Filtern
Dokumenttyp
- Masterarbeit (25)
Volltext vorhanden
- ja (25)
Gehört zur Bibliographie
- ja (25)
Schlagworte
- Akustisches Signal (1)
- Codegenerierung (1)
- Dateneingabe (1)
- Datensicherung (1)
- Digitalübertragung (1)
- Emulator (1)
- Fahrerloses Transportsystem (1)
- Fertigungslogistik (1)
- Framework <Informatik> (1)
- Industrie 4.0 (1)
Institut
Webshop to Machine
(2017)
Die vertikale Integration von Geschäftsprozessen ist ein wesentlicher Bestandteil der Idee Industrie 4.0. Der Datenaustausch innerhalb des Unternehmens kann durch Enterprise Resource Planning (ERP) und Manufacturing Execution Systeme (MES) unterstützt werden. Diese Systeme bieten eine hohe Flexibilität und können eine Vielzahl von Daten verarbeiten, ihre Umsetzung und die spezifische Anpassung sind jedoch mit einem erheblichen wirtschaftlichen Aufwand verbunden. Dies ist vor allem für kleine und kleine Unternehmen eine große Herausforderung. Ziel dieser Masterarbeit ist es, Konzepte für ein flexibles und sicheres System zu erarbeiten, das einen Datentransfer zwischen verteilten Produktionsanlagen und einem Webshop ermöglicht. Dieses System sollte eine automatische Abwicklung von Aufträgen in einem Online-Shop ermöglichen. Zusätzlich soll eine weitere Website für den Betreiber die Überwachungsdaten der Anlagen zur Kontrolle und Optimierung des Herstellungsprozesses zur Verfügung stellen. Zuerst wurde der Beitrag der Idee, Webanwendungen mit der Produktion zu verknüpfen, in Bezug auf die Industrie 4.0 umrissen. Im theoretischen Teil wurden die Gestaltung von Webanwendungen und die Möglichkeiten einer Kommunikation mit der Steuerung der Produktionsanlagen untersucht. Basierend auf diesen Erkenntnissen wurden mögliche Bedrohungsszenarien skizziert und mögliche Gestaltungsvarianten für die Systemarchitektur entworfen. Nach der Auswertung dieser Konzepte wurde das Projekt als Prototyp realisiert und an einer Produktionsanlage getestet. Das ausgeführte System sorgt für einen sicheren Datenaustausch mit Web-Applikationen und ist besonders einfach in bestehende Systeme zu integrieren. Darüber hinaus ermöglicht es eine automatische Abwicklung der Aufträge im Online-Shop und eine Datenüberwachung für den Betreiber. Es bietet eine wirtschaftlich attraktive, kleine Alternative zu bestehenden MES- oder ERP-Systemen. Basierend auf diesen Ergebnissen sind weitere Langzeitversuche erforderlich, um die höhere Leistung aufgrund der automatischen Auftragsabarbeitung zu bestätigen und weitere Verbesserungen am Prototypen vorzunehmen.
Durch Unfälle und Erkrankungen des zentralen Nervensystems kommt es häufig zu Beeinträchtigungen des alltäglichen Lebens von Betroffenen. Besonders bei der Neurorehabilitation handelt es sich teilweise um einen langwierigen Prozess, bei welchem durch den Einsatz von therapieunterstützenden Technologien die Häufigkeit und Dauer des Trainings gesteigert werden können. Daher beschäftigt sich diese Arbeit mit der Entwicklung eines Handmotorik-Trainingsgeräts, welches den Genesungsprozess unterstützen soll.
