Realtime Analytics im Bereich IoT Masterstudiengang Data Science, TU Chemnitz, Michael Thess
|
|
- Curt Krämer
- vor 5 Jahren
- Abrufe
Transkript
1 Realtime Analytics im Bereich IoT Masterstudiengang Data Science, TU Chemnitz, 2018 Michael Thess
2 Signal Cruncher GmbH Background 2016 in Berlin als Spin-off der prudsys AG gegründet Gründung: Fokus: Produkt: Proof of Concept: 1998 aus TU Chemnitz Pionier im Bereich Echtzeit-Personalisierung Retail Real-Time Analytics Real-Time Decision Engine (RDE) für personalisierte Empfehlungen, Marketing Automation & Dynamic Pricing Marktführer in Europa Online-Shops in 34 Ländern - darunter viele TOP 100 Versandhändler aus Deutschland Gründung: 2016 Fokus: Übertragung der RDE auf Non-Retail-Segmente in die Bereiche Industrie 4.0 & Smart Home Produkt: Proof of Concept: XONBOT (aus XELOPES) Analysekern der RDE. Selbstlernendes Entscheidungssystem für Applikationen und Gegenstände des Alltags. Basiert auf Reinforcement Learning. Erfolgreiche Abwicklung von Industrie 4.0 & Smart-Home- Pilotprojekten
3 XONBOT macht Geräte selbstlernend Ein automatisch lernendes System spart dem Bewohner Arbeit und kann die Zusammenhänge statistisch viel exakter erlernen als ein Mensch. Der XONBOT wird mit einem zentralen Gateway verbunden oder darin integriert. Danach wird er in den Lernmodus für die betreffenden Geräte versetzt, beobachtet das Schaltverhalten und lernt daraus. Soll XONBOT die Steuerung der Geräte übernehmen, so wird in den Applikationsmodus umgeschaltet. Dabei kann sein Verhalten manuell übersteuert werden. Auch daraus wird gelernt. Kenngrößen können optimiert werden wie z.b. der Energie- oder Stromverbrauch für vorgegebene Raumtemperatur bzw. -verlauf.
4 Echtzeitansatz im Smart-Home Anwendungen (Beispiele): Lampensteuerung: Anwesenheitssimulation, Helligkeitssteuerung, Empfehlungen Küchenberater: Vorschlag von Speisen und Rezepten, z.b. möglichst kaloriensparend Cross-Selling: personalisierte Angebote von Produkten und Dienstleistungen Avatar: Persönlicher Berater, der aus Nutzerinteraktion lernt, agiert als Metasteuerung für alle KI-Anwendungen Im weiteren soll exemplarisch das Thema der Eigenverbrauchsoptimierung betrachtet werden
5 Echtzeitansatz im Smart-Home Eigenverbrauchsoptimierung: Das Ziel besteht darin, die Geräte in Abhängigkeit von Sensoren zeitlich derart zu steuern, dass bei Einhaltung eines vorgeschriebenen Temperaturverlaufs der Energie- oder Stromverbrauch über den gesamten Tag minimiert wird. XONBOT lernt fortlaufend die Thermodynamik eines Hauses, die Entwicklung der Außentemperaturen und das Verhalten der Bewohner. In jedem Schritt berechnet er wie Vorlauftemperaturen, Heizventile oder elektrisch Stellgrößen zu wählen sind, um den Energieverbrauch zu minimieren. In jedem Schritt gleicht er Ist und Soll ab und korrigiert sein Modell der Umwelt. Auf diese Weise lernt XONBOT innerhalb weniger Wochen die optimale Steuerung der Heizgeräte.
