Anforderungen

• Eingabe einer Maschinenbeschreibung in einen Generator

• Auswahl verfügbarer Lern-Parameter über eine interaktive CLI (CSV Liste)

• Generator erstellt eine Simulationsumgebung mittels OpenAI Gym für einen Digital Twin der Werkzeugmaschine

• RL Algorithmen können in der Symulation trainiert werden

Konzeption

• Definition eines protokollübergreifenden Modells für die Aggregation der Produktionsdaten über OPC UA und EtherCAT

• Integration des Modells für die bestehende Modellierung der Geschäftslogik im Hinblick auf die Darstellung der CAD/CAM Kette und der Werkstückbeschreibung

• Konzeption der verteilten Architektur für die Auslagerung der Berechnungsprozesse über die Microsoft Azure Cloud und die Azure IoT Suite

• Requirements Engineering und Beschreibung der Teilkomponenten, Schnittstellen und Definition eines einheitlichen Kommunikationsformats

• Koordination der REST-ful JSON/HTTP APIs (OpenAPI v3 Spezifikation) mit GRPC Services und den bestehenden Protobuf 3 Schemata

• Planung und Bereitstellung der Trainingsplattform auf Microsoft Azure

• Bereitstellung der Cloud Ressourcen über HashiCoprs Terraform

• Bereitstellung eines Kubernetes Clusters und Roll-Out eines Service Mesh mittels Istio

Implementierung

• Entwicklung der benötigten Microservices mit Java und dem Spring Boot Framework

• Packetierung der Funktionalität über eine CI/CD Pipeline in Docker Container und Deployment auf das in der Konzeptionsphase bereitgestellte Kubernetes Cluster

• Paketierung von Data Ingestion Funktionalitäten in minimale GoLang Docker Container und Verteilung dieser über die Azure IoT Suite

• Implementierung eines Python CLI-basierten Generators für das Environment Modell

• Implementierung eines Generators von OpenAI Gym Environments anhand der aggregierten Daten aus den SPS

• Validierung der Umgebung gegen das erstellte Produktionsprozessmodell

• Implementierung eines Generators für die Agenten

• Implementierung der losen Kopplung der Trainingsalgorithmen von der Umgebung, wodurch ein generalisierter Ansatz für die Verprobung unterschiedlicher Produktionsprozesse erzielt werden konnte

Anforderungen

• Migration des legacy ERP auf eine SOA / Microservice Architektur in die IBM Cloud mittels OpenShift

• loose Kopplung der bestehenden Funktionalität in REST-ful JSON/HTTP APIs

• Dokumentation der Schnittstellen mittels Swagger

• Paketierung der DB/2 in einen Docker Container

Konzeption

• Requirements Engineering und Dependency Map Erstellung der monolithischen legacy Software

• Konzeption der Realisierung einer losen Kopplung des ERP

• Konzeption der losen Kopplung des Data Layers des ERP

• Erfassung aller relevanten APIs und der Core Functionality um das Migrationsrisiko einzudämmen

Umsetzung

• Schrittweises Update der DB/2 Instanzen und Migration der SQL Queries

• Implementierung von Adaptern für die Packetierung der DB/2 Instanzen in Docker Container

• Aufsetzen einer Test-Suite sodass erstmals ein Clien-unabhängiger Test des Systems gefahren werden konnte

• Schrittweise neue Implementierung der APIs und der Applikationsschicht sowie Anpassung der Geschäftslogik

• Canary Deployment der neuen Lösung mit der legacy Datenbank

• Schrittweise lose Kopplung des Data Access Layers von der Geschäftslogik

• Schrittweises ablösen der DB/2 Instanz hin zu einer SOA mit APIs (REST-ful JSON/HTTP)

• Finales ablösen der DB/2 und Migration mittels OpenShift und der IBM Cloud

Anforderungen

• Mobiler Roboter verfährt um ein Kfz und nimmt ein 360°-Video auf

• KI muss Fahrzeugkratzer erkennen

• KI muss personenbezogene Daten aus der Videoaufnahme entfernen

• Kfz Daten werden über das Bedienfeld des Roboters mittels QR Code eingelesen und automatisiert mit dem Video und dem Schadensbericht dem Fahrzeug zugeordnet

Konzeption

• Software- und Cloud-Architektur für die Steuerung und das Monitoring des Roboters und der Individualsoftware über die Azure Cloud

• Design der finalen Lösung und der Composite AI Lösung

• Konzeption der Brücke zwischen ROS, Android Bedienfeld des Roboters und der Azure Cloud

• Konzeption und Aufbau des Testszenarios am Kunden

• Architektur der Data Processing Pipeline

• Architektur der Anonymisierung personenbezogener Daten

Umsetzung

• Implementierung der Data Processing Pipeline mittles Java und Apache Beam SDK auf Azure

• Roll-Out der Lösung mittels IaC auf Azure und Integration in die bestehende Azure Instanzen des Unternehmens

• Implementierung der Brücke von ROS hin zum Android-bedienfeld (C++ und Java)

• Implementierung eines ROS 2 Cloud Connectors für die Datenübertragung und Steuerung des Roboters über LTE

• Packetierung der einzelnen KI und Steuerungskomponenten in Docker Container und Deployment dieser auf das ROS-System des Roboters (inkl. Anbindung an ROS Master und Bridge zu RVIZ)

• Implementierung eines TinyYOLO V3 für die Bilderkennung mittels TensorFlow Python

• Implementierung des Blurrings von personenbezogenen Daten mittels eines NN auf TensorFlow

• Generierung eines Kratzerdatensatzes und eines NN für die Erkennung dieses

• Active Learning Pipeline Implementierung

• Implementierung eines ML Algorithmus für die Reifen-Signatur Erkennung

• Serverless Functions Implementierung für die Zuordnung der Daten