The Neural Automation Project
The Neural Automation Project

Neural Automation Blog

20.09.2019: bibTeX

Papers: bibTeX entrys added

bibTeX Entrys added to all publications in the respective section. Please feal free to cite the papers.

ETZ Sonderausgabe SPS 2019

Article about smart production solutions 2019

Abstract in german: Das maschinelle Lernen (ML) gilt als vielversprechendste Technologie, um mit moderner Automatisierungstechnik zukünftig noch weitere Optimierungs-potenziale erschließen zu können. Voraussetzung dafür ist eine nahtlos in die Steuerungstechnik integrierte Funktionalität, wie sie nun mit Twincat 3 Machine Learning zur Verfügung steht.

 

Mit dem direkt in die Steuerungstechnik integrierten Twincat 3 Machine Learning verschmelzen die Welten von Data Scientists und Maschinenbauern und es eröffnen sich durch Synergieeffekte völlig neue Möglichkeiten der Maschinenoptimierung

20.09.2019: Steigerung der Intelligenz mechatronischer Systeme

Maschinelles Lernen in technischen Systemen

The Book is now published. Abstract in german: Statistische und maschinelle Lernverfahren extrahieren Regelmäßigkeiten aus Daten. Sie ermöglichen die effiziente Abbildung von Wirkzusammenhängen in komplexen technischen Systemen, welche nur schwer oder gar nicht durch klassische Modellierungsansätze abgebildet werden können. Im Selbstoptimierungsprozess sind maschinelle Lernverfahren besonders für die Online-Analyse des Betriebszustands, sowie für die Modellbildung zur Regelung relevant. Durch den Einsatz von Lernverfahren eröffnen sich neue Perspektiven für die Automatisierung und Optimierung technischer Systeme. In dieser Anwendungsdomäne stehen allerdings oft nur relativ wenige Daten zur Verfügung, da die Datenakquisition in komplexen technischen Systemen meist hohe Kosten verursacht. Von entscheidender Bedeutung ist auch die zuverlässige Generalisierung der gelernten Modelle in technischen Systemen. Dieses Kapitel stellt Arbeiten im Rahmen des Spitzenclusters it?s OWL vor, welche diese Herausforderungen adressieren. Es umfasst eine kurze Einführung zum Hintergrund maschineller Lernverfahren und ausgewählter Verfahren, die Integration von Vorwissen in den Lernprozess, sowie Leitfäden zur Anwendung maschineller Lernverfahren in technischen Systemen. Die entwickelte Methodik wird an mehreren Anwendungsfällen aus dem Spitzencluster demonstriert.

10.09.2019: ke Next interview

ke Next interview about the future of engineering with Dr. Jurke and Dr. Neumann - machine learning experts at Beckhoff Automation

Dr. Benjamin Jurke and Dr. Klaus Neumann were given an interview about the future of industrial engineering in the context of machine learning and automation.

 

The interview is covering many interesting thoughts about challenges concerning the integration of ML into automation, the future of work in industry, and the big questions how to suit Germany with the abilities to be competetive in the future. It's definitely worth to read it!

 

Unfortunaltely, the interview iis only available in german. The full interview can be found at here.

03.09.2019: New PC Control Article

PC Control: Machine Learning meets Industrial Automation at Beckhoff

The PC Control magazin reports about the newest developments concerning the integration of machine learning iinto automation software at Beckhoff Automation.

The article covers different aspects of machine learning: how data is collected, prepared, learned, and exploited.

 

The article covers many different aspects of machine learning respective: key technical challenges, machine learning in general, and relevant software infrastructure. Each point also part of many interesting trade fair demos at Hannover Fair 2019.

 

The full artilce can be found here.

15.07.2019: Draft for Flexible Tool-Use published

Draft "Building Neural Representations for Flexible Tool-Use" published

The draft "Building Neural Representations for Flexible Tool-Use" is published and can be found in the publications area of this site.

 

It describes a novel approach by K. Neumann and J.J. Steil to model tool-use for humanoid robots such as iCub is introduced. The learning represents the highly redundant coupling of the inverse kinematics and the motions imposed by the tool in a flexible way. It is shown that the manipulation kinematics can be learned from few ground-truth examples using an ecient extreme learning machine framework. The experiments reveal that this approach exhibits human-like behavior (motor hysteresis eect) without learning from human data.

 

08.05.2019: "Neue Verpackung" about ML

Magazin "Neue Verpackung" reports about Machine Learning at Beckhoff Automation

Dr. Neumann gave an interview for this magazin about the integration of ML into automation at Hannover Fair 2019.

 

The industrial expert magazin "Neue Verpackung" reports about the developments in machine learning in the context of automation at Beckhoff Automation. Neumann describes how to use neural networks in realtime to control a complex motion task. The network was applied as a setpoint generator trained to produce energy- and wear efficient solutions. This new approach was also compared to a classical and widely used algorithm named seven-phases-profile. Many customers responded very positive.

 

Also anomaly detection and virtual sensoring examples were demonstrated in Hannover. The link to the full article is here.

Druckversion | Sitemap
© Klaus Neumann