6 Beispiel Steuerung der Vorlauftemperatur Ziel: Steuerung der Vorlauftemperatur mit minimalem Energieverbrauch Dabei soll Zieltemperatur möglichst genau eingehalten werden Messung von Vorlauftemperatur, Innentemperatur und Außentemperatur Formulierung: Nutzen die Tatsache, dass Energieverbrauch mit Vorlauftemperatur korreliert Meßdatenerfassung sowie Regelung in N äquidistanten Intervallen Folgende Variablen:
7 Beispiel Steuerung der Vorlauftemperatur Formulierung: Lösung von Regularisierungsproblem hinsichtlich der Vorlauftemperaturen zu allen Zeitpunkten: min τ1,,τ N N (t i t) 2 N i=1 + λ i=1 τ i unter den Nebenbedingungen t min t i, i = 1,, N, t i τ i t max, i = 1,, N Interpretation: Erster Term bestraft hohe Abweichung von Solltemperatur, zweiter Term hohen Energieverbrauch Regularisierungsparameter legt Gewichtung zwischen beiden fest, von Nutzer festgelegt Beinhaltet im Kern die Lösung zweier Probleme: 1. Modellierung des Zusammenhangs zwischen Vorlauf- und Innentemperaturen (abhängig von weiteren Größen) 2. Minimierung des Energieverbrauchs durch richtige Wahl der Vorlauftemperaturen
8 Modellierung der Thermodynamik Heizung eines Universitätsgebäudes, reale Daten (auf Minutenbasis) Modellierung der Vorlauftemperatur temp_in (rekursiv für 10 Tage) bei vorgegebener Innentemperatur Regressionsmodell (FM-SVM) abhängig von Innentemperatur und Außentemperatur temp_env temp_env temp_in temp_in_predict Ergebnis: 1. Sehr exakt modellierbar, sofern Einflussgrößen bekannt 2. Funktioniert analog für Innentemperatur
9 2. Steuerung über Reinforcement Learning Wechselspiel aus Agent und Umgebung Grundlegende Begriffe: Zustand s, Aktion a und Belohnung r Agent lern dabei, eine skalare Zielgröße zu maximieren den erwarteten Gewinn Der erwartete Gewinn ist die Summe aller erwarteten Belohnungen: R θ = T k=0 γ k r θ+k+1 Diese wird über die Aktionswertfunktion f(s, a) modelliert, welche über die Bellman-Gleichung berechnet wird Die Umsetzung der Policy liefert in jedem Zustand die nächste Aktion. Ansatz: π(s) = argmax a A(s) f(s, a) XENBOT enthält praxisreifes RL-Framework
10 Beispiel Steuerung der Vorlauftemperatur Lösung: Über Reinforcement Learning, Belohnung (exakt: Bestrafung) in jedem Schritt r i = (t i t) 2 λτ i unter den Nebenbedingungen t min t i, i = 1,, N, t i τ i t max, i = 1,, N Helligkeitssensor kann noch integriert werden, Helligkeiten
11 Gesamtmodellierung Modellierung über drei Teile: Zeitreihenprognose für Wetter Regression für Thermodynamik RL-Simulation für Steuerung Optional: Zeitreihenprognose für Nutzeranforderungen Vorgehen in jedem Zeitschritt: Anpassung Zeitreihenmodell und Prognose bis Tagesende Anpassung des Regressionsmodells Simulation bis Tagesende, SARSA-Algorithmus zur Bestimmung der optimalen Policy und Ausgabe der Vorlauftemperatur für nächsten Zeitschritt Anmerkungen: Wetterdaten können auch extern angeliefert werden Modellierung der Thermodynamik ohne Rücklauftemperatur Prinzipiell können aber frei weitere Attribute hinzugenommen werden
12 Beispiel Erweiterung um Heizlüfter Vorheriges Beispiel soll nun um Heizlüfter erweitert werden: Heizlüfter wird zusätzlich gesteuert, Stromverbrauch zusätzlich gemessen Erweiterung im RL sehr einfach durch neue Belohnung : r i = (t i t) 2 λ(ρτ i + ω i ) Energieverbrauch wird in äquivalenten Stromverbrauch (Normierungskonstante ) umgerechnet!
13 Was geht noch? System lässt sich im Grunde flexibel um beliebige weitere Messgeräte und Aktoren erweitern Nutzen Flexibilität der RL-Formulierung Das Lernen dauert länger Komplexität kann nicht beliebig erweitert werden Neue Qualität der Eigenverbrauchsoptimierung!
