German National Library of Science and Technology
Repositorium für Naturwissenschaften und TechnikNot a member yet
29164 research outputs found
Sort by
RUBIN - E2MUT - Emissionsfreie Elektromobilität für maritime urbane Transport im Verbundprojekt: VP3: Elektroschiff; Teilprojekt "TP3.1: Entwicklung innovativer Leichtbau- und Fügetechnologien für Elektroschiffe" im Rahmen des Förderprogramms "RUBIN - Regionale unternehmerische Bündnisse für Innovation"
Full text linkIm Teilvorhaben TP3.1 im VP3 sollen innovative Leichtbau- und Fügetechnologien für Elektroschiffe entwickelt werden. Für das Fraunhofer IGP gliedern sich die Ziele in vier Kompetenzfelder (K) auf. Im K2 wird eine Methode zum hybriden Fügen von modularisierten Bauteilstrukturen für den emissionsfreien Schiffbau entwickelt. Ziel im K3 ist die Entwicklung prozess- und materialseitiger Grundlage zur Fertigung großer Leichtbau-Schiffsstrukturen mittels Prepregtechnologie sowie einer Technologie zur festigkeitsoptimierten Integration von Sensorik in CFK-Hydrofoils. Im K4 werden eine Methodik zur Gestaltung und strukturellen Auslegung brandgeschützter Schiffsstrukturen in Composite-Bauweise, strukturintegrierte Funktionsdetails zur Vorausrüstung und Montage schiffbaulicher Composite-Leichtbaustrukturen sowie eine Technologie zur Implementierung einer digitalen Fertigungsakte in der Composite-Prozesskette entwickelt. Die Ziele im K5 umfassen die Konzeptionierung eines digitalen Fertigungsablaufplans zum Fügen von hybridgefügten Bauteilstrukturen, die Entwicklung und Erprobung eines teilautomatisierten klebtechnischen Verfahrens zum Fügen von Gleichbauteilen in der maritimen Industrie sowie die Entwicklung eines numerischen Vorhersagemodells zur verzugsarmen Schweißfolgeplanung bei Laserhybrid-Schweißverfahren komplexer schiffbaulicher LeichtbauAluminiumstrukturen.
Datei-Upload durch TI
Final Report on DFG Project
Full text linkThe speech signal is a rich source of information that conveys not only linguistic but also extra/paralinguistic
information, such as the speaker’s identity, gender, emotional state, age. However, those
traits are hidden in complex, non-transparent variations of the speech signal. With recent progress
in speech synthesis and voice conversion caused by the advent of deep generative modeling, we
argued at the time of writing the proposal that synthesized speech can (again) become a valuable
tool for research in phonetics. The overarching goal of this project was thus to explore the potential
of deep generative modeling of individual dimensions of speech as a tool to support research in
phonetics.
While the initial choice to adopt an encoder-decoder architecture with the targeted manipulation
done in the latent embedding space turned out to be appropriate, progress in the field led to a
continuous adjustment of the work packages to the current state of the art. At first, the basic
architectural choice for voice conversion was the variational autoencoder (VAE). We extended
the factorized VAE, which we had developed at the time of writing the proposal [O1], to enable
adaptation of the speaking rate to that of the target speaker. This adaptation led to higher voice
similarity between a synthesized and target speaker [1]. However, more recent generative models
were reported to be superior. In a joint effort with the project TRR318 (project C06), we thus
developed a synthesis system based on normalizing flows, leading to higher quality speech samples.
[2], [3].
Disentangling sources of variation of the speech signal was considered an important task to be able
to generate speech signals with desired properties. While the disentanglement of high-level factors
of variation, i.e., content vs speaker induced variations [1], and even a separation of speaker from
environment or emotion related variations was possible [4], a more fine-grained disentanglement of
voice properties turned out to be infeasible [5].
Furthermore, the quality of the artificially produced speech samples needed to be adequately assessed.
To address this issue, we carried out user studies to determine the dimensions of perceived
quality and similarity of utterances produced by Text-to-Speech (TTS) and voice conversion (VC)
systems[1], [6], [7]. Furthermore, we developed an approach towards the prediction mean opinion
scores (MOSs) at a higher temporal resolution to pinpoint problematic areas within the signal. [8].
The main project results can be summarized as follows
• We developed a fully unsupervised any-to-any voice conversion system with the speaking
rate adapted to the target speaker’s rate. It clearly outperformed the then state-of-the-art
any-to-any VC system AutoVC [O2].
• We investigated the speaker embedding vector computed by a VAE w.r.t. disentanglement,
both supervised (using acoustic features as proxies for the true but unknown factors of variation),
and unsupervised (using information-theoretic measures). We found that disentanglement
could be improved by wisely choosing the parameters of a β-VAE and a Total Correlation
VAE (TCVAE).
