In der digitalen Transformation wird die gesamte Wertschöpfungskette durch Technologien aus dem Kontext des Internet of Things (IoT) anwendungsübergreifend vernetzt. Die damit einhergehende Komplexität in der Softwareentwicklung erfordert in zunehmendem Maße interdisziplinäre Entwicklung von Hardware, Software und mathematischer Modellierung. Für traditionelle industrielle Mess- und Kalibrierverfahren beruht die metrologische Qualitätsinfrastruktur auf akkreditierten Kalibriereinrichtungen und standardisierten Auswerteverfahren, um Messwerten eine quantitative Aussage über ihre Verlässlichkeit zuzuordnen. Die zugrundeliegenden Verfahren müssen im Zuge der digitalen Transformation grundlegend überarbeitet werden.

Daher kombiniert das angestrebte Projekt AMORPH die Expertise der Forschungseinrichtungen mit den Kompetenzen der in Industrie 4.0 erfahrenen Unternehmen Endress+Hauser und Bosch. Entlang des RAMI4.0-Modells wird in dem Projekt durch alle Ebenen die Datenqualität auf Basis der verfügbaren Informationen und mathematischer Modelle ausgewertet und nutzbar gemacht. Einzelne Sensoren werden dazu mit einem digitalen Zwilling verknüpft, der in der Lage ist, Informationen über die Messunsicherheit zu kommunizieren. Sub-Netze von Sensoren werden in flexiblen mathematischen Modellen zusammengefasst, um maschinennahe Datenauswertung zu ermöglichen. Mit Hilfe von Methoden des Organic Computing werden dabei flexible und teilweise autonom agierende Sub-Netzwerke gebildet.

Im Forschungsprojekt zur Automatisierten Inbetriebnahme durch Persistierung von Expertenwissen (AIPE) untersuchten wir in einem vom BMWi geförderten Projekt zusammen mit der XITASO GmbH Techniken, um existierendes Expertenwissen zu sammeln, vorzubereiten und mit maschienellen Lernverfahren zu verknüpfen. Ein besonderer Fokus lag hierbei darauf, wie Parametrisierungen in industriellen Fertigungsprozessen auch mit sehr geringer Datengrundlage durch Lernverfahren optimiert werden können. Das Ziel des Projektes war es eine allgemeine auf möglichste viele Prozesse anwendbare Architektur/Systematik zu schaffen. Parametrisierung von Prozessen war hierbei sowohl im Falle von (Erst-)Inbetriebnahmen als auch bei Reparametrisierungen, z.B. bei Produktwechseln, geographischen Relokalisierungen oder auch (ggf. jahreszeitlichen) Klimaveränderungen Forschungsgegenstand.

Für erste Evaluationen der entworfenen Konzepte nutzten wir mehrere auf dem FDM-Verfahren basierte Maschinen der additiven Fertigung (umgangssprachlich als 3D-Druck bezeichnet). Hierbei wurden sowohl durch Produktion von Teilen unter veränderlichen Bedingungen und Parametrisierungen Trainingsdaten gesammelt, als auch das Wissen von als Prozessexperten eingestuften Maschinenbedienern festgehalten.

Die eingesetzten Lernverfahren, wie zum Beispiel evolutionäre regelbasierte Verfahren und (tiefe) neuronale Netze, folgten dem state of the art im machine learning Bereich und werden teils durch das Projekt weiterentwickelt.

Ziel des IuK-geförderten Projekts PredMain war die Entwicklung von Hard- und Softwareframeworks für die Implementierung prädikativer Instandhaltungsmaßnahmen (Predictive Maintenance) in digitalen Fitnessgeräten. Konkretes Anwendungsszenario stellten hierbei Linearmotoren dar, die vom Projektpartner eGym genutzt werden, um Sitzposition und Griffe in deren Fitnessgeräten automatisiert an den jeweiligen aktuellen Nutzer anzupassen. Um einen Stillstand der Maschine im Schadensfall zu verhindern, sollen Ausfälle ausreichend frühzeitig vorhergesagt werden, um beispielsweise einem Techniker zu ermöglichen den betroffenen Motor rechtzeitig proaktiv auszutauschen.