Künstliche Intelligenz im Internet of Things Mind Slam Chemnitz, Michael Thess
Künstliche Intelligenz im Internet of Things Mind Slam Chemnitz, 2017 Michael Thess Signal Cruncher GmbH Background 2016 in Berlin als Spin-off der prudsys AG (Chemnitz) gegründet Gründung: Fokus: Produkt:
MehrReinforcement Learning. Volker Tresp
Reinforcement Learning Volker Tresp 1 Überwachtes und unüberwachtes Lernen Überwachtes Lernen: Zielgrößen sind im Trainingsdatensatz bekannt; Ziel ist die Verallgemeinerung auf neue Daten Unüberwachtes
Mehr8. Reinforcement Learning
8. Reinforcement Learning Einführung 8. Reinforcement Learning Wie können Agenten ohne Trainingsbeispiele lernen? Auch kennt der Agent zu Beginn nicht die Auswirkungen seiner Handlungen. Stattdessen erhält
MehrReinforcement Learning
Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied
MehrEinsatz von Reinforcement Learning in der Modellfahrzeugnavigation
Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation von Manuel Trittel Informatik HAW Hamburg Vortrag im Rahmen der Veranstaltung AW1 im Masterstudiengang, 02.12.2008 der Anwendung Themeneinordnung
MehrCombining Manual Feedback with Subsequent MDP Reward Signals for Reinforcement Learning W. Bradley Knox und Peter Stone
Combining Manual Feedback with Subsequent MDP Reward Signals for Reinforcement Learning W. Bradley Knox und Peter Stone 14.12.2012 Informatik FB 20 Knowlegde Engineering Yasmin Krahofer 1 Inhalt Problemstellung
Mehr3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
MehrStay ahead. Make the best decisions with artificial retail intelligence
Stay ahead. Make the best decisions with artificial retail intelligence »If you don t have an AI strategy, you are going to die in the world that s coming.«devin Wenig ebay CEO Wir automatisieren Ihre
MehrDynamische Optimierung
Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Dynamisches Optimierungmodell 3 2.1 Grundmodell der dynamischen Optimierung............
MehrDynamic Programming. To compute optimal policies in a perfect model of the environment as a Markov decision process.
Dynamic Programming To compute optimal policies in a perfect model of the environment as a Markov decision process. 1. Dynamic Programming Algorithmen die Teilergebnisse speichern und zur Lösung des Problems
MehrTemporal Difference Learning
Temporal Difference Learning Das Temporal Difference (TD) Lernen ist eine bedeutende Entwicklung im Reinforcement Lernen. Im TD Lernen werden Ideen der Monte Carlo (MC) und dynamische Programmierung (DP)
MehrRecommendation Engine. Systeme aus besten Händen. SAP. E-Business. IT-Services. Sales & BI Systems
Recommendation Engine Erhöhung des Umsatzes und der Conversion Rate durch personalisierte Produktvorschläge Setzen Sie auf Spitzentechnologie vom Marktführer! Klassische Produktempfehlungen sind heute
MehrWhat-if-Bedingungen passen diese Szenarien flexibel an die Wünsche der Bewohner an. So wird zum Beispiel der Rollladen in
Viessmann Vitocomfort 200 Smart Home-System für höchsten Komfort und maximale Energieeffizienz Vitocomfort 200 ist ein funkbasiertes Smart Home-System, das zahlreiche Funktionen im Haus von der Heizung
MehrAus der Praxis für die Praxis
Auf dem Weg zur digitalen Fabrik: Aus der Praxis für die Praxis 27. April 2017 Philippe Ramseier Geschäftsinhaber Autexis Herausforderungen Projekte Erfolgsfaktoren und Nutzen Fazit Eine Unternehmung,
MehrReinforcement Learning
Reinforcement Learning Valentin Hermann 25. Juli 2014 Inhaltsverzeichnis 1 Einführung 3 2 Wie funktioniert Reinforcement Learning? 3 2.1 Das Modell................................... 3 2.2 Exploration
MehrSmart Thermostat Smart heisst, ihre Bedürfnisse zu verstehen
Smart Thermostat Smart heisst, ihre Bedürfnisse zu verstehen siemens.ch/smartthermostat Übersichtliche, benutzerfreundliche Oberfläche Menü / Einstellungen anpassen Green-Leaf- Anzeige Abwesenheitsmodus
MehrAgenda. Strategien, Trends und Technologien. Next-Best-Action Marketing Kundenbeispiele. Zusammenfassung Pegasystems Inc.
Agenda 1 Strategien, Trends und Technologien 2 Next-Best-Action Marketing Kundenbeispiele 3 Zusammenfassung 1 2 2016 Pegasystems Inc. Strategien, Trends und Technologien M O D E R NES IN B O U ND U N D
MehrEigenverbrauchsoptimierung
Eigenverbrauchsoptimierung durch antizipierende Heizungsregelung mit eigener Strahlungsprognose Smart Energy Control GmbH Prof. Dr. D. Zogg Smart Energy Control. Prof. Dr. David Zogg Geschäftsleitung James
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrReinforcement Learning
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Reinforcement Learning Uwe Dick Inhalt Problemstellungen Beispiele Markov Decision Processes Planen vollständige MDPs Lernen unbekannte
MehrKluges Haus, was tun?