• We distinguished new perceptual dimensions for modern state-of-the-art speech synthesis
models and investigated their correlation to acoustic parameters as well as the ability to elicit
them in the time domain.
• As a first step towards automatic subjective speech quality assessment with frame-level resolution
we developed a predictor to find segments of low speech quality.Das Sprachsignal ist eine reichhaltige Informationsquelle, die nicht nur sprachliche, sondern auch
außer- bzw. parasprachliche Informationen wie Identität, Geschlecht, emotionalen Zustand oder
Alter vermittelt. Diese Merkmale sind jedoch in komplexen, nicht transparenten Variationen des
Sprachsignals verborgen. Mit den jüngsten Fortschritten in der Sprachsyntheseforschung, insbeson-
dere durch das Aufkommen von tiefen generativen Modellen, haben wir zum Zeitpunkt der Erstel-
lung des Antrags argumentiert, dass synthetisierte Sprache (wieder) ein wertvolles Werkzeug für die
phonetische Forschung werden kann. Das übergreifende Ziel dieses Projekts war es, das Potenzial
der tiefen generativen Modellierung von einzelnen Dimensionen gesprochener Sprache als Werkzeug
zur Unterstützung der Phonetikforschung zu erkunden.
Während sich die anfängliche Entscheidung für eine Encoder-Decoder-Architektur mit der gezielten
Manipulation im latenten Raum als sinnvoll erwies, führte die Entwicklung in diesem Forschungsfeld
zu einer kontinuierlichen Anpassung der Projektarbeit an den aktuellen Forschungsstand.
Wir erweiterten den faktorisierten variational autoencoder (VAE), den wir zum Zeitpunkt
der Erstellung des Antrags [O1] entwickelt hatten, um die Möglichkeit der Anpassung der
Sprechgeschwindigkeit, was zu einer höheren Ähnlichkeit des modifizierten Sprachsignals zum Ziel-
sprecher führte [1]. Als es sich herausstellte, dass neuere generative Modelle eine bessere Qualität
erzielen können, entwickelten wir mit einem benachbarten Projekt (TRR318, Projekt C06) da-
her ein Sprachsynthesesystem, das auf Normalizing Flows basiert. Dieses System kann einzelne
Stimmqualitätsparameter bei hoher Qualität graduell verändern [2], [3].
Die Entflechtung von Variationsquellen im Sprachsignal ist ein Kernproblem für eine gezielte
Modifikation: Während die Entflechtung übergeordneter Variationsfaktoren, d.h. inhaltliche vs.
sprecherinduzierte Variationen [1], und sogar eine Trennung von sprecher- und umgebungs- bzw.
emotionsbedingten Variationen möglich war [4], erwies sich eine feinkörnigere Entflechtung von
Stimmeigenschaften aufgrund ihrer extrem verschränkten Repräsentation im “Speaker Embedding”
Vektor [5] als nicht durchführbar.
Weiterere Forschungen widmeten sich der Messung der Qualität von künstlich erzeugten Sprach-
proben, um ihre Nutzbarkeit für die Phonetikforschung erfassen zu können. Hierfür haben wir
Wahrnehmungsstudien durchgeführt, um die Dimensionen der wahrgenommenen Qualität und Ähn-
lichkeit von Äußerungen zu bestimmen, die von Sprachsynthese- und Sprachkonversionssystemen
produziert wurden. Außerdem haben wir einen Ansatz entwickelt mit dem Ziel, “Mean Opinion
Scores” (MOS) mit höherer zeitlicher Auflösung erzeugen zu können, um einzelne problematische
Bereiche innerhalb des Signals aufzeigen [8].
Die wichtigsten Projektergebnisse lassen sich wie folgt zusammenfassen
• Wir haben ein vollständig unüberwachtes Any-to-Any-Voice Conversion System entwickelt,
bei dem die Sprechgeschwindigkeit an die einer Zielstimme angepasst ist. Es übertraf deutlich
das damals aktuelle Any-to-Any-VC-System AutoVC [O2].
• Wir untersuchten den von einem VAE berechneten speaker embedding vector im Hinblick
auf die Entflechtung, sowohl überwacht als auch unüberwacht Wir fanden heraus, dass die
Entflechtung durch eine kluge Wahl der Parameter einer β-VAE und einer Total Correlation
VAE (TCVAE) verbessert werden kann.
• Wir haben neue Wahrnehmungsdimensionen für moderne Sprachsynthesemodelle unter-
schieden und ihre Korrelation mit akustischen Parametern sowie die Fähigkeit, diese im
Zeitbereich zu bestimmen, untersucht.
