Ao.Univ.Prof. DI Dr. Markus Vincze, öffnet eine externe URL in einem neuen Fenster, Institut für Automatisierungs- und Regelungstechnik, Forschungsbereich Komplexe Dynamische Systeme, öffnet eine externe URL in einem neuen Fenster
DI Timon Höbert, bee produced GmbH, öffnet eine externe URL in einem neuen Fenster

Im letzten Jahrzehnt wurde Elektroschrott meist auf Deponien gelagert, verbrannt oder in Entwicklungsländer transportiert. 88.000 Tonnen Elektroschrott (Daten von 2011) fallen jedes Jahr in Österreich an, wovon 5.000 Tonnen als Sondermüll deklariert werden. Elektroschrott-Recycling wird daher als besonders wichtig gesehen, um Umweltverschmutzung einzudämmen und Ressourcen zu sparen. Die Zerlegung defekter Produkte erlaubt die Wiederverwendung von Teilen und Material, wird aber meist manuell durchgeführt. Die bereits im industriellen Umfeld existierenden Demontageanlagen weisen dabei im Allgemeinen nur einen geringen automatisierten Anteil auf und sind typischerweise direkt auf einen konkreten Produkttyp zugeschnitten. Dadurch wird sowohl die Flexibilität bezüglich veränderter Produktreihen, als auch die Adaptivität der Gesamtanlage im Recyclingprozess signifikant eingeschränkt. Die weiterhin steigende Menge an Elektroschrott erfordert einen höheren Automatisierungsgrad für mehr Effizienz. Vor allem da es derzeit Millionen von Produkten im Verbraucherbereich gibt, die am Ende ihres Lebenszyklus stehen und von denen wir nicht genau wissen, wie man sie auseinandernimmt. Unser Ziel ist die Entwicklung und Implementierung eines automatisierten wissens-getriebenen Roboter-zentrierten Demontagesystems, das sich autonom an die jeweiligen Vorgaben und Beschränkungen anpasst, welche zur Demontage eines gegebenen Produktes notwendig sind. Ein systematischer Zugang zur Automatisierung von Demontageprozessen wird durch die Anwendung von wissensbasierten Systemen geboten indem eine semantische Kopplung zwischen einzelnen Aktivitäten wie z.B. Erkennung, Greifen, Manipulation und einzelnen Demontageoperationen vorgesehen ist. Die Verwendung maschinen-interpretierbarer Semantik ermöglicht den integrierten intelligenten Komponenten eines Demontagesystems das Produktkonzept, den Demontageablauf und die nötigen Zeitplanungsprozesse sowie die erforderlichen Demontagewerkzeuge so zu verbinden, dass die Datenintegration bzw. automatische Schlussfolgerungen ermöglicht wird. Dabei wird die semantische Repräsentation eines Produktmodells mit dem Bilderkennungssystem verknüpft um eine automatische Identifikation zu realisieren. Anschließend werden Methoden der Bildverarbeitung in die Optimierungsalgorithmen der Pfadplanung und der modellbasierten Roboterregelung integriert um eine dynamische Vorgabe der Bewegungsabfolge des Roboters für die einzelnen Demontageprozesse zu erzielen. Die hierfür notwendigen Daten sollen mit unterschiedlichen Sensoren aufgenommen und anschließend fusioniert werden. Das SmartDis-System wird als Demonstrator für die Demontage von Desktop-PCs implementiert und in einer Laborumgebung am ACIN der TU Wien, Lehrstuhl für Regelungstechnik der Christian-Albrechts-Universität zu Kiel und beim PRIA getestet und evaluiert. Die Anwendbarkeit des Systems, als auch die Möglichkeit das System für ein breiteres Spektrum an Produkten bei der Mülltrennung einzusetzen, wird in einem weiteren Anwendungsfall (Demontage von Antennenverstärker) demonstriert, der vom industriellen Partner Augusta GmbH zur Verfügung gestellt wird.

