Die Menge an Daten, die von batteriebetriebenen, weit verteilten Sensorsystemen bereitgestellt werden, nimmt fortlaufend zu. Moderne Ansätze der Informationsverarbeitung und Datenfusion können dazu beitragen, den notwendigen Kommunikationsaufwand und Energiebedarf deutlich zu reduzieren. Zu diesem Zweck konzentriert sich dieses Projekt auf Techniken der Informationsverarbeitung, die implizite Informationen einbeziehen können. Solche impliziten Informationen können z. B. aus der Sendeentscheidung eines Sensorknotens abgeleitet werden. Obwohl ein Sensorknoten entscheidet, seine Daten nicht zu senden, kann der Zustandsschätzer am Empfänger eine Aktualisierung mit virtuellen Messdaten vornehmen. Beispielsweise kann der Sender die Sensorwerte mit einem Schwellenwert vergleichen, um eine Sendeentscheidung zu treffen. Der Empfänger kann die Entscheidungsregel in Informationen über die Daten übersetzen, auch wenn keine Übertragung stattfindet. Sender und Empfänger können solche Entscheidungsregeln aushandeln, um die Kommunikationskosten für den Sender zu minimieren und zugleich den Informationsgewinn auf Empfängerseite zu maximieren. Da schwellenwertbasierte Strategien für dynamische Systeme zu einschränkend sind, werden modellbasierte und datengetriebene Triggermechanismen untersucht.

In diesem Projekt werden in erster Linie stochastische Trigger betrachtet. Stochastische Trigger haben gegenüber deterministischen Verfahren den Vorteil, dass die implizite Information auf Empfängerseite durch eine Normalverteilung repräsentiert werden kann, die die Verarbeitung deutlich vereinfacht. So muss z. B. ein Kalman-Filter nur geringfügig angepasst werden, um implizite Messinformationen zu verarbeiten. Ziel dieses Projektes ist die Entwicklung eines umfassenden Konzepts ereignisbasierter Zustandsschätzung auf Grundlage stochastischer Triggermechanismen. Hierzu werden zunächst grundlegende Eigenschaften untersucht und intelligente Verfahren entwickelt, die die Schätzqualität und Robustheit ereignisbasierter Informationsverarbeitung verbessern. Neben modellbasierten und datengetriebenen Verfahren werden eine aperiodische und asynchrone Übertragung und Verarbeitung der Sensordaten angestrebt sowie der Einfluss unzuverlässiger Kommunikationsverbindungen untersucht. Die hierbei erzielten Ergebnisse dienen als Grundlage bei der Betrachtung von Multisensorsystemen und hochdimensionalen Schätzproblemen. Ein Beispiel ist die Überwachung eines weiträumigen Phänomens mit Hilfe eines Sensornetzwerks. In solchen verteilten Schätzproblemen entstehen Abhängigkeiten zwischen den Triggerentscheidungen, die explizit bei der Ausnutzung impliziter Information berücksichtigt werden müssen. Das Projekt betrachtet insbesondere Anwendungen im Bereich des Object-Trackings, um die hergeleiteten Konzepte zu evaluieren. Zudem wird das Anwendungspotential ereignisbasierter Verfahren im Bereich neuromorpher Sensorsysteme und als Ansatz zur Geheimhaltung von Zustandsinformationen untersucht.

Projekt im Forschungsportal ansehen

Im Rahmen des Forschungsprojekts DatAmount werden Methoden entwickelt, die es ermöglichen, energietechnische Modelle von Werkzeugmaschinen zu erstellen. Diese Modelle sind geeignet, das energetische Verhalten von Maschinen für neue Produkte auf der Basis kleiner Datenmengen vorherzusagen. Da vor allem im KMU-Kontext häufig Kleinserien gefertigt werden, sind in vielen Fällen nicht genügend Daten vorhanden, um KI-Modelle zu trainieren. Die physikalische Modellierung hingegen ist oft sehr kostspielig. Aufgrund der geforderten CO2-Nachweise und der gesetzten Klimaziele
befinden sich die Unternehmen somit in einem Spannungsfeld. Auf der einen Seite sind genaue Modelle zur Vorhersage des Energieverbrauchs von Maschinen notwendig, um wettbewerbsfähig zu bleiben. Auf der anderen Seite ist die Erstellung solcher Modelle derzeit entweder sehr teuer oder nicht möglich. Die derzeit meist manuell durchgeführte Vorhersage des Energieverbrauchs ist ebenfalls aufwändig und zudem personengebunden. Der hier vorgestellte Ansatz kombiniert physikalische Modelle des Energieverhaltens von Maschinen mit datenbasierten Machine-Learning-Modellen, wobei besonders dateneffiziente Machine-Learning-Modelle untersucht werden. Dies ermöglicht eine automatisierte,
genaue Vorhersage des Energieverbrauchs von Werkzeugmaschinen. Der Nutzen für KMU liegt in der effizienten Erstellung von Modellen, die den Energieverbrauch und die CO2-Emissionen von neuen Produkten vorhersagen können. Diese Vorhersagen sind oft notwendig, um bei einer Ausschreibung
berücksichtigt zu werden, da der Nachweis der Energie- und Ressourceneffizienz in Ausschreibungen größerer Unternehmen mit CO2-Reduktionszielen oft obligatorisch ist.

Projekt im Forschungsportal ansehen

Problemstellung
Autonom operierende Mobilitätssysteme oder Lieferdienste eröffnen im Hinblick auf die Lebensqualität und Daseinsvorsorge im nicht-urbanen Bereich wie z.B. in den ehemaligen Braunkohleregionen erhebliche Entwicklungspotentiale. Für die Beurteilung des potentiellen Erfolgs der selbständig auf Geh- und Radwegen operierenden Mikromobile bedarf es jedoch umfassender Umgebungsinformationen aus den Operationsgebieten, wie z.B. minimale Wegbreiten, das Fußverkehrsaufkommen oder Sichtlinien. Diese stehen abseits großer Städte nur unvollständig bereit und sind heterogen strukturiert.
Projektziel
Ziel des Vorhabens ist der Entwurf von Strategien für die fahrradgebundene Erhebung der Umgebungsdaten, die für den erfolgreichen Betrieb eines autonomen Mikromobils auf Gehwegen relevant sind (Einsehbarkeit bestimmter Bereiche, Infrastrukturparameter, Personenaufkommen, Netzabdeckung, Umweltdaten). Dafür evaluiert das Vorhaben verschiedene Erhebungsmethoden im Hinblick auf die Effizienz und die Qualität der aggregierten Informationen. Die Verwendbarkeit der Daten wird in zwei konkreten Smart-City/Town-Anwendungsszenarien (Leihfahrräder mit autonomen Bereitstellungsmodus und Lieferroboter) mit entsprechenden Studien untersucht. Damit leistet das Vorhaben einen Beitrag zur datengetriebenen Entwicklung intelligenter Mobilitäts- und Logistikkonzepte, die die spezifischen Besonderheiten unterschiedlicher Siedlungsräume abdecken.

Projekt im Forschungsportal ansehen