• Als einen ersten Schritt in Richtung einer automatischen Schätzung der Sprachqualität mit
Auflösung auf Frame-Ebene haben wir einen Prädiktor entwickelt, um Segmente mit niedriger
Sprachqualität im Sprachsignal zu finden
PhysioAI: Bewertung und Übersetzung multimodaler Messinstrumente physischer Aktivität mittels Künstlicher Intelligenz zur Behandlung von Arthrose - PhysioAI; Teilvorhaben: Universitätsklinikum Hamburg-Eppendorf
Full text linkSchlussbericht zum Vorhaben
Full text linkDas im Rahmen des „Hohenheimer Biogasforums 2025” durchgeführte Vorhaben zielte mit einer zweiteiligen wissenschaftlichen Veranstaltungsreihe darauf ab, die Weiterentwicklung der nachhaltigen Bioökonomie zu unterstützen und neue Chancen und Perspektiven für den Industriestandort Deutschland sowie für die Entwicklung ländlicher Räume zu eröffnen.
Einerseits wurde die Entwicklung einer innovativen, international wettbewerbsfähigen Bioenergie-Technologie unterstützt, andererseits die Entwicklung von Konzepten, die auf die Verbesserung der Nachhaltigkeit der Bioenergie ausgerichtet sind. Ein besonderer Schwerpunkt lag dabei neben dem Wissenstransfer auf dem gesellschaftlichen Dialog zur Transformation unserer Energiesysteme von fossiler zu
nachhaltiger, erneuerbarer Erzeugung
Abschlussbericht Verbundprojekt
Full text linkDas Projekt KISS hatte zum Ziel, die Resilienz der produzierenden Industrie – insbesondere im Bereich der additiven Fertigung – durch die Entwicklung einer KI-basierten, semantischen Vernetzungsplattform (SEMPER-KI) zu stärken. Durch die digitale Verbindung von Bedarfsermittlung, Angebot, Produktion, Qualitätsmanagement und Logistik sollten Unternehmen so-wie Akteure im medizinischen und sozialen Bereich befähigt werden, in Krisensituationen schneller und koordinierter zu handeln. Die neun Projektziele umfassten unter anderem die Entwicklung der SEMPER-KI-Plattform, eines KI-gestützten Assistenzsystems zur Bedarfserfassung, eines semantischen Meta-Modells in Form einer Ontologie bzw. eines Wissensgraphen sowie von KI-basierten Vernetzungs- und Dienstleistungskonzepten. Ergänzend wurden Logistik-, Qualitäts- und Reifegradmodelle integriert, um die Bildung und Bewertung neuer Wertschöpfungsnetzwerke zu unterstützen.
Das Vorhaben entstand vor dem Hintergrund der Corona-Pandemie, die erhebliche Defizite in industriellen und gesellschaftlichen Versorgungssystemen sichtbar gemacht hatte. Bestehen-de digitale Lösungen boten weder eine semantisch strukturierte Datenbasis noch KI-Mechanismen zur adaptiven Netzwerkbildung. KISS schloss diese Lücke durch die Entwicklung einer offenen Plattform, die Ontologien, KI-basierte Matching-Logiken und ein interaktives Assistenzsystem kombiniert. In den Arbeitspaketen wurden Prozesse analysiert (AP1), Konzepte und Ontologien entwickelt (AP2), die Plattform pilotiert (AP3), ihre Wirksamkeit evaluiert (AP4) und die Ergebnisse verbreitet (AP5). Damit legt das Projekt eine integrierte Grundlage für digital unterstützte, resiliente Wertschöpfungsnetzwerke der additiven Fertigung und angrenzender Branchen.The KISS project aimed to strengthen the resilience of the manufacturing industry—particularly in the field of additive manufacturing—by developing an AI-based semantic networking platform (SEMPER-KI). By digitally connecting demand analysis, supply, production, quality management, and logistics, the project sought to enable companies as well as actors in the medical and social sectors to act more quickly and in a more coordinated manner during crisis situations. The nine project objectives included, among others, the development of the SEMPER-KI platform, an AI-supported assistance system for demand capture, a semantic meta-model in the form of an ontology or knowledge graph, and AI-based concepts for networking and service provision. In addition, logistics, quality, and maturity assessment models were integrated to support the formation and evaluation of new value-creation networks.