Das Ziel dabei ist, das Gerät nicht nur aus ingenieurtechnischer Sicht zu entwickeln, sondern in einem frühen Stadium die Expertise von Fachexpert*innen miteinzubeziehen. Zu Beginn wird ein Konzept erarbeitet, wonach ein erster Prototyp entwickelt wird. Dessen Evaluierung wird sowohl nach technischen Limitationen, als auch bezüglich praktischer Anwendbarkeit durchgeführt. Für letzteres wird eine Testung mit anschließender Befragung von 14 Ergotherapeut*innen durchgeführt, wonach mittels Usefulness, Satisfaction and Ease of Use (USE)-Questionnaire und eines Fragebogens qualitative und quantitative Daten erhoben und folglich ausgewertet werden. Basierend auf den Ergebnissen der gesamten Evaluierung werden neue Anforderungen abgeleitet, um das Trainingsgerät zielgerichtet weiter zu entwickeln.
Eine qualitative Evaluierung zeigt bei 7 von 10 Antwortkategorien der kritischen Fragestellungen eine Verbesserung im Zuge der Weiterentwicklung. Weiters kann für die Verbesserungen hinsichtlich Verfahrgeschwindigkeit, Vibrationen und Geräuschemission ein quantitativer Nachweis erbracht werden. Hinsichtlich der Relevanz zeigt sich, dass sich alle Befragten vorstellen können, solch ein Gerät im therapeutischen Bereich einzusetzen und das Training damit kognitive und motorische Fähigkeiten verbessern kann.
Künstliche Intelligenz (KI) und Cloud-Computing sind treibende Kräfte der digitalen Transformation und Erfolgsfaktoren für eine nachhaltige Wettbewerbsfähigkeit. Insbesondere der Bereich der KI-basierten Audiosignalverarbeitung weist ein hohes Potential zur Fehlererkennung von Maschinen und Anlagen auf. Jedoch scheitert die Umsetzung von KI-Projekten oftmals bereits vor Projektstart aufgrund fehlender Fachkenntnisse der Unternehmen.
Das Ziel dieser Masterarbeit ist zu zeigen, wie KI-basierte Audioklassifizierungssysteme unter Verwendung von Cloud-Services implementiert werden können. Zu diesem Zweck werden die einzelnen Phasen eines KI-Projektes, von der Datenanalyse bis hin zur Bereitstellung eines fertig trainierten Modells in der Cloud-Umgebung, betrachtet. Frühere Arbeiten haben gezeigt, dass State-of-the-Art-Audioklassifizierungs-systeme auf Konzepten wie der Fourier-Analyse, Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) basieren. Anhand dieser Methoden wurden insgesamt 33 Klassifizierungsmodelle mittels Python, PyTorch und der cloudbasierten Plattform Google Vertex AI implementiert, trainiert und verglichen. Aufgrund der dynamischen Charakteristik der Audiodateien, wurde dazu ein komplexer Datensatz der Plattform Kaggle als Entwicklungsgrundlage verwendet (BirdCLEF2022).
Das ausgewählte Modell wurde hinsichtlich der Vorhersagegenauigkeit optimiert und auf Vertex AI zur Beantwortung von Vorhersageanfragen veröffentlicht. Dabei konnte ein auf der CNN-Architektur basierendes Klassifizierungsmodell entwickelt werden, das neun unterschiedliche Klassen mit einer Vorhersagegenauigkeit von 80,4 % klassifiziert. Weitere Ideen zur Verbesserung des Ergebnisses konnten vorgestellt werden, wodurch bewiesen wird, dass schwierige Daten mit einer Vorhersagegenauigkeit von über 90 % klassifiziert werden können. Diese Masterarbeit zeigt, wie ein KI-basiertes Audioklassifizierungssystem unter Verwendung verschiedener Cloud-Dienste und State-of-the-Art-Deep-Learning-Methoden, entwickelt werden kann.
Teleoperation über 5G
(2022)
Die Mobilfunktechnologie beeinflusst die Kommunikation und den Informationszugang der Menschheit seit den 1980er Jahren. Der 2017 definierte New-Radio-Standard der fünften Generation, bezeichnet als ‚5G‘, bietet fundamental neue Funktionalitäten, die mit keiner vorhergegangenen Mobilfunktechnologie vergleichbar sind. Aus diesem Grund wurde an der Fachhochschule CAMPUS 02 eine 5G-Infrastruktur errichtet, um Forschungsarbeit in den neuen Anwendungsfeldern und Einsatzszenarien zu betreiben.