Maschinelle Lernverfahren spielen in einer Vielzahl von Anwendungsbereichen eine immer wichtigere Rolle. Diesen gestiegenen Anforderungen soll durch dieses Projekt Rechnung getragen werden, um die Informatikausbildung in den Masterstudiengängen der Universität Augsburg in Bezug auf Inhalte des maschinellen Lernens (ML) zu erweitern und fundierte und Anwendungsbereich übergreifende praktische Komponenten in die Ausbildung aufzunehmen. Neben der Vermittlung von fundierten theoretischen Inhalten soll mit Hilfe dieses Projektes vor allem die praktische Ausbildung verstärkt werden. Darüber hinaus sollen die bestehenden Veranstaltungen mit Bezug zum Themenkomplex maschinelles Lernen stärker aufeinander abgestimmt werden, sodass im Ergebnis die in der Matrix in Abbildung 1 dargestellten Kompetenzen vermittelt werden können. Die dort beschriebenen Basisfähigkeiten beziehen sich auf die Kenntnisse der Absolventen eines Bachelor-Studienganges der Informatik. Die erweiterten Fähigkeiten sind die durch die aktuellen Master-Studiengänge vermittelten Kompetenzen. Durch die erweiterte Ausbildung im Bereich maschinelles Lernen sollten die unter „Ziel“ genannten Kompetenzen vermittelt werden. Die detaillierte Beschreibung des Qualifizierungskonzeptes ist im Verlauf des Antrags genauer beschrieben.
Durch die Einbindung von Unternehmen der Region, unter anderem die assoziierten Partner, sollen initial konkrete Anforderungen an die Erweiterung der Ausbildung gestellt werden, die durch regelmäßiges Feedback, z.B. durch Präsentationen der Ergebnisse studentischer Projekte im Rahmen des „Forums maschinelles Lernen“, verbessert werden.
Mittelfristig soll so auch der regelmäßige Austausch zwischen der Universität und Unternehmen auf breiter Basis gestärkt und institutionalisiert werden.

OSCARD – Organic System für Cyber-Attack Recognition and Defense; Selbstorganisation und Lernen in OSCARD  .

Zusammenfassung

Erforschung von organischen Systemen im Bereich der IT-Security. Das ZIM-Projekt findet in einer Kooperation mit der baramundi software AG statt.

CYPHOC – Absicherung von Cyber-Physical Systems mit Methoden des Organic Computing.

Zusammenfassung

Cyber-Physical Systems (CPS) connect two quite different worlds, the world of embedded systems (with real-time requirements, sensors and actuators, dependability, deterministic behavior, etc.) with the world of digital networks (with globally available services, data clouds, multi-modal man-machine interfaces, etc.). CPS are exposed to different security threats, many are not known at the design time of a CPS. In general, the physical surrounding of the CPS may be endangered, but also the components of the CPS or the communication between spatially distributed components, for instance. In the CYPHOC project, we address these security problems by means of Organic Computing (OC) techniques. OC focuses on adaptive technical systems, typically empowered with learning abilities, to solve complex problems. Properties such as self-learning, self-adaptation, self-coordination, self-organization, or self-healing play an important role. In CYPHOC, “security-by-design” is complemented by “security-at-runtime”, that is, the components of CPS are enabled to detect new kinds of security threats collectively and to react accordingly. In particular, solving this involves three different research topics: collaborative detection and learning of conspicuous situations (group of Prof. Sick), generalized mechanisms to react appropriately on unanticipated situations (group of Prof. Hähner), and guaranteed protection against compromised components (group of Prof. Wacker). Specifically, we substantially improve techniques that enable CPS to detect conspicuous and suspicious situations in their environment (in particular temporal anomalies) that are not known at design time of the system. Based on the recognition of unanticipated events, we require standardized mechanisms to react appropriately in a self-organizing way. The set of possible strategies to react on these anomalies is too large to be efficiently searched. In many applications, however, dependencies between components exist. By automatically detecting and modeling these dependencies, we can exclude such strategies that do not respect them. Therefore, such dependencies are exploited to realize a faster collaborative learning in different classes of applications. Since most CPS are distributed systems, some components of the overall CPS might be compromised by an attacker. To guarantee protection against such compromised components, we develop mechanisms allowing for any piece of information to be k-resilient. Therefore, an attacker is required to manipulate at least k different components to achieve his goal. Additionally, we investigate the realization of CPS-wide self-tests to detect these compromised components. We design all these developed OC techniques in such a way that they do not affect the real-time capabilities of the underlying CPS.