The initiative emerged in response to the COVID-19 pandemic, which revealed significant shortcomings in industrial and societal supply systems. Existing digital solutions lacked both semantically structured data and AI mechanisms for adaptive network formation. KISS addressed this gap by developing an open platform that combines ontologies, AI-based matching logic, and an interactive assistance system. Within the work packages, processes were analyzed (WP1), concepts and ontologies were developed (WP2), the platform was piloted (WP3), its effectiveness was evaluated (WP4), and the results were disseminated (WP5). In doing so, the project established an integrated foundation for digitally supported, resilient value-creation networks in additive manufacturing and related industries
Abschlussbericht zum Teilvorhaben "Entwicklung des mikroarraybasierten Assays einschließlich der Mikrodispensier- und Auswertetechnologien" im Verbundprojekt "Entwicklung einer molekularen Mikroarrayplattform zur raschen Erkennung und Charakterisierung Vancomycin-resistenter Enterokokken zur Ausbruchsbekämpfung multiresistenter Keime"
Full text linkSchlussbericht
Full text linkDieser Bericht stellt die Ergebnisse des Forschungsprojekts "New Zealand-German Platform for Green Hydrogen Integration (HINT)" vor, das gemeinsam vom neuseeländischen Ministerium für Wirtschaft, Innovation und Beschäftigung (MBIE) und vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) in Deutschland, finanziert wurde. Das Team bestand aus der University of Canterbury, dem Deutschen Zentrums für Luft- und Raumfahrt (DLR) und der University of Auckland. Ziel des Projekts war die Untersuchung der System- und Sektorintegration von grünem Wasserstoff in die Energieversorgung Neuseelands und Deutschlands, und damit die Beantwortung von Fragen zu Wasserstoff als flexiblem und sauberem Energieträger der Zukunft. Im Fokus der Betrachtung lag die Nutzung von Wasserstoff in schwer zu de-fossilisierenden Sektoren wie Verkehr, industrielle Wärme sowie für die langfristige Energiespeicherung. In gemeinsamer Arbeit konnten neue Energiesystemmodelle erzeugt und zahlreiche wissenschaftliche Erkenntnisse veröffentlicht werden
Abschlussbericht (gemäß Nr. 3.1 BNBest-BMBF 98)
Full text linkZiel des Projektes ModElPro war, die suspensionsbasierte Elektrodenproduktion für Lithium-Ionen--Batterien im Pilotmaßstab in der Battery LabFactory Braunschweig (BLB) zu modernisieren und in Richtung einer effizienten Kreislaufproduktion zu erweitern.
Mit der anlagentechnischen Modernisierung und Aufrüstung sollten insbesondere die zahlreichen in der BLB durchgeführten Projekte aus den Kompetenzclustern ProZell sowie InZePro hinsichtlich ihrer Ausrichtung und Ausstattung gestärkt werden. Zudem sollten auch die Kompetenzcluster GreenBatt, BattNutzung und AQuA sowie vom BMFTR (ehem. BMBF) geförderte Verbundprojekte von den Investitionen profitieren. Mit Erreichung der Ziele wurde die Forschung an der BLB in Bezug auf Kapazität und Flexibilität weiter gestärkt und die weltweit führende Rolle in der verfahrenstechnischen Batterieforschung gefestigt. Dies ermöglicht zudem, eine ausreichende Anzahl an Zellen zur qualifizierten Untersuchung einer zirkulären Zellproduktion herzustellen und den Materialkreislauf auf Pilotebene durchgehend untersuchen zu können
Sachbericht zum Verwendungsnachweis
Full text linkDas Forschungsprojekt „IT-Security beim Einsatz von 5G im Ökosystem Produktion (5GProSec)“ untersuchte die IT-Sicherheit und Resilienz von 5G-Campusnetzen in industriellen Produktionsumgebungen mit besonderem Fokus auf den Faktor Mensch. Ziel war es, sicherheitsrelevante technische und nicht-technische Einflussfaktoren beim Einsatz von 5G in der Produktion zu analysieren und bestehende Hemmnisse für die Nutzung dieser Technologie besser zu verstehen.
Im Projektverlauf wurden praxisnahe Demonstratoren für mobile und stationäre Produktionsszenarien aufgebaut und in einer industrienahen 5G-Testumgebung untersucht. Ergänzend erfolgten qualitative Erhebungen in Form von Interviews, Workshops und Beobachtungen, um menschliche Einflussfaktoren sowie organisatorische und konfigurationsbedingte Risiken zu erfassen.
Auf Basis der Projektergebnisse wurden zentrale technische und nicht-technische Einflussfaktoren identifiziert, die den sicheren und stabilen Betrieb von 5G-Campusnetzen in industriellen Produktionsumgebungen beeinflussen. Die Untersuchungen zeigten insbesondere Herausforderungen durch Konfigurationskomplexität, unzureichende Dokumentation sowie Abhängigkeiten zwischen Netzparametern. Die aufgebauten Demonstratoren und Messungen ermöglichten eine praxisnahe Charakterisierung des Netzverhaltens unter Normalbedingungen und Störungen. Die Ergebnisse verdeutlichen bestehende Grenzen und Voraussetzungen für einen sicheren und resilienten Einsatz von 5G in der industriellen Produktion