Forschung

Predictive Maintenance

Das Forschungsvorhaben „Predictive Maintenance“ aus der Fakultät Elektrotechnik und Informationstechnik wird in der Förderlinie „Transfer“ der Carl-Zeiss-Stiftung mit einer Summe von 750.000 Euro gefördert. Projektstart ist der 1. Januar 2019, die Förderdauer beträgt drei Jahre.

Bei dem Forschungsprojekt unter der Leitung von Prof. Dr. Matthias Haun, Professor für Kognitive Kybernetik und Philosophie der Kognitionswissenschaften, steht die Entwicklung einer Industrie 4.0-tauglichen Technologie zur funktionellen und prozessualen Ausgestaltung prädiktiver und intelligenter Instandhaltungslösungen im Zentrum.

„Die digitalisierte Industrie braucht lernende und anpassungsfähige Technologien, um intelligente Lösungen entwickeln zu können, die sich auch in bestehende und damit historisch gewachsene Unternehmenslandschaften integrieren lassen. Im Rahmen des Forschungsprojekts entwickeln wir Lösungen für vorausschauende und antizipierende Interventionssysteme im Produktionsprozess“, erklärt Projektleiter Haun. Darüber hinaus wolle man eine geeignete Methodik entwickeln, die gerade mittelständische Unternehmen dabei unterstützt, den Einsatz solcher prädiktiven Lösungen zu planen, einzuführen und weiterzuentwickeln. Projektbegleitend wird an der Hochschule Offenburg ein „Institut zur digitalen Transformation“ aufgebaut. „Um die notwendige Praxisnähe zu sichern, konnten wir zwei Unternehmen aus der Ortenau als Entwicklungspartner gewinnen. Dadurch ist eine hohe Praxisnähe und Realisierungskompetenz gesichert“, so Haun.

„Durch die erfolgreiche Einwerbung der Förderung kann die Hochschule Offenburg ihre Brückenfunktion zwischen Forschung und konkreter Anwendung in der Wirtschaft weiter ausbauen“, zeigt sich Hochschulrektor Prof. Dr.-Ing. Winfried Lieber zufrieden: „Dadurch gelingt es uns künftig noch besser, maßgeschneiderte Lösungen für die konkreten Herausforderungen der Industrie zu entwickeln. Mein herzlicher Dank gilt auch den beiden Unternehmen aus der Region, die uns bei der Antragstellung unterstützt haben.“

Die Carl-Zeiss-Stiftung verfolgt mit ihrer aktuellen Fördertätigkeit das erklärte Ziel, Digitalisierung in Grundlagen und Anwendung zu erforschen. Neben der Hochschule Offenburg erhalten bundesweit sechs weitere Hochschulen Fördermittel in Höhe von je 750000 Euro aus der Förderlinie Transfer. Mit der Förderlinie Transfer will die Carl-Zeiss-Stiftung die Anwendung der Wissenschaft in konkreten Projekten fördern

In dem von der Carl-Zeiss-Stiftung geförderten Offenburger Projekt gehe es auch um den „nachhaltigen Kompetenz- und Technologietransfer in Richtung Unternehmen und Gesellschaft“, formuliert es Professor Haun: „Die intelligenten Lösungen, die wir entwickeln, sollen in bestehende Unternehmenslandschaften minimal-invasiv integriert werden können. Sie zeichnen sich dadurch aus, dass sie durch den Einsatz von Techniken der Künstlichen Intelligenz während ihres Betriebes stetig dazu lernen und durch die Verwendung moderner Softwarearchitekturen mit den dynamischen Anforderungen der Unternehmen mitwachsen können.“ Der Technologietransfer beziehe sich ausdrücklich auch auf das sich noch im Entstehen befindende neue Berufsbild des Instandhalters in Zeiten der Digitalisierung.

Ansprechpartner: Prof. Dr. Stephan Trahasch

Curriculum SAP BW on HANA

Die Vermittlung von analytischen Kompetenzen im Bereich Business Intelligence (BI) und Data Warehousing wird für Studierende immer wichtiger. Neue technologische Entwicklungen im Bereich In-Memory Data Management und Big Data ändern nicht nur die analytische Referenzarchitektur, sondern erfordern auch eine grundlegende Überarbeitung von Lehrinhalten. In diesem Projekt wird ein integrierter Ansatz auf der Basis von durchgängigen Fallbeispielen umgesetzt, der klassische BI Inhalte auf In-Memory Technologien adaptiert und um neue Themen wie Big Data ergänzt. Als Plattform wird dabei das Release 7.5 von SAP BW on HANA der SAP SE verwendet. Studierende implementieren dabei im Rahmen von integrierten Fallstudien ein komplettes End-to-End-Szenario aus dem Vertriebsreporting selbst am System. 

Das Projekt wird in Kooperation mit der Hochschule Ludwigshafen und der Universität Magdeburg durchgeführt.