Seite 1 von 30 Kluges Haus, was tun? Im folgenden wollen wir zeigen, wie sich Smart-Home-Devices selbstlernend über den Xonbot steuern lassen und warum das so cool ist. Fangen wir an. Die Beleuchtung im
MehrDas Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle. Christoph Kugler, Thomas Hochrein 26. Mai 2011
Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle Christoph Kugler, Thomas Hochrein 26. Mai 2011 Das in Echtzeit und inline Unmessbare messen Softsensoren zur Prozessanalyse
MehrQUNIS 360 was war, was wird? BI, Big Data, Cloud, Predictive & Advanced Analytics, Streaming. Referent: Steffen Vierkorn
QUNIS 360 was war, was wird? BI, Big Data, Cloud, Predictive & Advanced Analytics, Streaming Referent: Steffen Vierkorn Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
MehrDr. Michael Thess. prudsys AG. Vortrag auf den 7. DATA-MINING-CUP Anwendertagen (Chemnitz vom Juni 2006)
Dr. Michael Thess prudsys AG Vortrag auf den 7. DATA-MINING-CUP Anwendertagen (Chemnitz vom 27.-29. Juni 2006) Copyright-Hinweis: Das Urheberrecht des folgenden Vortrags liegt beim Autor. Verbreitung,
MehrIntelligente Energieversorgung in Gebäuden
Intelligente Energieversorgung in Gebäuden durch individuelle Energiemanagementsysteme Thomas Hofmann 27.092016 1 Copyright ESI Copyright Group, 2016. ESI Group, All rights 2016. reserved. All rights reserved.
MehrHaushaltsstrom- Lastprognose
www.energizedanalytics.com SANDY-PROGNOSE-SERVICE: Haushaltsstrom- Lastprognose Eine Innovation der 2 MEHR RENDITE FÜR IHRE PRODUKTE WISSEN WANN WIEVIEL VERBRAUCHT WIRD Der Strombedarf von Haushalten ist
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
MehrNeues Verfahren zur Roboterzielführung ohne Kalibrierung
Lernende Roboterführung Roboteraugen werden autonomer, leistungsfähiger und genauer Neues Verfahren zur Roboterzielführung ohne Kalibrierung Unter dem Namen AURA (Adaptive Uncalibrated Robot Automation)
Mehr14. Das Minimumprinzip
H.J. Oberle Variationsrechnung u. Optimale Steuerung SoSe 2008 14. Das Minimumprinzip In diesem Abschnitt behandeln wir die Idee der dynamischen Programmierung, die auf Bellmann 31 (1957) zurückgeht und
MehrGenug Dampf auf dem Kessel? - Heizkesselregelung
Fakultät Informatik Institut für Angewandte Informatik, Professur für Technische Informationssysteme Genug Dampf auf dem Kessel? - Heizkesselregelung Hauptseminar Technische Informationssysteme Sven Menschner
MehrBewirtschaftung thermische Speicher Erfahrungen aus dem Projekt WarmUp
Bewirtschaftung thermische Speicher Erfahrungen aus dem Projekt WarmUp Dr. Karl Werlen, Misurio AG Innovationsgruppe Speicher / Wärmetauscher (12. IG SP/WT) 30. Oktober 2018 Über Misurio Seit 2009 löst
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
Mehr5. Klassifikation. 5.6 Support Vector Maschines (SVM)
5. Klassifikation 5.6 Support Vector Maschines (SVM) übernommen von Stefan Rüping, Katharina Morik, Universität Dortmund Vorlesung Maschinelles Lernen und Data Mining, WS 2002/03 und Katharina Morik, Claus
MehrLösungen für Einrohranlagen
Beschreibung Danfoss bietet für Einrohr-Heizungsanlagen ein komplettes Produktsortiment, mit denen sich effiziente und zuverlässige Lösungen realisieren lassen. Die sind: - Automatischer Durchflussregler
Mehr10 Statistisches Schätzen
10 Statistisches Schätzen 620 10 Statistisches Schätzen 10.1 Punktschätzung 623 10.1.1 Schätzer und ihre Gütekriterien 623 10.1.2 Erwartungstreue 627 10.1.3 Erwartete quadratische Abweichung (MSE) 634
MehrAUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM
AUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM ifesca GmbH GRÜNDUNG DURCH EHEMALIGE FRAUNHOFER- WISSENSCHAFTLER EXPERTEN AUF DEM GEBIET ENERGIE- WIRTSCHAFT UND SOFTWARETECHNIK
MehrMaintenance 4.0: Wie verändert Industrie 4.0 die Serviceprozesse?
