Menü
Hochschule Osnabrück - University of Applied Sciences

Über das Projekt EHS-BAI

Projektpartner

WeSustain

Ansprechpartner

Weitere Projekte

YAMM

Praxissemester und Abschlussarbeiten

Projekt EHS-BAI

Der Themenkomplex „Umwelt, Gesundheit, Arbeitssicherheit“ (engl. Environment, Health, Safety = EHS) hat in den letzten Jahren in Unternehmen einen enormen Bedeutungszuwachs erlangt. Ziel von EHS ist der Schutz von Mitarbeitern, der Öffentlichkeit und der Umwelt vor Gefahren, die mit den Produkten und der Leistungserstellung von Unternehmen verbunden sind.

Dem Vorsorgeprinzip entsprechend beschäftigt sich eine Vielzahl von supra-nationalen, staatlichen und privaten Institutionen mit der Thematik. Dies hat über die Zeit zu einer enormen Regelungsdichte und –komplexität geführt, die sich in Normen, Gesetzen, Verordnungen niederschlagen. Für den Betrieb von Anlagen umfasst dies beispielsweise ein klares und vollständiges Verständnis der Unternehmen hinsichtlich ihrer Bertreiberverantwortung, der Betreiberpflichten sowie deren interne Umsetzung im Rahmen von Gefährdungsbeurteilungen und Betriebsanweisungen. Aus Sicht der Unternehmen führt die zunehmende Regelungsdichte und deren Veränderungsdynamik zu erheblichen Unsicherheiten. Da dieser Bereich unmittelbar haftungs- und compliance-relevant ist und darüber hinaus das gesamte Geschäftsmodell gefährden kann (license-to-operate), sind die Unternehmen stark motiviert effektive Management-Systeme und die unterstützenden Prozesse einzuführen und zu verbessern. Herkömmliche Management-Systeme beruhen auf einem relationaldeterministischen Ansatz. Dies bedeutet, dass beispielsweise basierend auf einem Anlagenkataster die jeweils korrespondierenden Gesetze und Verordnungen identifiziert werden und deren Relevanz und Umsetzungsnotwendigkeit durch betriebliche Experten oder externe Berater beurteilt wird. 

 

Ziel

Die Grundlagen der EHS-Regularien werden heutzutage mit sehr großem Aufwand manuell aus diversen Quellen wie Gesetzestexten, Normungen, Online-Informationen und Verbandsberichten extrahiert. Dieser manuelle Aufwand wird in Zukunft aufgrund der kontinuierlich steigenden Menge an Informationsquellen weiter steigen. Zugleich wird es, etwa im Hinblick auf die Internationalisierung der Leistungserstellung, zunehmend wichtiger, solche Informationen ohne großen Zeitverlust und global aufzugreifen. Diesen manuellen Aufwand und die notwendige Verarbeitungszeit gilt es durch innovative und zu entwickelnde Methoden und Techniken der automatischen Wissensverarbeitung zu reduzieren. Ziel des Vorhabens ist die automatische Extraktion von relevanten EHS-Regularien und deren kognitive Analyse im individuellen Unternehmenskontext durch Methoden der künstlichen Intelligenz.

Motivation

Das Forschungsprojekt EHS-BAI - (= engl. Environment, Health & Safety based on artificial intelligence) befasst sich mit der Thematik, wie künstliche Intelligenz (KI) für ein (semi-)automatisches Compliance-Management in Unternehmen eingesetzt kann werden, da Unternehmen einer immer höheren Regulariendichte ausgesetzt sind. WeSustain und die Hochschule Osnabrück forschen an der Frage, ob künstliche Intelligenz bei der Beurteilung von EHS-Regularien beim Betrieb von Anlagen den manuellen Aufwand und die Verarbeitungszeiten reduzieren kann. 

Wissenschaftliche Herausforderung

Ein Teilgebiet der künstlichen Intelligenz ist das Machine Learning, welches wir für die Umsetzung des Projekts einsetzen. Die Methode des Machine Learnings bezieht sich auf das Erkennen von Mustern in vorhandenen Datenbeständen, wodurch IT-Systeme in der Lage sind, eigenständige Lösungen für definierte Probleme zu finden oder auch Vorhersagen zu treffen. Ein Teilbereich des Machine Learnings ist das Deep Learning, welches eine spezielle Methode der Informationsverarbeitung charakterisiert und neuronale Netzte nutzt. Zur Herstellung künstlicher Intelligenz werden Trainingsmethoden genutzt, die große Datenmengen beziehen und analysieren.  Diese Lernmethoden beruhen auf der Funktionsweise des menschlichen Gehirns. Auf Basis der vorhandenen Informationen und des neuronalen Netzes kann das System das Erlernte immer wieder mit neuen Inhalten verknüpfen und erneut lernen. Unter diesen Aspekten wird eine Nutzung von Servern im Clustern-Verbund benötigt, wodurch ein paralleles Training der neuronalen Netze auf Deep Learning-Ebene gewährleistet wird. Anhand dieser Lernmethoden soll die Künstliche Intelligenz eigenständig die Inhalte der EHS-Regularien erlernen, verknüpfen, erkennen und gezielt anwenden. Die Verarbeitung große Datenbestände sowie eine hohe Rechenintensivität setzt leistungsstarke Server bzw. Cluster voraus. Die anzuschaffenden Systeme müssen daher für den Betrieb im Cluster-Verbund ausgelegt sein.

