Session

Maschinelles Lernen für Cyber-Physische Systeme

Termin:
Donnerstag 15.09.2022, 15:15 bis 16:45 Uhr
Dauer:
90 Minuten
Sessionchair:
Prof. Oliver Niggemann
Helmut Schmidt Universität

Kurzbeschreibung

Methoden der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML) werden unseren Umgang mit Cyber-Physischen Systemen (CPS) wie z.B. Produktionssysteme, autonome Fahrzeuge, Schiffe & Häfen, Luftfahrt, Logistikketten oder Smart Cities entscheidend verändern: Mittels maschineller Lernverfahren werden beispielsweise Systemmodelle autonom erlernt, Wartungsaktivitäten geplant oder Diagnosen durchgeführt.

Vorträge

  • KI-gestützte Anomalieerkennung in Telemetriedaten der internationalen Raumstation ISS
    Hauke Ernst, Philipp Grashorn

    Airbus Defence and Space ist maßgeblich am Betrieb, der Wartung und der Weiterentwicklung des europäischen Teils der Internationalen Raumstation (ISS), dem Columbus-Modul, beteiligt. Im Falle einer beobachteten Anomalie benachrichtigt das Columbus Control Center (Col-CC) einen zuständigen Experten bei Airbus. Die manuelle Überwachung, aber auch die Analyse und Behebung von Problemen, ist angesichts der Systemkomplexität und Vielzahl an Sensordaten oft zeit- und kostenintensiv. Im Projekt (K)ISS arbeiten Forscher der Bundeswehruniversitäten Hamburg und München eng mit Airbus und der auf KI-Software spezialisierten Firma Just Add AI zusammen, um eine passende KI-gestützte Systemlösung zu entwickeln. Diese kann Anomalien erkennen, erklären und Gegenmaßnahmen vorschlagen. So können sowohl die Arbeiten im Betrieb und in den Support-Teams effizienter werden als auch komplexe, manuell schwer zu erkennende Probleme, besser erkannt werden. Die entwickelte Software soll darüber hinaus schnell und einfach auf neue Problemfelder rekonfigurierbar sein, z.B. für anstehende Raumfahrtmissionen wie neue Raumstationen/Fahrzeuge, aber auch den Betrieb von Habitaten auf dem Mond oder später dem Mars.

  • Chancen und Herausforderungen für Künstliche Intelligenzin kleinen und mittelständischen Unternehmen - ein CPPS Fallbeispiel
    Daniel Vranjes

    Künstliche Intelligenz ist ein allgegenwärtiger Bestandteil unseres Lebens. Die Anwendung und Verbreitung dieser Technologie wird dabei primär von großen IT-Unternehmen vorangetrieben, während traditionelle Unternehmen stark auf ihre Domänenexpertise beruhen und kleinen Unternehmen häufig die Ressourcen fehlen, um neue Technologien signifikant zu fördern. EU-weit haben kleine und mittlere Unternehmen wichtige technologische und ökonomische Positionen, sodass die Bereitstellung und Integration von Künstlicher Intelligenz für diese ein wichtiger Baustein für die Gesamtwettbewerbsfähigkeit der europäischen Wirtschaft ist. Wir zeigen Einsatzmöglichkeiten für Künstliche Intelligenz auf, behandeln sowohl Hürden als auch Enabler für die Umsetzung von Vorhaben im produzierenden Mittelstand und verdeutlichen dies anhand eines Fallbeispiels.

  • Kann ein künstliches neuronales Netz Wissen über Cyber-Physische Systeme verständlich repräsentieren?
    Alexander Windmann

    Seit den Anfangstagen der Entwicklung maschinellen Lernens ist eine offene Frage, wie Algorithmen gelerntes Wissen repräsentieren sollen. Eine der ersten Ansätze sieht es vor, Wissen symbolisch und damit für Menschen verständlich abzuspeichern. Die darauf aufbauenden Methoden liefern erklärbare Entscheidungen, skalieren jedoch nicht gut auf großen Datensätzen. Mit der fortschreitenden Entwicklung moderner Hardware wurde ein anderer Lösungsweg populär: Künstliche neuronale Netzte lernen selbst Zusammenhänge und speichern diese subsymbolisch, d.h. für Menschen unverständlich, ab. Diese Modelle können Muster in großen Datenmengen gut erkennen, haben aber Probleme dabei logische Schlussfolgerungen zu treffen, was die Ergebnisse oft nur schwer nachvollziehbar macht. Für die Anwendung bei Cyber-Physischen Systemen ist sowohl Erklärbarkeit als auch Skalierbarkeit wichtig. An einem kleinen Dreitanksystem wird gezeigt, inwiefern künstliche neuronale Netze dazu in der Lage sind, die dem System zu Grunde liegenden Konzepte zu lernen.