SmaCCS – Smart Camera Cloud Services.

Zusammenfassung

Der Einsatz von Videokameras erfuhr in den letzten Jahren einen bedeutenden Aufschwung. Das Einsatzspektrum reicht von der Kundenstromanalyse im Einzelhandel bis hin zu Überwachungssystemen an sicherheitskritischen, öffentlichen Orten wie Flughäfen und Bahnhöfen. Bei der technischen Umsetzung solcher Systeme handelt es sich meist um anwendungsabhängige Insellösungen. Diese bestehen dann häufig aus einer festen Anzahl von Kameras und einem zentralen Knotenpunkt, an dem alle Videoströme zusammengeführt werden. Am zentralen Knotenpunkt werden Videoströme gespeichert, bzw. manuell durch z.B. Sicherheitspersonal ausgewertet. Durch dieses Systemkonzept entstehen wenig skalierbare, hardware-intensive und damit auch von hohen Investitionskosten begleitete Kamerasysteme.

Im Rahmen des SmaCCS Projektes wird ein Konzept zur Vermeidung dieser negativen Systemeigenschaften untersucht. Es werden Cloud-verknüpfte, intelligente Videokameras (Cloud-Connected Smart Cameras) eingesetzt. Gängige pay-per-use Cloudsysteme, wie sie von den großen Rechenzentren (z.B. Amazon WebServices [1]) betrieben werden, bieten eine sinnvolle Alternative zur zentralen Systemarchitektur heutiger Videosysteme. Durch die Nutzung der Cloud-Rechenleistung können zum einen hohe Investitionskosten vermieden werden. Zum anderen erhöht es die Skalierbarkeit und Fähigkeit zur Automatisierung von Bildanalyse und Aufnahmesteuerung erheblich. Es können beliebig viele Kameras angeschlossen werden, wobei dem Nutzer pro abgerufener Leistung eine festgelegte Gebühr berechnet wird.

Mit den Konzepten, die in Kooperation mit der Volavis GmbH (IT and Vision Systems [2]) untersucht werden sollen, kann ein weites Spektrum von Installationen von kleinen Systemen mit wenigen Kameras, z.B. auf kleinen Gewerbeflächen oder in Privathaushalten, bis hin zu Großinstallationen, z.B. in Einkaufszentren und auf Bahnhöfen, abgedeckt werden.
 

CamInSens –   Verteilte vernetzte Kamerasysteme zur in situ-Erkennung Personen-induzierter Gefahrensituationen.

Zusammenfassung

Videokameras, insbesondere an Bahnhöfen oder in Stadien entsprechen heute einem gestiegenen Bedürfnis, die Sicherheit von Bürgerinnen und Bürgern bestmöglich zu gewährleisten. Die aufgenommenen Bilddaten werden dem Personal üblicherweise in einer zentralen Stelle auf Projektionsflächen zur Verfügung gestellt.

Mit diesem konventionellen Ansatz gelingt es jedoch häufig nicht, präventiv Bedrohungssituationen bereits im Moment ihrer Entstehung als solche zu erfassen – vielmehr werden die Bilder zumeist im Nachhinein zur Aufklärung herangezogen.