Maintenance 4.0: Wie verändert Industrie 4.0 die Serviceprozesse? SAP Infotag Industrie 4.0 10. November 2014 André Guillebeau Swisscom IT Services AG Industrie 4.0 Ein Blick in die Zukunft 2 Wie wäre
MehrVorhersage Täglicher Stromverbrauch für den Industriekomplex
Vorhersage Täglicher Stromverbrauch für den Industriekomplex Boris Bizjak, Univerza v Mariboru, FERI, Slovenija EnInov 2018 TU Graz, Austria 5. 03. 2018 1 Der Industriekomplex besteht aus 20 Unternehmen
MehrAnalyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung
Analyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung Zusammenfassung der Diplomarbeit an der Hochschule Zittau/Görlitz Maria Kiseleva Motivation
MehrFunktionslernen. 5. Klassifikation. 5.6 Support Vector Maschines (SVM) Reale Beispiele. Beispiel: Funktionenlernen
5. Klassifikation 5.6 Support Vector Maschines (SVM) übernommen von Stefan Rüping, Katharina Morik, Universität Dortmund Vorlesung Maschinelles Lernen und Data Mining, WS 2002/03 und Katharina Morik, Claus
Mehrzwischen SMARTgrid und SMARThome Martin Mayer evon
zwischen SMARTgrid und SMARThome Martin Mayer evon Projektidee und Ausgangslage SMARTMSR PROJEKTIDEE Modellbasiertes Energiemanagement System Maximierung Benutzerkomfort Minimierung Energiekosten Projektidee
MehrSmart Home das Haus das mitdenkt! Das Haus das mitdenkt! Wie aus Ihrem Haus ein Smart Home wird!
Das Haus das mitdenkt! Wie aus Ihrem Haus ein Smart Home wird! Definition Smart Home Vernetzung und Steuerung der technischen Einrichtungen im Gebäude - Hausautomation (Heizung, Lüftung, Beleuchtung) -
Mehr3. Runder Tisch Eine Hilfestellung: das intelligente Gebäude. Überblick Gebäudeleitsysteme / Hausautomatisation
Thema 3. Runder Tisch Eine Hilfestellung: das intelligente Gebäude Überblick Gebäudeleitsysteme / Hausautomatisation Seite 1 Agenda Begrüßung /Vorstellung Themenportfolio Energie Überblick Gebäude- / Hausautomatisation
MehrÜber- und unterbestimmte
Über- und unterbestimmte Systeme (verallgemeinerte Lösungen) Über- und unterbestimmte Systeme Ax = b ist genau dann für alle b R m eindeutig lösbar, wenn m = n und rk A = n. Falls m n oder rk A < min{m,
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrIntelligente Messsysteme Ihre Fragen, unsere Antworten
Intelligente Messsysteme Ihre Fragen, unsere Antworten 1. Welche Ziele werden mit dem Einbau intelligenter Messsysteme/Smart Meter verfolgt? Das Gesetz zur Digitalisierung der Energiewende, dessen wichtigster
MehrAllgemeine lineare Modelle
262 Merkpunkte Allgemeine lineare Modelle Multiple lineare Regression mit nicht-normalen Zufallsabweichungen bilden eine harmlose" Verallgemeinerung der multiplen lin. Regr. Beispiele: Gumbel-Regression,
MehrDer diskrete Kalman Filter
Der diskrete Kalman Filter Fachbereich: Informatik Betreuer: Marc Drassler Patrick Winkler 1168954 6. Dezember 2004 Technische Universität Darmstadt Simulation und Systemoptimierung Darmstadt Dribbling
MehrAlgorithmisches Lernen, SS06 Dr. G. Grieser Automatensynthese
Foliensatz freundlicherweise überlassen von Prof. S. Lange 0000 0000000000000 0 Foliensatz freundlicherweise überlassen von Prof. S. Lange 2 Minimales 0000 Ziel: Wir wollen einen Becher mit Kaffee aus
MehrFolien zu Data Mining von I. H. Witten und E. Frank. übersetzt von N. Fuhr
Folien zu Data Mining von I. H. Witten und E. Frank übersetzt von N. Fuhr Von Naivem Bayes zu Bayes'schen Netzwerken Naiver Bayes Annahme: Attribute bedingt unabhängig bei gegebener Klasse Stimmt in der
MehrHumanoide Roboter Erlernen von Ballannahme, Positionierung zum Ball und gezieltes Schiessen. Sebastian Jakob
Humanoide Roboter Erlernen von Ballannahme, Positionierung zum Ball und gezieltes Schiessen Sebastian Jakob Einführung Grundlegende Fragen beim Ballspiel Wie erreiche ich den Ball? Wie schieße ich ein
MehrBasisanforderungen: Erweiterte Anforderungen: Das fertige Protokoll bitte im Aufgabentool von I-Serv unter Abgaben hochladen!
