Schlagwörter
Skills
Industrie 4.0, IoT, Embedded, OPC UA, ML, KI, CCBR
Apps, Web, Cloud, Plattform, SaaS, Desktop, DevOps, FullStack
Android, Kotlin, TypeScript, Flutter, Node JS, Java, JSON, Python, C/C++/C#, Qt, Delphi
MySQL, ADV, SQLServer, Oracle, Mongo DB, Maria DB
Projekthistorie
Zur Lösung dieses Problems wurde ein Backend zwischen OPC UA - Servern und mobilen Anwendungen entwickelt, welches einerseits als Client mit dem OPC UA - Server verbunden ist und andererseits als Server für Socket-Verbindungen agiert. Damit können Anwendungen auf unterschiedlichen Plattformen mit dem OPC UA - Server interagieren (READ, WRITE, SUBSCRIPTIONS).
Eine Anbindung des Backends ist in der Regel mit jeder Programmiersprache möglich, die Socket-Verbindungen unterstützt.
Backend: OPCUA, Node.js, REST, JSON, Docker, Linux
Frontend: Java, Kotlin, Flutter/Dart, LiveCode, NodeRED
Entwicklung eines Assistenzsystemes im Bereich Industrie 4.0 mit Schwerpunkt komplexe Verpackungsmaschinen.
Verarbeitungsmaschinen stellen Massenbedarfsgüter für den täglichen Konsum her, dabei sind technische Störungen unvermeidbar. Die Störungsdiagnose wird erschwert durch komplexe Anlagenstrukturen, ungleichförmige Kraft- und Momentverläufe bei hoher Arbeitsgeschwindigkeit und ein kaum modellierbares Verarbeitungsverhalten infolge vernetzter, oft unbekannter Einflussparameter. Hinzu kommt, dass auf derselben Anlage verschiedene Produkte gefertigt werden, was durch die Individualisierung in Industrie 4.0 noch verstärkt wird.Ziel des Projektes ist die Entwicklung eines lernfähigen, dialogbasierten Assistenzsystem (AS) zum fallbasierten Schließen für die kooperative Diagnose und Beseitigung von Störungen in Verarbeitungsanlagen. Um die Potentiale von Mensch und AS zu kombinieren, muss das AS (1) den Bediener in die Lage versetzen, die relevante Information zu kommunizieren und (2) selbst in der Lage sein, die kommunizierte Information zu interpretieren, darauf basierend den Problemraum einzugrenzen und Anforderungen für die nachfolgende Dialoggestaltung abzuleiten. Um dies zu ermöglichen, soll das AS die aktuellen Beobachtungen des Bedieners, sein Erfahrungswissen und seine darauf basierenden Schlussfolgerungen erfragen und mit dem über Sensoren gemessenen Anlagenzustand in Bezug setzen. So kann iterativ eine gemeinsame Lagerepräsentation hergestellt werden. Diese wird im Dialogverlauf immer spezifischer und mündet schließlich in einer Diagnose der Störungsursache, auf deren Basis der Bediener Entscheidungen und Lösungsstrategien ableiten kann. Ein Eingriff auf die Anlage durch das AS findet bewusst nicht statt, sondern seine Funktion besteht darin, gemeinsam mit dem Bediener die Grundlage für diese Entscheidungen und Eingriffe zu schaffen. Über die Zeit lernt das AS aus den Dialog-Episoden, setzt sie in Bezug zum gemessenen Anlagenzustand und entwickelt somit seine Fähigkeit zum Erkennen und Kommunizieren möglicher Störungsursachen kontinuierlich weiter.
Backend: OPCUA, Node.js, REST, JSON, Python, MS SQL-Server, CCBR
Frontend: Flutter/Dart, LiveCode, NodeRED
Entwicklung einer IoT-Plattform. Ortsbasierte Informationen können von Anbietern über BlueTooth-Signale (Beacons) lokal angeboten und von Konsumenten über die plaxxt-Apps automatisch dargeboten werden.
Beispielanwendung:
Treuebelohnungssystem im Verbund für die Gastronomie als App in Kombination mit einem webbasierten Managementsystem mit Datenbankanbindung zur Konfiguration und statistischen Auswertung der Kunden- und Nutzeraktivitäten inkl. Abrechnungssystem.
Android, Java, Kotlin, iOS, REST, JSON, MySQL
Algorithmen und Software für Wissenschaft und Forschung, u.a. zur Aufzeichnung und Analyse von Messdaten für die TU Dresden, Deutsche Gesellschaft für Luft- und Raumfahrt, Beiersdorf AG, T-Systems, u.v.m.