Einsatzmöglichkeiten

Ziel des Projektes ist es, mit diesen Methoden der künstlichen Intelligenz künftig individuell – je nach Unternehmenskontext – EHS-Regularien mit höchster gesellschaftlicher und betriebswirtschaftlicher Relevanz definieren und konkrete Handlungsempfehlungen geben zu können. Der Einsatz von künstlicher Intelligenz kann so Unternehmen künftig dabei unterstützen, ihr Compliance-Management effizienter zu gestalten. 

Themen für Abschlussarbeiten / Praxisprojekte

Potenzielle Abschlussarbeiten sowie Praxisprojekte sind im Rahmen des aufgeführten Forschungsprojekts vorstellbar.

  • Themenbereiche:
    • Big Data
    • Machine Learning
    • Modellierung und Simulation - insbesondere YAMM (yamm.online)
    • Monitoring von IT Systemen
       
  • Laufende Abschlussarbeiten (Auswahl):
    • Design and implementation of a CUDA based YAMM model execution for machine learning
    • Analyse von Machine Learning basierten Natural Language Processing Verfahren zur Bestimmung textueller Ähnlichkeiten sowie der visuellen Aufbereitung der Ergebnisse
    • Reduktion der CO2-Bilanz von Elektrofahrzeugen durch optimiertes Laden unter Verwendung von maschineller Lernverfahren
       
  • Abgeschlossene Abschlussarbeiten (Auswahl):
    • Konzeption und Implementierung einer semi-automatischen Textanalyse durch neuronale Netze, insbesondere Word2Vec und Ihrer Visualisierung im Rahmen einer Innovationslandkarte zur Ähnlichkeitsanalyse von Projekten, 2019
    • Discrete Event Simulation Framework: Simulation, Visualisierung, Auswertung, 2019
    • Konzeption und Implementierung eines graphischen Konfigurators von Künstlichen neuronalen Netzen, 2019
    • Konzeption und Implementierung einer mobilen Anwendung mit REST Schnittstelle für ein Monitoring System, 2019
    • Konzeption und Implementierung eines Java-basierten Frameworks für ETL-Prozesse als Basis für maschinelle Lernverfahren zur Aufbereitung von IT-Monitoring Daten, 2019
    • Modellierung, Simulation und Implementierung eines Terminplanungsprozesses zur Prozessoptimierung im betrieblichen Umfeld der Knubel GmbH mithilfe einer diskreten Event-Simulation, 2019
    • Konzeption und Implementierung einer Modellierungs- und Simulationsumgebung für BPMN auf Basis der Eclipse Meta-Modellierungsumgebung YAMM, 2019
    • Analyse und Optimierung von Energieströmen mit Hilfe maschineller Lernverfahren aus den Bereichen der Neuronalen Netze und der Genetischen Programmierung auf Basis realer Daten aus industriellen Prozessen, 2019
    • Konzeption und Implementierung eines Java-basierten Webcrawlers für Stellenanzeigen und Datenanalyse mit Big Data-Techniken, 2019

 

Für die Planung eines Abschlussarbeitsthemas bzw. Praxisprojekts vereinbaren Sie gerne einen Termin mit Herrn Prof. Dr. Ralf Buschermöhle.

 

Projektteam

Projektleitung

Entwicklung

Administration

Big Data

Weitere Projekte

RMOF++: Aktualisierung und Etablierung der Modellierungs- und Simulationsplattform RMOF für Forschung und Lehre

Als Modellierungssoftware dient YAMM (Yet Another Meta-Model Model) der Entwicklung und Implementierung geeigneter Modelle für ein System. Dabei ist der Entwurf eines größeren Systems in einem Modell bisweilen eine herausfordernde Aufgabe. YAMM dient als Software dafür, die Entwicklung von Modellen zu unterstützen und den Transfer zu automatisieren. Zudem ergänzt YAMM die vorhandenen Elemente der Modellierung um quellcodenahe Elemente, die für vielerlei spezieller logischer Abläufe notwendig sind. Die erzeugten Modelle werden dabei nicht nur in den notwendigen Quellcode transferiert, sondern zugleich lassen sich diese als Programm ausführen sowie visuell und schrittweise simulieren. Die Nutzung der Software ist dabei an jene Benutzer gerichtet, die Systeme, Prozesse und Ablaufe modellieren möchten. Aufgrund der quellcodenahen Entwicklung mit Hilfe von Java sind Programmierkenntnisse in dieser Sprache von Vorteil.

 

Projektpartner

WeSustain GmbH

WeSustain entwickelt Software-Lösungen für das Nachhaltigkeitsmanagement. Sie unterstützen Unternehmen bei der Messung, Verbesserung und Kommunikation der Nachhaltigkeitsleistung. WeSustains Lösungsspektrum deckt alle wichtigen Handlungsfelder des modernen Nachhaltigkeitsmanagements ab.
Kunden wählen aus dem umfangreichen Angebot die benötigten Module flexibel aus und schaffen auf diese Weise ihre maßgeschneiderte Lösung. WeSustains Lösungen ermöglichen aktuell bereits mehr als 500 Unternehmen und Institutionen ein leistungsstarkes Daten- und Performance-Management. Dadurch ergeben sich nicht nur erhebliche Effizienzgewinne, sondern auch eine Steigerung der Datenqualität und eine Reduktion von Fehlern. Diese Verbesserungen bilden die Grundlage für ein professionelles Nachhaltigkeitsmanagement und eine strukturierte Berichterstattung.
WeSustain wurde im Jahr 2010 von erfahrenen Software- und Managementexperten aus dem SAP Umfeld gegründet. Heute wird WeSustain als einer der führenden Anbieter von Software für das Nachhaltigkeitsmanagement in Unternehmen und Organisationen wahrgenommen. WeSustain wurde bei der Gründung von der Europäischen Union und dem Land Niedersachsen unterstützt.