Ziel des Forschungsverbundes CamInSens ist ein praxistaugliches und rechtskonformes, intelligentes Videosystem, das auf potentielle Gefährdungssituationen unmittelbar und automatisch aufmerksam macht. Die Auswertung von Bildfolgen soll zum einen der Erkennung auffälliger Bewegungsmuster dienen und zum anderen der Kamerasteuerung, die relevante Szenen im Blick behalten soll. Im Vordergrund stehen die Visualisierung in Echtzeit, Szenen, in denen viele Menschen vor Ort sind, und Szenen, bei denen Verdeckungen vorkommen können.

Zur konventionellen Videoüberwachung existiert bereits eine ausführliche datenschutzrechtliche Literatur. Rechtswissenschaftliche Untersuchungen „intelligenter“ Videosysteme sind jedoch noch eine Forschungslücke. Daher werden im Forschungsverbund CamInSens gemeinsam mit technischingenieurwissenschaftlichen Fragen von Beginn an die spezifischen neuen Rechtsfragen, die durch Verhaltensmustererkennung entstehen - von der detaillierten juristischen Anforderungsanalyse bis hin zur rechtlichen Evaluierung des Demonstrators - integriert bearbeitet, damit eine datenschutzgerechte Gestaltung und der Schutz der Privatsphäre gewährleistet werden können.

Q-Trajectories – 3D-Überwachung von öffentlichen Räumen mit einem Smart-Camera Netz.

Zusammenfassung

Dieses Projekt ist eines des aus drei Teilen bestehenden interdisziplinären DFG-Bündelprojekts „Q-Trajectories“.

• Dezentrale Bestimmung von Bewegungsmustern aus Trajektorien (Institut für Kartographie und Geoinformatik)
• Detektion und Verfolgung von Personen in komplexen Bildsequenzen (Institut für Photogrammetrie und GeoInformation)
• 3D-Überwachung von öffentlichen Räumen mit einem Smart-Camera Netz (In Kooperation mit dem Institut für System- u. Rechnerarchitektur).

In diesem Teilprojekt sind neue methodische Ansätze und Werkzeuge zur selbstorganisierenden Aufnahmeplanung in großen aus Smart-Cameras bestehenden, ereignisgesteuerten Geosensornetzen zu entwickeln. Der Fokus liegt dabei auf einer völlig dezentralisierten und selbst-organisierten Aufnahmeplanung in Geosensornetzen. Diesem Teilprojekt liegt folgende Forschungshypothese zugrunde: Eine hohe Zuverlässigkeit und Robustheit des System-Managements großer Sensornetze kann langfristig nur durch verteilte Selbstorganisation erreicht werden. Der Einsatz dezentraler Strukturen erhöht die Robustheit des Sensornetzes gegenüber Einzelausfällen und ermöglicht den Aufbau skalierbarer Systeme, wobei die Tracking-Qualität signifikant durch Nutzung aktiver Ressourcen verbessert wird.

OC-Trust – Vertrauenswürdigkeit von Organic Computing Systemen.

Zusammenfassung

Ziel der von der DFG geförderten Forschergruppe OC-Trust ist es, die Vertrauenswürdigkeit von Organic Computing Systemen zu verbessern, um so ihren Einsatz in offenen, heterogenen, sicherheitskritischen und nutzerzentrierten Szenarien zu ermöglichen. Weiterhin soll untersucht werden, inwieweit Trust als konstitutives Element von technischen Systemen zur Verbesserung ihrer Robustheit und Effizienz beitragen kann. Dazu werden Methoden, Modelle, Algorithmen und Benutzerschnittstellen entwickelt. Diese Techniken erlauben, Vertrauen beim Entwurf der Systeme zu berücksichtigen und diese auf ihre Vertrauenswürdigkeit hin zu untersuchen. Außerdem ermöglichen sie, Vertrauen zur Laufzeit zu messen und die Systeme in Bezug auf verschiedene Vertrauensaspekte anzupassen.