Projekte

IMPROVE:
Innovative Modeling Approaches for Production Systems to Raise Validatable Efficiency

Projektlaufzeit: 1.9.2015 bis 31.8.2018 (Abgeschlossen)
Forschungsbereich:
Projektleiter: Prof. Dr. rer. nat. Oliver Niggemann
https://www.improve-vfof.eu


  

Die Komplexität der Produktionsanlagen in der verarbeitenden Industrie steigt durch erhöhte Produktvarianten, Produktkomplexität und die Nachfrage nach höherer Effizienz. Darum müssen Productionssysteme in der Lage sein, sich schnell zu entwickeln und optimal arbeiten. Dadurch enstehen Herausforderungen für große Industriefirmen und ernsthafte Probleme für KMUs, welche nicht das notwendige Expertenwissen und Ressourcen besitzen um neue technische Möglichkeiten auszuschöpfen.


Das IMPROVE Forschungs- und Innovationsproject entwickelt Lösungen für Mensch-Maschine Schnittstellen, welche standardisiert, kommerzialisiert, verfügbar und anwendbar für europäische KMUs sind, indem Probleme bei der Unterstüzung des Benutzers durch Selbstdiagnose und Selbstoptimierung angegangen werden.


Anstatt menschlichem Expertenwissen zur Formulierung von benötigtem Wissen werden Selbstdiagnose und Optimierung der Produktionsanlagen durch innovative, datenbasierte Verfahren der Informationstechnik, welche eine synchrone und integrierte Datenaufnahme aller Sensoren des Produktionssystems unterstützen, realisiert.
Durch Anwendung von Konzepten aus dem bereich "Big Data", werden die Daten gründlich analysiert um Modelle, die das Systemverhalten beschreiben, zu lernen. Dies erweitert die Möglichkeiten der manuellen Modellierung und ermöglicht es komplexe, große und verteilte Produktionsanlagen in Echtzeit zu analysieren und in einer virtuellen Fabrik zusammenzufassen.


IMPROVE wird durch Gelder aus dem Horizon 2020 Forschungs- und Innovationsprogramms der Europäischen Union unter Zuwendungsvertrag Nr. 678867 finanziert.


  • HOCHSCHULE OSTWESTFALEN-LIPPE (Koordinator)
  • TECHNISCHE UNIVERSITAET MUENCHEN
  • UNIVERSITA DEGLI STUDI DI MODENA E REGGIO EMILIA
  • MARMARA UNIVERSITY
  • FRAUNHOFER GESELLSCHAFT ZUR FORDERUNG DER ANGEWANDTEN FORSCHUNG EV
  • REIFENHAEUSER REICOFIL GMBH & CO. KG
  • BRÜCKNER MASCHINENBAU GMBH & CO.KG
  • ARCELIK A.S.
  • OCME SRL
  • TRANSITION TECHNOLOGIQUES SA
  • BERNECKER + RAINER INDUSTRIE-ELEKTRONIK GESELLSCHAFT MBH
  • XCELGO AS
  • EURICE EUROPEAN RESEARCH AND PROJECT OFFICE GMBH
Bild: Innovative Modeling Approaches for Production Systems to Raise Validatable Efficiency


Publikationen:

von Birgelen, Alexander; Niggemann, Oliver: Using Self-Organizing Maps to Learn Hybrid Timed Automata in Absence of Discrete Events. In: 22nd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA 2017) Sep 2017 (Details)

von Birgelen, Alexander; Buratti, Davide; Mager, Jens; Niggemann, Oliver: Self-Organizing Maps for Anomaly Localization and Predictive Maintenance in Cyber-Physical Production Systems. In: 51st CIRP Conference on Manufacturing Systems (CIRP CMS 2018) CIRP-CMS, May 2018 (Details)

Niggemann, Oliver; Schüller, Peter: IMPROVE - Innovative Modelling Approaches for Production Systems to Raise Validatable Efficiency. Springer Vieweg, Aug 2018 (Details)

von Birgelen, Alexander; Niggemann, Oliver: Enable learning of Hybrid Timed Automata in Absence of Discrete Events through Self-Organizing Maps. S.: 37-54, Springer Vieweg, Aug 2018 (Details)

von Birgelen, Alexander; Niggemann, Oliver: Anomaly Detection and Localization for Cyber-Physical Production Systems with Self-Organizing Maps. S.: 55-71, Springer Vieweg, Aug 2018 (Details)

Windmann, Stefan; Niggemann, Oliver: A Sampling-Based Method for Robust and Efficient Fault Detection in Industrial Automation Processes. Springer Vieweg, Aug 2018 (Details)

Fullen, Marta; Schüller, Peter; Niggemann, Oliver: Validation of similarity measures for industrial alarm flood analysis. Springer Vieweg, Aug 2018 (Details)

Wunderlich, Paul; Niggemann, Oliver: Concept for Alarm Flood Reduction with Bayesian Networks by Identifying the Root Cause. In: IMPROVE - Innovative Modelling Approaches for Production Systems to Raise Validatable Efficiency: Intelligent Methods for the Factory of the Future S.: 111-129, Springer Vieweg, Aug 2018 (Details)

Eiteneuer, Benedikt; Niggemann, Oliver: LSTM for model-based Anomaly Detection in Cyber-Physical Systems. In: Proceedings of the 29th International Workshop on Principles of Diagnosis Warsaw, Poland, Aug 2018 (Details)


gefördert durch: European UnionFörderkennzeichen: 678867
Förderlinie: H2020-FoF-08-2015
Ansprechpartner: M.Sc Alexander von Birgelen
Mitarbeiter: M.Sc Alexander von Birgelen , M.Sc. Benedikt Eiteneuer , B.Sc. Rudolf Schuster
Link: Projekthomepage