German National Library of Science and Technology
Repositorium für Naturwissenschaften und TechnikNot a member yet
29164 research outputs found
Sort by
Förderprojekt Shuttle2X - Schlussbericht
Get PDFIm Rahmen des Vorhabens Shuttle2X wurde eine skalierbare, hybride Systemarchitektur zur infrastrukturseitigen Hinderniserkennung für autonome Fahrzeuge entwickelt. Der Fokus lag auf der Implementierung ressourceneffizienter Edge-Inferenz-Modelle (MobileNetV2), die eine Echtzeit-Detektion ohne kostenintensive Hardware-Beschleuniger ermöglichen. Die Ergebnisse wurden erfolgreich an den Teststandorten Karlsruhe und Bad Wimpfen validiert. Durch die Überführung der Detektionsdaten in standardisierte Collective Perception Messages (CPM) wurde die Grundlage für eine kooperative Wahrnehmung zur Erhöhung der Verkehrssicherheit und zur Vermeidung von Gridlocks im urbanen Mischverkehr geschaffen.Development of a scalable hybrid system architecture (Edge/Cloud) for obstacle detection. Implementation of resource-efficient Edge inference using MobileNetV2 for real-time detection on low-power hardware. Validation at test sites in Karlsruhe and Bad Wimpfen, including V2X integration and Collective Perception Messages (CPM)
Kurzbericht/Schlussbericht - Verbund: 05P2021 (ErUM-FSP T08) - Aufbau von PANDA bei FAIR
Get PDFDie größte Unsicherheit bei der Methode für die Extraktion der Luminosität beim PANDA-Experiment ist die Ungenauigkeit, mit der der hadronische Anteil des differentiellen Wirkungsquerschnitts der elastische Antiproton-Proton-Streuung bei kleinen Impulsüberträgen bekannt ist. Die Parameter zur Beschreibung des hadronischen Anteils werden mit Hilfe des KOALA@HESR-Experimentes bestimmt. Zudem ist es essenziell, dass bei PANDA ein Online-Monitoring-System zur Verfügung steht, mit dessen Information die Luminosität während der Messzeit konstant gehalten werden kann. Beides lässt sich hervorragend mit dem KOALA@COSY (PANDA PHASE0 Experiment) entwickeln. Gleichzeitig kann man in Zukunft die Messungen von KOALA@COSY mit denen von KOALA@HESR vergleichen und Unterschiede zwischen der elastischen Proton-Proton-Streuung und Antiproton-Proton-Streuung messen
Schlussbericht zu Nr. 3.2
Get PDFDer vorliegende Schlussbericht beschreibt die Aktivitäten und Ergebnisse des Teilvorhabens „Autonome Fehlerdetektion und -behebung (FDIR) im AIT-Prozess“ des DLR-Projektes „ACOR – AI-enabled Cyber-Physical In-Orbit Self-Recovering Factory“. Das Vorhaben wurde vom Zentrum für Telematik e.V. (ZfT) im Verbund mit der Technischen Universität München (TUM) und der Technischen Universität Darmstadt (TUDa) durchgeführt. Die Koordination und Projektleitung wurden von der Technischen Universität München übernommen. In den Vorgängerprojekten zu ACOR – „SpaceFactory4.0“ und „AI-In-Orbit-Factory“ – wurde eine robotische Assembly, Integration and Testing (AIT) Plattform entwickelt, die den automatisierten Zusammenbau modularer Kleinstsatelliten mit einem kraftsensitiven Leichtbauroboter in einer prospektiven In-Orbit Fabrik ermöglichen sollte. Ziel des Gesamtvorhabens ACOR war nun die Ergänzung dieser AIT Plattform mit automatisierten Recovery-Methoden, um diese autonome Produktion noch robuster und zuverlässiger zu machen. Mittels Methoden der Künstlichen Intelligenz (KI) zur Fehlererkennung und -behebung (Fault Detection, Identification and Recovery, FDIR) sollten Fehler sowohl auf Komponenten- als auch auf Prozessebene automatisch erkannt und korrigiert werden. Fokus des Teilvorhabens des ZfT lag dabei speziell auf der Erweiterung der robotischen adaptiven AIT-Bauprozesse um FDIR-Verfahren, bspw. zur automatischen Detektion von fehlerhaften Satellitenkomponenten vor dem Einbau, zur Steigerung von Zuverlässigkeit und Robustheit der Montageprozesse auch bei Toleranzen und Unsicherheiten, sowie zur Vermeidung von Beschädigungen von Komponenten während der Handhabung. Darüber hinaus sollte die robotische Plattform auch in die Lage versetzt werden, erkannte Fehler unmittelbar im laufenden Prozess automatisiert zu beheben.