Ansprechpartner: Prof. Dr. Tobias Hagen

Audi Autonomous Driving Cup

Bereits zweimal hat unser Team der Hochschule Offenburg am Audi Autonomous Driving Cup teilgenommen. In diesem von Audi ausgetragenen Wettbewerb erstellen die Teams Sortware, die es Auto-Modellen im Maßstab 1:8 ermöglicht, autonom zu fahren. Dabei müssen Straßen, Kreuzungen, Verkehrszeichen und Hindernisse erkannt und entsprechend auf sie reagiert werden. Gefahren wird sowohl im Stadtverkehr inklusive aller Vorfahrtsregeln und Ein- und Ausparken als auch auf der Landstraße.

Ansprechpartner: Prof. Dr. Klaus Dorer

RoboCup

Bereits seit 2009 nimmt unser Team magmaOffenburg der Hochschule Offenburg an der RoboCup Weltmeisterschaft fußballspielender Roboter teil. In der 3D Simulationsliga, in der simulierte Nao Roboter spielen, erreichte das Team 2014 z.B. einen hervorragenden 3. Platz. Die 3D Simulationsliga eignet sich besonders gut, maschinelles Lernen einzusetzen. So wurden insbesondere das Laufen der Roboter, als auch das Kicken maschinell erlernt und verbessert.

Seit 2014 beteiligen wir uns außerdem an der Programmierung des humanoiden Roboters Sweaty der Hochschule Offenburg. Dieser 1,60m große, an der Hochschule selbst gebaute Roboter wurde bei der RoboCup WM 2016 in Leipzig Vizeweltmeister in der Liga der großen humanoiden Roboter.

Projektseiten: magmaOffenburg,Sweaty

Abgeschlossene Projekte

KMU-innovativ Verbundprojekt: Production Intelligence - Datengetriebene Echtzeitanalyse und Optimierung komplexer automatisierter Produktionsprozesse sowie Prognose kritischer Werkzeugtoleranzen

In produzierenden Unternehmen fällt aus Produktions-, Mess- und Steueranlagen, aus der Qualitätssicherung, aber auch aus Wareneingang oder Kundenreklamationen eine schnell wachsende Menge von Daten an. Diese Massendaten werden in der Regel auch in kleinen und mittleren Unternehmen (KMU) gesammelt bzw. archiviert und bilden einen wichtigen Rohstoff, aus dem Informationen extrahiert, Einsparpotenziale realisiert und Wettbewerbs-vorteile erzielt werden können. Das Ziel des Projektes ist die Entwicklung einer Soft- und Hardware-Architektur, die sensorisch im Produktions- und Qualitätsprozess erfassten bzw. von Lieferanten und Endkunden zur Verfügung gestellten, oft unterschiedlich strukturierten sowie häufig fehler- und lückenhaften Daten erfasst und in Echtzeit automatisch und zum Teil explorativ in Bezug auf Produktfehler analysiert.

Ansprechpartner: Prof. Dr. Tobias Lauer, Prof. Dr. Stephan Trahasch

Analyse von Kassenbondaten

Durch die zunehmende Digitalisierung in Marktverwaltung und in moderner Kundeninteraktion wächst die Menge an zu verarbeitenden Daten im Einzelhandel stetig. Man wagt sich mit elektronischen Regaletiketten in das Gebiet des IoT, schneidet individuelle Rabatte auf einzelne Kunden zu und verlagert das klassische Einkaufserlebnis über digitale Lieferdienste ins World Wide Web. Neue Werkzeuge und Datenverarbeitungsmethoden, die in und um das Hadoop-Ökosystem entstehen und weiterentwickelt werden, bieten einen hervorragenden Hebel, um den Mehrwert der dabei anfallenden großen Datenmengen leichter zu erkennen und zugänglich zu machen.

Für ein Unternehmen werden unter Verwendung aktueller Analysetechnologie Apache Spark und Hadoop Assoziationsanalysen für Kassenbondaten erstellt.

ZIM-Projekt: Big Data Verarbeitung mit Grafikkarten

Um zu­künf­tig noch leis­tungs­fä­hi­ge­re Sys­te­me zur Ana­ly­se und Pla­nung mit gro­ßen Da­ten­men­gen am Markt an­bie­ten zu kön­nen, wird in die­sem Pro­jekt erst­mals ein Soft­ware­sys­tem mit einer ver­teil­ten In-Me­mo­ry-Ar­chi­tek­tur ent­wi­ckelt. Ziel die­ser Ent­wick­lung ist es, die Re­chen­leis­tung eines Ana­ly­se- und Pla­nungs-Ser­ver­sys­tems auf meh­re­re phy­si­ka­lisch ge­trenn­te Hard­ware­sys­te­me mit Gra­fik­kar­ten-Be­schleu­ni­gung zu ver­tei­len.

Ansprechpartner: Prof. Dr. Tobias Hagen, Prof. Dr. Tobias Lauer, Prof. Dr. Stephan Trahasch