Projekte

Provenance Analytics :
Technologien zur Interpretation von Herkunft, Ursache und Quellen in komplexen, datengetriebenen und vernetzten Anwendungen

Projektlaufzeit: 1.10.2016 bis 30.9.2019 (Laufend)
Forschungsbereich: Industrielle Kommunikation : Artificial Intelligence in Automation
Projektleiter: Prof. Dr. rer. nat. Oliver Niggemann


  

Technologien zur Interpretation von Herkunft, Ursache und Quellen in komplexen, datengetriebenen und vernetzten Anwendungen

Motivation


Datenanalysetechniken im Zeitalter von Big Data werden immer komplexer und kombinieren eine Vielzahl intelligenter Technologien. Obwohl die Erfolge der Analysen beeindruckend sind, ist seitens der Nutzer viel Vertrauen in die Ergebnisse notwendig, da diese im Allgemeinen nicht  sind. Provenance ist eine zentrale Maßnahme zur Vertrauensbildung für digitale Informationen in dem die Ergebnisse für den Nutzer  nachvollziehbar dargestellt und begründet werden.


Herausforderungen


Es existieren Systeme und Frameworks sowie erste Vorschläge für Standards zur Modellierung, Repräsentation und Erzeugung von Provenance-Informationen. Jedoch sind diese sowohl aus Nutzer wie aus Entwicklersicht oft nicht praktikabel und umfassend, so dass weitere Entwicklungsarbeit in Richtung einer „einklagbar Provenance“ nötig ist. Da die konkreten Provenance-Technologien domänenspezifisch sind, werden in dem Projekt Anwendungen abgedeckt, in denen bisher nur wenige oder gar keine Aspekte der Provenance betrachtet wurden. Insbesondere sind die Provenance-Technologie für:

  • Datenanalyse im Industrie 4.0 Umfeld mit Fokus auf  Diagnoseanwendungen,
  • 3D-Digitalisierung im Bereich Denkmalpflege und Archäologie,
  • Nachrichtenflussanalyse, Reuse-Detektion und Forensik sowie
  • Social Semantic Web der Dinge mit Fokus auf der Erkundung von Zusammenhängen

Partner:

Bauhaus-Universität Weimar,

Universität Passau,

ArcTron 3D Vermessungstechnik & Softwareentwicklungs GmbH

Bild: Technologien zur Interpretation von Herkunft, Ursache und Quellen in komplexen, datengetriebenen und vernetzten AnwendungenBild: Technologien zur Interpretation von Herkunft, Ursache und Quellen in komplexen, datengetriebenen und vernetzten AnwendungenBild: Technologien zur Interpretation von Herkunft, Ursache und Quellen in komplexen, datengetriebenen und vernetzten AnwendungenBild: Technologien zur Interpretation von Herkunft, Ursache und Quellen in komplexen, datengetriebenen und vernetzten Anwendungen


Publikationen:

Bunte, Andreas; Li, Peng; Niggemann, Oliver: Mapping Data Sets to Concepts Using Machine Learning and a Knowledge Based Approach. In: International Conference on Agents and Artificial Intelligence (ICAART) SCITEPRESS, Madeira, Portugal, Jan 2018 (Details)

Chen, Baotong; Wan, Jiafu; Shu, Lei; Li, Peng; Mukherjee, Mithun; Yin, Boxing: Smart Factory of Industry 4.0: Key Technologies, Application Case, and Challenges. In: IEEE Access Mar 2018 (Details)

Li, Peng; Niggemann, Oliver: A Data Provenance based Architecture to Enhance the Reliability of Data Analysis for Industry 4.0. In: 23th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA) Sep 2018 (Details)

Li, Peng; Niggemann, Oliver; Hammer, Barbara: A Geometric Approach to Clustering Based Anomaly Detection for Industrial Applications. In: 44th Annual Conference of the IEEE Industrial Electronics Society (IECON) Oct 2018 (Details)

Li, Peng; Niggemann, Oliver; Hammer, Barbara: On the Identification of Decision Boundaries for Anomaly Detection in CPPS. In: 20th IEEE International Conference on Industrial Technology (ICIT 2019) Melbourne, Australia, Feb 2019 (Details)


gefördert durch: BMBFFörderkennzeichen: 03PSIPT5B
Ansprechpartner: Dipl.-Ing. Peng Li
Mitarbeiter: Dipl.-Ing. Peng Li