Datei-Upload durch TI
Schlussbericht
Get PDFAktuelle und qualitativ hochwertige Produktdaten sind eine Voraussetzung für eine effiziente Ausführung der Geschäftsprozesse in Einzelhandelsunternehmen. Hierfür verantwortlich ist das Stammdatenmanagement der Unternehmen. Das Stammdatenmanagement steht dabei vor dem Problem, dass die Geschwindigkeit, das Volumen und die Heterogenität, in der die Daten anfallen, erheblich zugenommen haben und die Weiterentwicklung der Geschäftsmodelle in Richtung Omni-Channel-Retailing mit einer steigenden Komplexität in der Datenverarbeitung verbunden ist. Darüber hinaus gibt es zunehmend regulatorische Vorgaben, die sich insbesondere auf die Produktdatenpflege in Handelsunternehmen auswirken. Folglich wurden in den letzten Jahren KI-basierte Ansätze erforscht, um die Produktdatenpflege zu automatisieren bzw. zumindest zu unterstützen. Bei maschinellen Lernverfahren stellen oftmals fehlende Trainingsdaten und die fehlende Erklärbarkeit der Ergebnisse Probleme dar, die ihre Einführung erschweren. In verschiedenen Forschungsarbeiten wurde jedoch dargelegt, dass hybride KI-Systeme, die regelbasierte Verfahren und maschinelle Lernverfahren kombinieren, einen Ansatz darstellen, um diese Probleme zu beheben. Insbesondere der Einsatz von Wissensgraphen, in denen domänenspezifisches Fachwissen verwaltet wird, ist hierbei ein vielversprechender Ansatz, um maschinelle Lernverfahren zu ergänzen und die Leistung von KI-Systemen zu steigern.
In diesem Forschungsvorhaben sollte hierfür eine Plattform mit integriertem Wissensgraph über Produkte erforscht werden, die die Umsetzung von hybriden KI-basierten Verfahren unter Berücksichtigung der speziellen Anforderungen des Stammdatenmanagements in Einzelhandelsunternehmen unterstützt und automatisch getroffene Entscheidungen erklärbar macht. Hierzu wurden im Forschungsprojekt Produktgraphen betrachtet. Ein Produktgraph ist eine spezialisierte Form eines Wissensgraphen, der die Beziehungen und Attribute von Produkten in einem Unternehmen oder einer Branche strukturiert darstellt. Neben einer Verbesserung der Erklärbarkeit der von KI-basierten Verfahren gelieferten Ergebnisse, kann das in Produktgraphen
vorhandene Faktenwissen auch helfen, effektive Datenmengen für das Training von maschinellen Lernverfahren zu erstellen
Abschlussbericht zu dem Verbundvorhaben im Rahmen der Ausschreibung "Anonymisierung für eine sichere Datennutzung"
Get PDFAbschlussbericht
No full textDie Aufgabenstellungen des Teilprojekts G „Entwicklung von Entscheidungsunterstützungssystemen (EUS) und ökonomische Bewertung“ umfasste einerseits die Auswertung der parallelen Datenströme von Sensoren auf den mobilen Plattformen „RapidMapper“ und „RapidProfiler“. Ziel war es, repräsentative ortsspezifische Bewertungen der Bodeneigenschaften vorzunehmen sowie Bewirtschaftungsmaßnahmen abzuleiten. Andererseits sollte die ökonomische Vorzüglichkeit des Einsatzes der Plattformen und die Akzeptanz der Technologie bei praktizierenden Landwirten und Dienstleistern untersucht und evaluiert werden. Nach zwei erfolgreichen Förderperioden stand im vorliegenden Berichtszeitraum daher im Vordergrund, das Entscheidungsunterstützungssystem (EUS) hinsichtlich Stabilität, Benutzerfreundlichkeit und Praxistauglichkeit zu optimieren. Aus sozioökonomischer Hinsicht bestand die Aufgabe darin, die in den Förderphasen 1 und 2 nachgewiesene Vorteilhaftigkeit kontinuierlich an neue witterungsbedingte Verhältnisse, an durch weltpolitisch beeinflusst hohe Preise für Betriebsmittel sowie an veränderte Sorten der Feldfrüchte
und Fruchtfolgen anzupassen und deren Gültigkeit damit unter Beweis zu stellen. Ein weiterer ökonomischer Schwerpunkt bestand darin, diese betriebswirtschaftlichen Ergebnisse auf größere Flächen und Regionen zu extrapolieren.
