Forschungsprojekt

AGATA - AGATA: Analyse groĂźer Datenmengen in Verarbeitungsprozessen

Ziel des AGATA-Projektes ist es, intelligente Assistenzsysteme für industrielle und landwirtschaftliche Verarbeitungsprozesse zu entwickeln. Die zunehmende Komplexität von Verarbeitungsprozessen und des ständig wachsenden Datenaufkommens führt zu einer Überlastung des Anwenders bei der Überwachung, Analyse und Diagnose solcher Prozesse. Daher soll dem Anwender eine abstrakte Sicht auf den aktuellen Systemzustand und mögliche Anomalien präsentiert werden.

Das DFKI entwickelt Verfahren des Maschinellen Lernens zur Erkennung von Anomalien auf Rohdaten ohne dass detailliertes Prozess- oder Modellwissen zugrunde liegt, sowie zur Analyse/Erklärung beobachteter Anomalien. Dabei werden Strukturen und Zusammenhänge von Merkmalen auf Ausreißer hin untersucht und die wesentlich beitragenden Merkmale gefunden. Im DFKI entwickelte Verfahren haben bereits in der Vergangenheit Unstimmigkeiten und Ausreißer aufgedeckt, über deren Existenz und Ausmaße man sich vorher nie bewusst war. Auch Ursachen erkannter Fehler oder besonderer Vorkommnisse können so gefunden werden. Die Algorithmen sollen an die Verarbeitung großer Datenmengen angepasst werden. Die Entwicklung erfolgt in Anlehnung an konkrete landwirtschaftliche Szenarien; die entstehenden Algorithmen werden sodann auch auf industrielle Szenarien transferiert und und stehen für Praxistests bei landwirtschaftlichen Anwendungen und zur Prozessanalyse zur Verfügung.

Das Projekt AGATA wird gefördert durch das Bundesministerium für Bildung und Forschung (BMBF) unter dem Förderkennzeichen 01IS14008F.

Kontakt

Ansprechpartner: Dr. Ansgar Bernardi
Projektleitung: Dr. Ansgar Bernardi

Beteiligte Forschungsbereiche

Publikationen

  • 2018
  • 2017
  • 2016
  • Ying Gu; Ansgar Bernardi; Thilo Steckel; Alexander Maier
    Anomaly Detection in Sensor Data provided by Combine Harvesters.
    In: INDIN-2016 - 14th International Conference on Industrial Informatics. IEEE International Conference on Industrial Informatics, Special Session #30 - Big Data, Advanced Analytics, and Knowledge Management in Manufacturing Ecosystems, located at INDIN-2016 - 14th International Conference on Industrial Informatics, July 19-21, Poitiers, France, IEEE, 2016.
  • 2015
  • Stefan Windmann; Alexander Maier; Oliver Niggemann; Christian Frey; Ansgar Bernardi; Ying Gu; Holger Pfrommer; Thilo Steckel; Michael KrĂĽger; Robert Kraus
    Big Data Analysis of Manufacturing Processes.
    In: Journal of Physics: Conference Series (IOPscience), Vol. 659, No. 1, Page 012055, Published under licence by IOP Publishing Ltd, 11/2015.