Banner-small-daten-industrie

Industrie 4.0

Datenanalysen für die vierte industrielle Revolution, bspw. proaktive Wartung von Produktionsressourcen oder die Identifikation von Anomalien in Prozessen.

Banner-small-daten-healthcare

Medizin

Datengetriebene Aspekte der Medizin werden untersucht, bspw. die bedarfsgerechte Pflege von Patienten oder IT-gesteuerte Medizintechnik.

Banner-small-daten-cities

Smart Infrastructure

Untersuchung datengetriebener Aspekter städtischen Lebens, bspw. der Verkehrssteuerung, der Müllentsorgung oder der Katastrophenbewältigung, bedarfsgesteuerte Optimierung von Verbrauchsmodellen, basierend auf Daten intelligenter Stromzähler.

Aktuelle Projekte

  • BigGIS_logo

    BigGIS: Fusion der Geo-Big Data

    Zunehmende Datenmengen und immer komplexere Berechnungsmodelle erfordern schnelle und robuste Verfahren. Dies ist das Thema des BigGIS Projekts, in welchem integrierte Verfahren zum Umgang mit Unsicherheit im (Geo)-BigData-Zusammenhang entwickelt werden. Zusammen mit dem SDIL werden hierbei am Beispiel von Temperaturdaten passende Algorithmen implementiert, getestet und weiterentwickelt.

    Lesen Sie mehr

  • SDSC-BW: Sägen bis das SDSC kommt

    Während der Planung und Produktion von Schnittholz fallen unterschiedlichste Daten an: von Daten zur Holzqualität über entstehende Daten an der Sägelinie bis hin zu den Verkaufsdaten. Das Schwarzwälder Sägewerk Karl Streit optimierte in einem gemeinsamen Projekt mit dem SDSC-BW seine Vorgehensweise bei der Planung von Rundholzeinschnitten.

    Lesen Sie mehr

  • QuestMiner - Detection and evaluation of anomalies in graphs

    Eine Anomalie wird im Allgemeinen als Abweichung von der Norm und vom erwarteten Verhalten definiert. Solche Anomalien weisen häufig auf Vorfälle und Konstellationen hin, die sofortige Aufmerksamkeit und Reaktion erfordern. In einem sozialen Netzwerk kann eine Anomalie auf spontane Anziehungskräfte wie Demonstrationen hinweisen. Ihre frühzeitige Erkennung ist entscheidend für die weitere Steuerung. In Bezug auf Graphendaten können Anomalien als Teilgraphen modelliert werden, bei denen die Knoten signifikant von den Normattributwerten und Kantenverteilungen abweichen. Bei dynamischen Graphen können auch historische Verhältnisse berücksichtigt werden.

    Ziel des Projektes ist es, eine Methode für dynamische heterogene Graphen zu entwickeln, mit der Anomalien kontinuierlich erkannt und ausgewertet werden können. Dabei sollte das Verfahren für den Echtzeit-Service ausgelegt sein und permanent mit einem Strom neuer Daten versorgt werden. Darüber hinaus sollte die Methode skalierbar sein und große Datenmengen verarbeiten können. Dazu ist nicht nur ein speziell an dieses Problem angepasster Algorithmus erforderlich, sondern es werden auch Index- und Datenstrukturen unterstützt, die einen effizienten Zugriff auf historische Daten ermöglichen. Die Anwendbarkeit und Praktikabilität des Verfahrens sollte im Verlauf des Projekts anhand einer prototypischen Implementierung beurteilt werden, für die wir die SDIL-Plattform nutzen wollen.

    Lesen Sie mehr

  • SDSC-BW: Präzise Planbarkeit von Produktionsprozessen

    Die Sedus Stoll AG ist ein Komplettanbieter für Büroeinrichtungen und Arbeitsplatzkonzepte. Die flexible und individuelle Konfigurierbarkeit der Einzelmerkmale von Bürostühlen bei der Kundenbestellung erschwerten insbesondere die präzise Planbarkeit des Produktionsprozesses. Das Ziel der Analyse war die Suche nach Abhängigkeiten in den Daten, die es ermöglichen, Prognosen für die Produktionsmengen von spezifischen Ausstattungsvarianten für den Folgemonat durchzuführen.

    Lesen Sie mehr

  • SDSC-BW: Pflanzenwachstum mittels Bildaufzeichnung

    Die da-cons GmbH vertreibt Produkte zur Ermittlung einer Vielzahl von Pflanzeneigenschaften. Dazu hat sie das System PhenoScreen entwickelt, das die Saatgutindustrie in der Pflanzenzüchtung unterstützt und sensorbasiert agiert. Im Rahmen der Potentialanalyse untersuchte das SDSC-BW die Frage, ob es digital möglich ist, in den Bilddateien Pflanzen zuverlässig zu erkennen.

    Lesen Sie mehr