß an Flexibilität und Wandlungsfähigkeit. Diese Qualitäten sind insbesondere in einer Umgebung mit hoher Unsicherheit entscheidend, beispielsweise im Kontext von Remanufacturing. Remanufacturing beschreibt den industriellen Prozess der Aufbereitung von Gebrauchtteilen, sodass diese vergleichbare technische Eigenschaften wie Neuteile zurückerlangen. Aufgrund der Ressourcenknappheit und regulatorischer Vorgaben nimmt die Bedeutung von Remanufacturing zu. Bedingt durch die unvorhersehbaren Bauteileigenschaften spielt Automatisierung im Remanufacturing eine untergeordnete Rolle. Die Autoren präsentieren ein Konzept, wie eine automatisiere Demontage auch bei Bauteilen ungewisser Spezifikationen durch den Einsatz von künstlicher Intelligenz erreicht werden kann. Zum autonomen Aufbau der Demontagefähigkeiten werden zum einen gezielt digitale Zwillinge als Lernumgebungen eingesetzt. Zum anderen werden aus der Beobachtung des Menschen Fähigkeiten und Problemlösungsstrategien identifiziert und abstrahiert. Um ein effizientes, vernetztes Demontagesystem zu erreichen, findet ein modulares Stationskonzept Anwendung, sowohl auf technischer als auch auf informationstechnischer Ebene
-
PublicationMotorFactory: A Blender Add-on for Large Dataset Generation of Small Electric Motors( 2022)To enable automatic disassembly of different product types with uncertain condition and degree of wear in remanufacturing, agile production systems that can adapt dynamically to changing requirements are needed. Machine learning algorithms can be employed due to their generalization capabilities of learning from various types and variants of products. However, in reality, datasets with a diversity of samples that can be used to train models are difficult to obtain in the initial period. This may cause bad performances when the system tries to adapt to new unseen input data in the future. In order to generate large datasets for different learning purposes, in our project, we present a Blender add-on named MotorFactory to generate customized mesh models of various motor instances. MotorFactory allows to create mesh models which, complemented with additional add-ons, can be further used to create synthetic RGB images, depth images, normal images, segmentation ground truth masks and 3D point cloud datasets with point-wise semantic labels. The created synthetic datasets may be used for various tasks including motor type classification, object detection for decentralized material transfer tasks, part segmentation for disassembly and handling tasks, or even reinforcement learning-based robotics control or view-planning.
-
-
PublicationAn ontology for remanufacturing systems( 2022)A fully automated remanufacturing system needs to be very adaptive in order to adjust to different product variants and the condition of received products. To allow for such adaptive behavior across different subsystems and levels from the classical automation hierarchy, a common and uniform understanding regarding the core concepts that constitute a remanufacturing system is required. This article presents an ontology for the core concepts in an automated remanufacturing system.
-
PublicationML4P - Vorgehensmodell Machine Learning for Production( 2022)Im Leitprojekt Machine Learning for Production (ML4P) gehen wir davon aus, dass die Leistung in modernen Produktionsanlagen - sowohl in der Prozess- als auch in der stückgutproduzierenden Industrie - mithilfe von Maschinellem Lernen optimiert werden kann. Unter der Schirmherrschaft und Koordination des Fraunhofer IOSB bündeln mehrere Fraunhofer-Institute ihre Anwendungserfahrung und Kompetenzen im Maschinellen Lernen zur Erarbeitung von Lösungen für die Industrie. In ML4P werden intelligente Methoden zur Bedarfsdeckung der Industrie formuliert werden und der Weg zu flexiblen, schnell lernenden Anlagen vorbereitet. Eine »lernende Maschine« könnte zum Beispiel den Einbau intelligenter Komponenten oder einen effizienten, ganzheitlichen Umgang mit sehr großen Datenmengen beinhalten.
-
PublicationÜbertragung eines Vorgehensmodells zur KI-Integration von der Industrie auf Umweltinformationssysteme( 2021)Maschinelles Lernen stößt in der Umwelt-Domcne auf großes Interesse. Allerdings ist der Einsatz von entsprechenden Algorithmen in Umweltinformationssystemen (UIS) bisher nicht weit verbreitet. Eine offene Frage ist zum Beispiel wie von Umweltbehörden bestehende Informationssysteme mit seit Jahrzehnten aufgebauten und gepflegten Umweltdatenbanken in einemhierarchischen föderalem System weiterentwickelt und für den Einsatz von neuen Technologien fitgemacht werden können. Hierbei sind nicht nur technische Aspekte von Interesse, sondern vor allem auch die Entwicklung geeigneter Prozesse in der Zusammenarbeit verschiedener Behörden. Für die Industrie wurde mit dem ML»P Vorgehensmodell ein toolgestütztes Verfahren für die Einführung von maschinellem Lernen in der Produktion entwickelt. Dieser Artikel untersucht dieses Vorgehensmodell im Hinblick der Übertragbarkeit des Modells auf die Einführung von maschinellem Lernen in von Behörden betriebenen Umweltinformationssystemen.
-
PublicationPAISE®. Das Vorgehensmodell für KI-Engineering(Fraunhofer IOSB, 2021)Das Process Model for AI Systems Engineering, kurz: PAISE®, ist ein Vorgehensmodell für KIEngineering.Es wurde innerhalb des Kompetenzzentrums für KI-Engineering (CC-KING) entwickelt.PAISE® umfasst die systematische und standardisierte Entwicklung und den Betriebvon KI-basierten Systemlösungen. Vorgehensweisen aus der Informatik und datengetriebenenModellbildung werden mit denen der klassischen Ingenieurdisziplinen, wie z. B. SystemsEngineering, kombiniert.
