Category Archives: Big Data

Forschungsprojekt “KOARCH – Kognitive Architektur für Cyber-physische Produktionssysteme und Industrie 4.0” startet 2018 @TH_Koeln

Das gemeinsam von der Hochschule Ostwestfalen-Lippe und der TH Köln beantragte Forschungsprojekt “KOARCH – Kognitive Architektur für Cyber-physische Produktionssysteme und Industrie 4.0” startet 2018.
In den letzten Jahren wurden im SPOTSeven Lab zwölf Forschungsprojekte bewilligt. Die Antragstellung war in unterschiedlichen Förderlinien erfolgreich (BMBF, EU Horizon 2020, BMWi, MIWF). Aktuell werden von Prof. Bartz-Beielstein und seinen Mitarbeiterinnen und Mitarbeiten sechs Forschungsprojekte bearbeitet. Weitere Informationen sind unter http://www.spotseven.de/projects/ zu finden.

Lfd. NummerProjektVerantwortliche Mitarbeiter/innenFördervolumen (gesamt)Laufzeit
12KOARCHAndreas Fischbachca. € 1.500.0002018-2021
11UTOPIAELorenzo Gentile, Dani Irawan€ 3.876.854,002017-2021
10OWOSFrederik Rehbach€ 323.576,802017-2020
9SynergyBeate Breiderhoff€ 1.016.890,002016-2019
8IMProvTSteffen Moritz€ 590.445,00 2015-2018
7ISAFANChristian Jung, Sebastian Krey€ 238.890,002014-2017

@TH_Koeln: Viel Potenzial für die Praxis. #OpenWater #OpenSource #OWOS #openscience

IHK plus, das “Das Online-Magazin der Industrie- und Handelskammer zu Köln”
berichtet in der Ausgabe 10.2017 über Kooperationen von Wissenschaft und Praxis in der Region Köln. Unter der Überschrift “Viel Potenzial für die Praxis” schreibt Werner Grosch:

“Wissenschaft und Wirtschaft – in kaum einer Region sind sie so eng verflochten wie in Köln und Umgebung. Die Bedeutung der Hochschullandschaft für die Unternehmen ist enorm, und die Zahl der Kooperationen nimmt immer weiter zu, ob in Forschung, Entwicklung oder Lehre. Das zeigen auch eindrucksvolle Beispiele aus der Praxis.”

In diesem Zusammenhang wird das von Professor Dr. Thomas Bartz-Beielstein geleitete Projekt OWOS (Open Water – Open Science) dargestellt: “Noch viel weiter gefasst ist der Transferbegriff im neuen Projekt von Prof. Thomas Bartz-Beielstein, dessen Forschungsgruppe „SpotSeven“ schon seit Jahren mathematische Modelle für die Optimierung von Industrieprozessen entwickelt. Jetzt hat sich der Dozent für angewandte Mathematik am Campus Gummersbach der TH Köln das Thema Wasserversorgung vorgenommen. Im Projekt „OWOS“ sollen neuartige Anwendungen zur Überwachung, Analyse und Optimierung von Trinkwassernetzen entwickelt werden.” Der vollständige Artikel ist hier zu finden.

Trinkwasser-Sicherheit mit Predictive Analytics und Oracle


Verunreinigungen im Wassernetz können weite Teile der Bevölkerung unmittelbar gefährden. Gefahrenpotenziale bestehen dabei nicht nur durch mögliche kriminelle Handlungen und terroristische Anschläge. Auch Betriebsstörungen, Systemfehler und Naturkatastrophen können zu Verunreinigungen führen.
Zu dieser Thematik wurde in der Reihe “CIplus” das folgende Dokument auf dem OPUS4-Dokumentenserver der TH-Köln freigegeben:
https://cos.bibl.th-koeln.de/frontdoor/index/index/docId/486
Autor(en):
Moritz, Steffen
Bartz-Beielstein, Thomas
Strohschein, Jan
Seger, Ralf
Gross, Dimitri
Titel: Trinkwasser-Sicherheit mit Predictive Analytics und Oracle

Maschinelles Lernen optimiert @TH_Koeln

v.l. Prof. Dr. Michael Bongards, Prof. Dr. Rainer Scheuring, Prof. Dr. Thomas Bartz-Beielstein, Jesiele N. de Lima (Eaton), Alexis Marino Sarda Espinosa, Andreas von der Beeck, Georg Reidt (Eaton), Prof. Dr. Christian Averkamp, Pia Müller (Eaton) ​(Bild: Manfred Stern / TH Köln)