Basisanforderungen: 1. Erstelle das Modell der Temperaturregelung inkl. Programmierung. 2. Erläutere den Unterschied zwischen einer Steuerung und einer Regelung. 3. Benenne die Sensoren und Aktoren dieser
MehrKünstliche Intelligenz: Periodensystem der Elemente. Arbeitskreis Artificial Intelligence
Künstliche Intelligenz: Periodensystem der Elemente Arbeitskreis Artificial Intelligence Künstliche Intelligenz: 28 Elemente Künstliche Intelligenz: 28 Elemente - 8 Fragen Was genau leistet das Element?
MehrESERA-Station. Smart Home Smart System Smart Building für Privat und Semiprofessionell
ESERA-Station Smart Home Smart System Smart Building für Privat und Semiprofessionell ESERA-Station DIE zentrale Steuerung für Ihr gesamtes Haus erweiterbar, offen und zukunftssicher E S E R A - S t a
MehrSADE. Simulative Analyse Dezentraler Energieversorgungskonzepte. Peter Endres. GridSystronic Energy GmbH
BMWi/BMU/BMBF-Förderinitiative Zukunftsfähige Stromnetze Im Rahmen der Projekt SADE Simulative Analyse Dezentraler Energieversorgungskonzepte Peter Endres GridSystronic Energy GmbH Peter.Endres@gridsystronic-energy.com
MehrHeinrich-von-Brentano-Schule: Intelligente Beleuchtung macht Schule. Siteco. Main-Taunus-Kreis
Heinrich-von-Brentano-Schule: Intelligente Beleuchtung macht Schule Siteco Main-Taunus-Kreis Heinrich-von-Brentano-Schule: Intelligente Beleuchtung macht Schule BESCHREIBUNG Ausgangssituation - 50 Stück
MehrViega Fonterra Smart Control. Stellt sich automatisch auf Ihren Komfort ein.
Viega Fonterra Smart Control Stellt sich automatisch auf Ihren Komfort ein. Intelligent gesteuert REAGIERT SCHON, BEVOR SIE KALTE FÜSSE BEKOMMEN. Die intelligente Einzelraumregelung Fonterra Smart Control
MehrClimaECO: ABB i-bus KNX HLK-Lösungen
HEIDELBERG, 22.03.2019 EPBP GEBÄUDEAUTOMATION (BA) ClimaECO: ABB i-bus KNX HLK-Lösungen Kurzübersicht / Funktionen Team Application Engineering ClimaECO: ABB i-bus KNX HLK-Lösungen Hauptanwendungen Gebäudetypen
MehrValidierung von Luftmessdaten am Beispiel Hamburger Luftmessnetz
Validierung von Luftmessdaten am Beispiel Hamburger Luftmessnetz Struktur: I. Automatische Validierung II. Grundsätze zur manuellen Validierung III. Tägliche Plausibilisierung IV. Langzeitvalidierung 1
MehrSparse Hauptkomponentenanalyse
Sparse Referent: Thomas Klein-Heßling LMU München 20. Januar 2017 1 / 36 1 Einführung 2 3 4 5 2 / 36 Einführung Ziel: vorhandene Datenmenge verstehen Daten komprimieren Bei der Sparse (SPCA) handelt es
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
MehrEve Flare - Stimmungslicht
Reviewers Guide Eve Flare - Stimmungslicht Eve Flare schafft die perfekte Atmosphäre ein Fingertipp oder Siri-Sprachbefehl genügt. Die portable LED-Leuchte bietet Energie für sechs Stunden Lichtstimmung,
MehrRecommendation Engines im E Commerce
Recommendation Engines im E Commerce Funktionsweise Einsatzgebiete Wirtschaftlichkeit Silvio Steiger, prudsys AG www.prudsys.de Ziele mehr Kunden die mehr kaufen Persönlich relevante: Angebote Inhalte