Der Sachstand zu Beginn des Projekts war, dass die Grundbodenuntersuchungen (GBU) gesetzlich vorgeschrieben sind und mittels Bodenproben im 1 bis 5 Hektarraster, je nach Schlaggrößen, und anschließender nasschemischer Analyse durchgeführt werden. Das Grundanliegen von I4S bestand und besteht darin, mithilfe von Multisensorplattformen in Verbindung mit KI-basierten Schätzmodellen die verschiedenen Bodenverhältnisse in höherer räumlicher Auflösung als bei der klassischen GBU und mit vergleichbarer oder besserer Genauigkeit die Gehalte ausgewählter Nährstoffe im Boden zu bestimmen. In den beiden ersten Förderphasen wurden hierfür mithilfe zahlreicher, teilweise noch nicht auf der Plattform verbauter Sensorik in eigenen Feldkampagnen umfangreiche Sensordaten erhoben und aufbereitet. Mit diesen Datensätzen wurden mittels unterschiedlicher Machine Learning Methoden verschiedene Schätzmodelle trainiert. Am Ende der zweiten Förderphase war ein EUS realisiert, dessen Bedienung und Anwendung allerdings eher technikaffinen Spezialistinnen und Spezialisten vorbehalten war. Neben den eigenen Arbeiten an Sensorik und Modellierung wurde das wissenschaftliche Umfeld mit ähnlichen Ansätzen und Produkten analysiert. Die sozioökonomischen Analysen auf betriebswirtschaftlicher Ebene konzentrierten sich auf das Einsparpotenzial von Dünger und die Steigerung von Erträgen infolge der verbesserten Datenbasis durch die höhere räumliche Auflösung und präzisere Bestimmung der Nährstoffgehalte. Diese positiven Ergebnisse galt es zu verallgemeinern, um daraus makroökonomische Aussagen zu erarbeiten. Darüber hinaus galt es, positive Auswirkungen, beispielsweise verringerte Nährstoffeinträge in Böden durch Stickstoff oder in Oberflächengewässern durch Phosphate, unter gesellschaftlichen und makroökonomischen Gesichtspunkten einzuschätzen
Schlussbericht zum Förderprojekt im BMBF Rahmenprogramm "Vom Material zur Innovation" und im BMBF-Dachkonzept Batterieforschung
Get PDFDa Festkörperbatterien eine Schlüsseltechnologie für die Energiespeicherung werden, ist die Entwicklung geeigneter Elektrodenmaterialien entscheidend für ihre Industrialisierung. Das Projekt SilKompAs lieferte wertvolle Erkenntnisse zu Silizium-Kohlenstoff-Verbundanoden und unterstützt deren mittel- bis langfristige Kommerzialisierung. Durch Materialoptimierung und elektrochemische Tests wurde die Machbarkeit von Si-basierten Anoden in Festkörpersystemen nachgewiesen. Untersucht wurden zwei Anodentypen: Si mit dampfgezüchteten Kohlenstoffnanofasern und Si mit Graphit. Die Si/Graphit-Verbundstoffe zeigten bessere Zyklusstabilität und wurden weiterverfolgt. Ein Siliziumanteil von etwa 10 % bot den besten Kompromiss zwischen Kapazität und mechanischer Belastung. Die optimierte Si/Graphit-Anode wurde mit einer nickelreichen Schichtoxidkathode kombiniert, um Vollzellen herzustellen. Durch Anpassung des negativen-zu-positiven (N/P) Kapazitätsverhältnisses verbesserten sich Anfangskapazität und Zyklusstabilität. Die Zellen zeigten gute Leistungsfähigkeit, waren jedoch druckempfindlich, was weitere mechanische Optimierungen erforderlich macht.
Wichtige Erkenntnisse betreffen den Einfluss partieller elektronischer und ionischer Leitfähigkeiten, der Tortuosität und des druckabhängigen Verhaltens auf die Gesamtleistung. Diese Ergebnisse verbessern das Verständnis, wie Anodenzusammensetzung und -verarbeitung das elektrochemische und chemomechanische Verhalten beeinflussen. Die entwickelten Materialien und Prozesse sind mit skalierbaren, industriellen Fertigungsmethoden kompatibel. Trotz niedrigerer Energiedichte als bei Lithium-Ionen-Batterien überzeugen die Festkörperzellen durch Sicherheit, thermische Stabilität und mechanische Robustheit, was sie für stationäre Speicher und sicherheitskritische Anwendungen attraktiv macht. SilKompAs stärkt so Deutschlands Position in der Batterieinnovation und schafft eine solide Basis für die Weiterentwicklung von Festkörperbatterien mit Silizium-Kohlenstoff-Anoden