Jahresbericht 2012 - Institute of Computer Science - Universität ...
Jahresbericht 2012 - Institute of Computer Science - Universität ...
Jahresbericht 2012 - Institute of Computer Science - Universität ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Universität Osnabrück Institut für Informatik <strong>Jahresbericht</strong> <strong>2012</strong> 39<br />
Organic Computing – Kontrollierte Selbstoptimierung<br />
Leitung: Pr<strong>of</strong>. Dr.-Ing. Werner Brockmann<br />
Mitarbeiter: Nils Rosemann, M.Sc.<br />
Förderung: Deutsche Forschungsgemeinschaft DFG<br />
Laufzeit: 09/2005 – 08/<strong>2012</strong><br />
Stichworte: Organic Computing, lernfähige Systeme, kontrollierte Selbstoptimierung<br />
Moderne eingebettete Echtzeitsysteme werden zunehmend für komplexere Aufgaben und Umgebungen eingesetzt.<br />
Dadurch ist das notwendige Systemverhalten zur Entwurfszeit nicht immer vollständig planbar, z. B.<br />
weil nicht mehr alle möglichen Systemzustände und Fehlerszenarien (mit einem vertretbaren Aufwand)<br />
vorhergesehen und im Entwurf berücksichtigt werden können. Durch Methoden des Organic Computing wie<br />
Selbstoptimierung und -adaption wird daher die verfügbare Leistungsfähigkeit moderner Mikroelektronik<br />
genutzt, um selbst bei Lücken und Fehlern im Entwurf und bei Störungen im laufenden Betrieb ein sicheres und<br />
robustes Verhalten zu erreichen.<br />
Dazu werden konzeptionelle Anleihen bei organischen Systemen genommen, da diese genau solche Fähigkeiten<br />
aufweisen. Insbesondere das vegetative Nervensystem und das Immunsystem sind gute Beispiele für die<br />
erforderliche selbstorganisierte, verteilte Informationsverarbeitung bei Anomalien und Störungen. Der<br />
Schwerpunkt liegt auf speziellen Erweiterungen für Methoden des Maschinellen Lernens, die im laufenden<br />
Betrieb zur Selbstoptimierung und Selbsteinstellung eingesetzt werden.<br />
Um solche Selbstoptimierungstechniken auch für sicherheitskritische eingebettete Echtzeitsysteme einsetzen zu<br />
können, wurden aufeinander abgestimmte Methoden für eine Kontrolle des maschinellen Lernvorgangs<br />
entwickelt. Sie basieren auf Erweiterungen von Lernverfahren, die online im laufenden Betrieb anwendbar sind<br />
und z. B. auch Sicherheitsgarantien ermöglichen. Diese Methoden wurden insbesondere für adaptive und<br />
selbsteinstellende Regler eingesetzt und an praktischen Anwendungen wie dem hier gezeigten pneumatisch<br />
betriebenen SCARA-Roboterarm unter Echtbedingungen auf ihre Praxistauglichkeit untersucht.