Mit dem „Eaton-Award“, einem Förderpreis mit der Gesamtsumme von 3000 Euro, zeichnet der internationale Elektronik-Konzern Eaton jedes Jahr Bestleistungen der Studiengänge Elektronik und Automatisierungstechnik am Cam­pus Gummersbach der TH Köln aus.
Der zweite Preis mit 1.000 Euro Preisgeld ging in diesem Jahr an einen Mexikaner. Alexis Marino Sarda Espinosa schrieb seine Masterarbeit im englischsprachigen Studiengang “Automation & IT” mit dem Titel „A Machine Learning Approach for the Knowledge Extraction and Exploitation of Fleet Data“. Die Arbeit entstand für den internationalen Konzern ABB AG und wurde gleichermaßen vom Betreuer aus der Industrie, Dr. Subanatarajan Subbiah, und von Prof. Dr. Thomas Bartz-Beielstein vom Campus Gummersbach als “ausgezeichnet” beurteilt. In der Arbeit werden Verfahren des maschinellen Lernens analysiert und für den industriellen Einsatz angepasst. Continue reading

New Article: Conditional Inference Trees for the Knowledge Extraction from Motor Health Condition Data #ComputationalIntelligence #MachineLearning

The article “Conditional Inference Trees for the Knowledge Extraction from Motor Health Condition Data” (Alexis Sardá-Espinosaa, Subanatarajan Subbiah, Thomas Bartz-Beielstein), which will be published in the journal “Engineering Applications of Artificial Intelligence“, can be freely downloaded until May 20, 2017 from
https://authors.elsevier.com/a/1Uojb3OWJ8l3Gq
Anyone who clicks on the link until May 20, 2017, will be taken to the final version of your article on ScienceDirect for free. No sign up or registration is needed – just click and read!

Abstract: Computational tools for the analysis of data gathered by monitoring systems are necessary because the amount of data steadily increases. Machine learning algorithms can be used in both regression and classification problems, providing useful insights while avoiding the bias and proneness to errors of humans. In this paper, a specific kind of decision tree algorithm, called conditional inference tree, is used to extract relevant knowledge from data that pertains to electrical motors. The model is chosen due to its flexibility, strong statistical foundation, as well as great capabilities to generalize and cope with problems in the data. The obtained knowledge is organized in a structured way and then analyzed in the context of health condition monitoring. The final results illustrate how the approach can be used to gain insight into the system and present the results in an understandable, user-friendly manner.

Keywords: Decision tree; Conditional inference tree; Health condition monitoring; Machine learning; Knowledge extraction

Authors: Alexis Sardá-Espinosa (ABB AG German Research Center, Technische Hochschule Köln),  Subanatarajan Subbiah (ABB AG German Research Center), Thomas Bartz-Beielstein (Technische Hochschule Köln)

Here is the DOI: 10.1016/j.engappai.2017.03.008

 

 

Empfehlenswert: @mluebbecke “Digitalisierung und Vernetzung allein erzeugen noch keine Intelligenz” #Industrie40 #IoT #Mathematik #Digitalisierung

Taken from: https://mluebbecke.wordpress.com/2015/12/16/industrie-5-0/

@mluebbecke über . Hier nur zwei Highlights:

  1. “Bevor Sie “blind” Daten sammeln und “alles” vernetzen (oder vernetzbar machen), holen Sie sich Rat über die mathematischen Möglichkeiten, was mit welchen Daten erreichbar ist.”
  2. “Kaufen Sie keine Software, auf der nicht das Label “Mathematik inside” steht. Geben Sie sich nicht mit weniger als mathematischer Optimierung zufrieden. Ihre Mitbewerber werden es auch nicht tun.”

Den gesamten Beitrag finden Sie unter: https://mluebbecke.wordpress.com/2015/12/16/industrie-5-0/

TechCrunch: We need a new open source model for AI and ML #openscience

It is not enough for the pioneers of AI and ML to share their code. The industry and the world needs a new open source model where AI and ML trained engines themselves are open sourced along with the data, features and real world performance details…” Read more: https://techcrunch.com/2017/01/28/ais-open-source-model-is-closed-inadequate-and-outdated/