Das Ziel dieser Arbeit ist die Realisierung eines ersten Anwendungsfalls in der Infrastruktur der Fachhochschule CAMPUS 02, um die Datenübertragung mit niedriger Latenz und Latenzzeitmessungen in einem 5G-Netzwerk zu untersuchen.
Zu Beginn erfolgte eine Sichtung der verfügbaren Soft- und Hardware für die Entwicklung eines Versuchsträgers, der die Anforderungen erfüllt und fernbedienbar ausgeführt werden kann. Der Aufbau bestand aus zwei USB-Webcams, montiert auf einem motorisierten Stativ. Die Steuerung erfolgte mit einem Servo-Controller-Board und einem Raspberry Pi 4, der mit einem 5G-Modem/Router verbunden war. Als Wiedergabegerät der Videoübertragung diente eine VR-Brille, die mit einem Kabel an einem Rechner angeschlossen war. Die Anforderungen an die Datenübertragung konnten durch die Nutzung des bidirektionalen WebRTC-Protokolls erfüllt werden. Dieses ermöglichte die Video- und Audioübermittlung sowie einen Datenkanal für die Übermittlung der Kopfbewegung.
Als wichtigstes Ergebnis sind die Entwicklung und Inbetriebnahme der Testanwendung zur Durchführung von Netzwerkmessungen mittels perfSONAR, einer Network-Performance-Monitoring-Software, zu nennen. Aufgrund von Limitationen technischer, infrastruktureller und zeitlicher Natur konnten nicht alle Aspekte vollumfänglich untersucht und umgesetzt werden. Basierend auf den erzielten Resultaten wurde eine Roadmap für die Rekonfiguration der 5G-Infrastruktur erstellt und weiter Entwicklungsmöglichkeiten für den Versuchsaufbau aufgezeigt.
Künstliche Intelligenz (KI) ist heutzutage ein wichtiger Teil von vielen Software-Applikationen geworden. Sie ist in Handy Apps integriert und je komplexer KI wird, umso größer ist in diesem Zusammenhang der Einfluss, den sie auf die individuelle Privatsphäre hat. Potentielle Risiken, die durch KI entstehen können, haben die Europäische Union dazu gebracht, einen Vorschlag für eine KI-Verordnung zu erarbeiten. Um die darin geforderten Risikominderungsmaßnahmen zu adressieren, hat das Fraunhofer Institut einen Leitfaden zur Gestaltung vertrauenswürdiger Künstlicher Intelligenz veröffentlicht.
Das Hauptziel dieser Masterarbeit ist es, diesen textbasierten Leitfaden in ein Software-Tool zu überführen, welches Entwicklern von KI-Applikationen hilft, den Prozess gemäß Leitfaden zu dokumentieren. Dies hilft, den Leitfaden zu vereinfachen, um einen niederschwelligen Zugang zu dem Leitfaden für viele Menschen zu ermöglichen. Weitere Ziele dieser Arbeit sind sowohl das Aufdecken von möglichen Optimierungen der Richtlinie als auch Verbesserungen des bestehenden Software-Frameworks.
Das Software-Tool wurde unter Zuhilfenahme dieses Frameworks innerhalb der Low-Code Plattform Mendix entwickelt.
Das Ergebnis ist ein Software-Tool, welches die Anforderungen an vertrauenswürdige KI vereinfacht, je nach dem Anwendungsbereich der gerade beurteilten KI-Applikation. Nach der Nutzung des Software-Tools kann ein Bericht erzeugt werden, um die erfüllten Anforderungen der Vertrauenswürdigkeit zu dokumentieren.