Projektwebsite: folgt

Präsentation: folgt

Poster: folgt

Univ.Prof. Dr.-Ing. Fazel Ansari, öffnet eine externe URL in einem neuen Fenster, MSc, Institut für Managementwissenschaften, Forschungsbereich Produktions- und Instandhaltungsmanagement
Omar Abdelkader, MSc, Wiener Linien GmbH, öffnet eine externe URL in einem neuen Fenster

Die Instandhaltung von Schienenfahrzeugen im öffentlichen Personennahverkehr (ÖPNV) ist von entscheidender Bedeutung für die sichere und zuverlässige Mobilität von Millionen von Fahrgästen. In diesem Zusammenhang wird zunehmend erkannt, dass rein zeitbasierte Instandhaltungsansätze im ÖPNV den fortschreitenden Verschärfungen der aktuellen Anforderungen (d.h. Sicherheit, Verfügbarkeit und Zuverlässigkeit des Fahrbetriebs) nicht mehr mithalten können. Um die Instandhaltung weiterzuentwickeln, ist neben der Verwendung von Sensorik zur Aufnahme von operativen Fahrzeugdaten auch eine zielgerichtete Datenanalyse mittels Künstlicher Intelligenz (KI) erforderlich. Diese beiden Gebiete bilden die Grundlage, um Optimierungsansätze aufzustellen, die für eine Modernisierung der Instandhaltungsstrategie von Schienenfahrzeugen im ÖPNV in Richtung einer vorausschauenden und wissensbasierten Instandhaltung zu ermöglichen.

Im Rahmen dieses Forschungsprojektes in Zusammenarbeit mit den Wiener Linien wird die U-Bahn-Flotte der V-Züge untersucht. Der Fokus liegt dabei auf dem instandhaltungsrelevanten Druckluftsystem, einschließlich seiner Bauteile und Komponenten (d.h. Aktoren, Verbraucher, usw.). Um eine echtzeitbasierte Zustandserfassung dieses Systems zu ermöglichen, wurden mittels verbauter Sensorik systemrelevante Betriebsdaten ausgelesen. Diese operativen Betriebsdaten des Fahrzeugs wurden anschließend mit Asset-Informationen, wie Wartungsprotokolle, Schadensberichte und Ausfalldaten überlagert. Aufgrund der umfangreichen Datenmengen und der Betrachtung einer ganzen Flotte stößt ein deterministisches Modell zunehmend an seine Grenzen. Daher soll eine auf maschinellem Lernen basierende Analyse dazu genutzt werden, Zusammenhänge und Muster zu erkennen, um Ausfälle nicht nur zu vermeiden, sondern auch vorherzusagen. Eine Erstanalyse liefert bereits Rückschlüsse auf die Datenqualität der Sensordaten und zeigt erste Zusammenhänge auf.

Der richtige Einsatz von Datenerfassung durch Sensorik und Datenanalytik mittels fortschrittlicher Algorithmen dient als Grundlage für eine wissensbasierte Instandhaltung. Dadurch erfolgt neben Reduktion der Störungen im Fahrbetrieb auch eine effizientere Ressourcennutzung, wodurch sowohl die Lebensdauer des Druckluftsystems als auch die Sicherheit, Zuverlässigkeit und Verfügbarkeit der V-Zug Flotte der Wiener Linien erhöht werden. Dies führt zu einem verbesserten Erlebnis für die Fahrgäste, da sie von weniger Verzögerungen und einem zuverlässigeren Service profitieren.

Projektwebsite

Präsentation: folgt

Poster: folgt

Univ.Prof. DI Dr. Axel Jantsch, öffnet eine externe URL in einem neuen Fenster, Institut für Computertechnik, Forschungsbereich Systems on Chip

Ein umweltfreundlicher öffentlicher Verkehr ist Teil der Grundlage einer modernen Gesellschaft. Sicherheit  und Zuverlässigkeit sind zentrale Aspekte und können nur durch eine sorgfältige Wartung der der Infrastruktur erreicht werden, denn schon kleine Mängel im Schienennetz können zu längeren Unterbrechungen und sogar zu schweren Unfällen führen können. Die Überwachung der Gleisinfrastruktur erfolgt hauptsächlich durch eine Kombination von zwei Methoden. Einerseits wird eine häufige oberflächliche und manuelle Überwachung von Mitarbeitern durchgeführt und andererseits wird gelegentlich eine genaue Überwachung mit mit kostenintensiven Messfahrzeugen durchgeführt. Das Projekt HARMONY hatte zum Ziel, die Präzision und Häufigkeit der Überwachung zu erhöhen, um die Messfahrzeuge zu unterstützen.

