In diesem BMBF-geförderten Forschungsprojekt werden zusammen mit der RWTH Aachen sieben Praxisversuche entwickelt welche die gesamte Bandbreite der Themen Internet of Things, Machine Learning und Data Analytics in praxisnahen Anwendungen auf Hardware und Software umsetzen. Die fertigen Versuche sollen als Lerneinheiten in die jeweiligen Masterstudiengänge der Informatik und Informationstechnik integriert und mit einem neuen Studiengang verknüpft werden. Bereitgestellte Offline-Datensätze ermöglichen die Nutzung der Lerneinheiten auch ohne Zugriff auf die Hardware.
Das Projekt profitiert von Synergien zwischen den beteiligten Hochschulen und wird von Partnern aus der Industrie beraten, um die Versuche praxisnah umzusetzen. Insgesamt fünf der vorgeschlagenen Versuche werden auf der IoT-Plattform “Octopus“ umgesetzt, welche die Hochschule Trier zusammen mit der Expertengruppe Internet der Dinge des Digital Gipfels entwickelt hat. Darüber hinaus soll auch die Möglichkeit bestehen, weitere Versuche aus konkreten Industrieanwendungen heraus zu entwickeln.
Ein weiteres Ziel des Projekts ist die Etablierung einer webbasierten Maker-Plattform auf der industrielle Partner mit Studierenden beider Hochschulen in Kontakt treten und gemeinsam an interessanten Problemstellungen arbeiten können.
Mehr Informationen unter: cosy.umwelt-campus.de
Projektträger: Bundesministerium für Bildung und Forschung
Förderkennzeichen: 01IS17073A
Projektlaufzeit: 2017-2020
Projektkoordinator: Prof. Dr. Guido Dartmann
Projektpartner: Prof. Dr. Klaus-Uwe Gollmer, Prof. Dr. Stefan Naumann
Kooperationspartner: Prof. Dr. Anke Schmeink, Prof. Dr. Bastian Leibe (beide RWTH Aachen).
Assoziierte Partner: KHS GmbH, Bosch GmbH, Expertengruppe IoT
Projektmitarbeiter am Umwelt-Campus: Matthias Dziubany (wissenschaftlicher Leiter), Rüdiger Machhamer, Jens Schneider, Marcel Garling und Alireza Shariati
Hilfswissenschaftler am Umwelt-Campus: Levin Czenkusch, Michael Malcher und Kristof Ueding
Es folgt eine kurze Beschreibung der sieben Versuche:
Versuch 1 – Schallortung: Ein bewegliches Mikrofon und ein fester Lautsprecher werden auf einem Tisch platziert. Der Lautsprecher erzeugt ein kurzes Geräusch welches vom Mikrofon erfasst wird. Anhand der Raumimpulsantwort des Signals kann dann mittels Machine Learning Methoden gelernt werden wo sich das Mikrofon auf dem Tisch befindet.
Versuch 2 – Cocktail-Party-Problem: Ein Mikrofon erfasst sich überlagernde Audio Signale von mehreren Quellen. Dieses gemischte Signal soll dann wieder in die ursprünglichen Einzelsignale zerlegt werden.
Versuch 3 – Künstliche Nase: Ein Gassensor wird über einem Getränk platziert und erhitzt. Dabei werden zu verschiedenen Temperaturen Messungen durchgeführt. Anhand dieser Messwerte kann dann mit Machine Learning Methoden erkannt werden um welches Getränk es sich handelt.
Versuch 4 – Prognose des Heizenergieverbrauchs: Anhand verschiedener Parameter wie der Außentemperatur und des Heizenergieverbrauchs der letzten 14 Tage sowie einer Saisonkomponente und einem Werktagsindikator wird mit Machine Learning ein Modell trainiert das zukünftige Verbräuche eines Gebäudes prognostizieren kann.
Versuch 5 – Systemidentifikation: Die Aufheizung und die darauf folgende Abkühlung einer Pappschachtel mit einer darin platzierten Glühbirne wird gemessen. Anhand der Messungen wird ein mathematisches Modell generiert welches das Verhalten des gemessenen Systems beschreibt.
Versuch 6 – Bilderkennung: Mit Künstlichen Neuronalen Netzen werden Objekte auf Bildern erkannt.
Versuch 7 – Semantische Szenenanalyse: Mit Künstlichen Neuronalen Netzen werden mit Kameras aufgezeichnete Szenen textuell beschrieben.
Sie verlassen die offizielle Website der Hochschule Trier