Markus Knitt
Markus KnittWissenschaftlicher Mitarbeiter

AGenC

Forschungsprojekt: AGenC – Automatische Generierung von Modellen für Prädiktion, Testen und Monitoring cyber-physischer Systeme

Forschungsbereich: Maschinelles Lernen

Gefördert durch: Bundesministerium für Bildung und Forschung – BMBF

In Zusammenarbeit mit:

Assoziierte Partner:

Beginn des Projekts: 10.2022

Ende des Projekts: 09.2025

ÜBER DAS PROJEKT

Laufzeit 10/2022 bis 09/2025

Forschungsbereich: Maschinelles Lernen

Bei AGenC handelt es sich um ein basisorientiertes Projekt mit dem Fokus Informations- und Kommunikationstechnologie (IKT) in cyber-physischen Systemen (CPS).

Komplexe CPS bei Entwurf und im Betrieb zu prüfen (Testen), während des Einsatzes zu überwachen (Monitoring) oder eine Vorhersage des Systemverhaltens abzugeben (Prädiktion) ist extrem aufwendig; dies benötigt valide Systemmodelle. Doch sind Teilkomponenten oder -systeme moderner CPS oft nur als eine Black-Box verfügbar. Modelle müssen manuell erstellt werden oder sind gar nicht verfügbar. Es fehlen Qualitätsmetriken für Einsatz und Übertragbarkeit der Modelle. Bisher ist die Modellierung kaum automatisiert, sodass Testen, Monitoring und Prädiktion Flaschenhälse im Entwurf verursachen. In verschiedenen Anwendungsfeldern existieren unvollständige Insellösungen, die trotz Standardisierung nur isoliert genutzt werden.

AGenC entwickelt für CPS einen Werkzeugkasten mit einheitlich nutzbaren Methoden und interoperablen Technologielösungen: Die zentralen Beiträge sind generalisierte Schnittstellen zur Nutzung in diversen Anwendungsbereichen, neuartige Modelllerner, die einerseits auf Adversarial Resilience Learning (ARL) basieren und andererseits diskrete und kontinuierliche Modelle kombinieren, um so relevante Aspekte von Interpretierbarkeit bis Genauigkeit der Modelle gleichzeitig zu adressieren. Harte Metriken dienen zur Bewertung der Modellqualität, sowie zum Vergleich und zur Erweiterung verschiedener Modelle, sowie Testfallgeneratoren, Monitore und Prädiktoren. Dabei sind die Modelle in den Anwendungen austauschbar, vergleichend/ergänzend eingebunden.

Die TUHH nimmt mit den Instituten IES und ITL am Projekt teil. Die Aufgabe des ITL ist die Bereitstellung eines Teststandes für Lokalisierungssysteme zur reproduzierbaren Gewinnung von Trainingsdaten zur Modellerstellung.

Flowcean: Modellerstellung für cyber-physische Systeme zugänglicher gestalten

Flowcean: Modellerstellung für cyber-physische Systeme zugänglicher gestalten

Wir freuen uns, unseren Fortschritt im AGenC-Projekt zu teilen, der zur Entwicklung von Flowcean geführt hat – einem Framework, das die datengetriebene Modellerstellung für cyber-physische Systeme (CPS) effizienter gestaltet.

Was ist Flowcean? Flowcean ist ein Werkzeug, das darauf abzielt, die Komplexität der CPS-Modellierung zu reduzieren. Es kombiniert datenbasierte Modellierungstechniken und unterstützt unterschiedliche Datenquellen, um den Prozess der Modellerstellung für Aufgaben wie prädiktive Wartung und Anomalieerkennung zu vereinfachen.

Warum Flowcean? In Bereichen wie Energie, Mobilität und Logistik werden anpassungsfähige und zuverlässige CPS-Modelle immer wichtiger. Die modulare Struktur von Flowcean ermöglicht eine einfache Anbindung an Lernbibliotheken wie PyTorch und scikit-learn. Mit seinen einheitlichen Dateninterfaces und Tools lässt sich Flowcean in verschiedene Arbeitsabläufe integrieren und unterstützt eine Vielzahl von Modellierungsanforderungen.

🔗 Schauen Sie sich das GitHub-Repository an.