Im Rahmen des Projekts HARMONY wurde ein modulares, kostengünstiges und intelligentes Infrastruktur Überwachungssystem für den Einbau in reguläre Züge entwickelt. Mit Hilfe von selbstlernender künstlicher Intelligenz werden die von den Kamerasensoren erfassten Infrastrukturprobleme an Bord identifiziert. Diese werden an ein Kontrollzentrum gesendet und von einem Fernanalysten ausgewertet, um weitere Schritte einzuleiten.
Das interdisziplinäre Team untersuchte in dem Projekt folgende Aspekte:
1. Effiziente Reduktion der Sensordatenmengen, Auswahl geeigneter Datenanalysetools, Sensor-Korrelationsmethoden, Dateninterpretation und Synchronisationsmethoden unter Berücksichtigung wirtschaftlicher Zwänge und hoher Anforderungen an Robustheit, Leistung, Zuverlässigkeit und Sicherheit.
2. Definition der Rolle des Fernanalysten auf der Grundlage eines auf den Menschen ausgerichteten Designs (Mensch-Maschine-Interaktion, Sicherheit der menschlichen Faktoren, Auswirkungen des Systems auf bestehende soziale Netzwerke)

Die im KOMBI-Vorprojekt entwickelte Systemarchitektur wurde weiterentwickelt und die Sensorbox wurde direkt in der Fahrerkabine statt an der Unterseite des Fahrzeugs installiert, um zusätzliche Anwendungsfälle abzudecken (z.B. Erkennung des Lichtraumprofils, etc.) und eine einfachere Installation und Wartung zu gewährleisten. Die HARMONY-Komponenten sind modular aufgebaut, so dass sie sich nahtlos in bestehende Infrastrukturelemente von Bahnbetreibern integrieren lassen und zudem sehr kosteneffizient sind. Das intelligente System zur Erkennung von Infrastrukturproblemen VADAR basiert auf einem Autoencoder-Ansatz. Dieses künstliche neuronale Netz erlernt eine komprimierte Darstellung (Features) einer "gesunden" / "normalen" Schiene und rekonstruiert sie mit minimalen Fehlern. Wird dem Netz ein Bild mit einer Anomalie (z. B. Schienenschäden, Bewuchs, Fremdkörper, usw.) vorgelegt, wird das Bild mit einem deutlich größeren Fehler rekonstruiert und eine Anomalie wird erkannt. Mit dieser Methode konnte eine Genauigkeit von 91-99 % erreicht werden.

Das Projekt HARMONY ist ein Vorzeigeprojekt für alle beteiligten Partner und hat bereits großes Interesse bei den Bahnbetreibern geweckt. Die Rolle des Fernanalytikers, die in diesem Projekt definiert wurde, wird in Zukunft mit der fortschreitenden Digitalisierung unserer Gesellschaft immer wichtiger werden. Es konnte auch gezeigt werden, dass ein kostengünstiges und nahtlos nachrüstbares Infrastrukturüberwachungssystem einen erheblichen Mehrwert bietet und dass Infrastrukturprobleme mit einer Genauigkeit von bis zu 99% autonom und intelligent erkannt werden können.

Projektwebsite

Präsentation: folgt

Poster: folgt

Projektass. Markus Daniel Kobelrausch, öffnet eine externe URL in einem neuen Fenster, MSc, Institut für Computertechnik, Forschungsbereich Systems on Chip
DI Philip Hahn, Radel & Hahn Klimatechnik GmbH, öffnet eine externe URL in einem neuen Fenster

(Projektleiter: Projektass. DI Stefan Wilker, öffnet eine externe URL in einem neuen Fenster, B.Eng., Institut für Computertechnik, Forschungsbereich Software-intensive Systems)

HLK-Systeme zeichnen sich durch ein starres und komplexes komplexes internes Verhalten, das die Möglichkeiten zur Effizienzoptimierung einschränkt.
Das Projekt KI4HVACS zielt darauf ab, mittels maschinellem Lernen – und ohne explizite Modellbildung – die System- und Betriebszustände von Heizungs-, Lüftungs- und Klimaanlagen (HLK) automatisiert zu bewerten und zu optimieren. Ein weiteres Kernziel ist die Implementierung prädiktiver Instandhaltungsstrategien, die nicht nur Verschleiß und Wartungskosten berücksichtigen, sondern auch deren Auswirkungen auf den Gesamtenergieverbrauch. Besonders hervorzuheben ist die Berücksichtigung von Veränderungen im Gebäude und dessen Nutzung.

Projektwebsite

Präsentation: folgt

Poster: folgt