MehrMehrfache Lineare Regression 1/9
Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach
MehrMolekulare Bioinformatik
Molekulare Bioinformatik Wintersemester 2013/2014 Prof. Thomas Martinetz Institut für Neuro- und Bioinformatik Universität zu Luebeck 14.01.2014 1 Molekulare Bioinformatik - Vorlesung 11 Wiederholung Wir
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Stützvektormethode Katharina Morik LS 8 Informatik 8.11.2011 1 von 38 Gliederung 1 2 Lagrange-Optimierung 2 von 38 Übersicht über die Stützvektormethode (SVM) Eigenschaften
MehrFRIENDSHIP-Framework: Optimierung umströmter Flächen über konzeptionelle Kopplung von CAD, Variation und Simulation.
FRIENDSHIP-Framework: Optimierung umströmter Flächen über konzeptionelle Kopplung von CAD, Variation und Simulation www.friendship-systems.com Inhalt FRIENDSHIP SYSTEMS FRIENDSHIP-Framework Parametrische
MehrEnergieeffizienz komplexer Systeme durch KI-gestützte Optimierung
Energieeffizienz komplexer Systeme durch KI-gestützte Optimierung ifesca GmbH GRÜNDUNG DURCH EHEMALIGE FRAUNHOFER- WISSENSCHAFTLER EXPERTEN AUF DEM GEBIET ENERGIE- WIRTSCHAFT UND SOFTWARETECHNIK GRÜNDUNG
Mehr24/7. Modernes Heizen einfach, effizient und ferngesteuert. living.danfoss.com. Heizungsregelung living by Danfoss
Heizungsregelung living by Danfoss Modernes Heizen einfach, effizient und ferngesteuert Früher zu Hause. Temperatur im Wohnzimmer: 21 C. Mit der neuen Danfoss Link App können Sie die Beheizung Ihres Hauses
Mehrauf einer Suche basierender problemlösender Agent (Kapitel 3) logischer Planungsagent (Kapitel 10)
11 Planen Zentrale Fragestellung: Wie kann ein Agent die Struktur eines Problems nutzen, um komplexe Aktionspläne zu konstruieren? Bisher zwei Beispiele für planende Agenten: auf einer Suche basierender
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrAlpiq InTec leistet Beitrag zur Energiewende GridSense. Peter Arnet, Alpiq E-Mobility AG Geschäftsführer Zürich, 10. Juni 2014
leistet Beitrag zur Energiewende GridSense Peter Arnet, Alpiq E-Mobility AG Geschäftsführer Zürich, 10. Juni 2014 Alpiq Wissensträger für ganzheitliche Lösungen. Alpiq Produzent Leitungen Verkauf/Trader
MehrModellprädiktive Regelung nichtlinearer sampled-data Systeme
Modellprädiktive Regelung nichtlinearer sampled-data Systeme L. Grüne 1 D. Nešić 2 J. Pannek 1 1 Mathematisches Institut Universität Bayreuth 2 EEE Department University of Melbourne 13. Februar 2006 Workshop
MehrProduktdatenblatt Palas welas digital 2000
Produktdatenblatt Palas welas digital 2000 Anwendungen Abscheidegradbestimmung von KFZ Innenraumfiltern, Motorluftfiltern, Raumluftfiltern, Druckluftfiltern, Staubsaugerfiltern, abreinigbaren Filtern,
MehrDatenmodelle, Regression
Achte Vorlesung, 15. Mai 2008, Inhalt Datenmodelle, Regression Anpassen einer Ausgleichsebene Polynomiale Regression rationale Approximation, Minimax-Näherung MATLAB: polyfit, basic fitting tool Regression
MehrASIM Fachgruppentreffen STS/GMMS
ASIM Fachgruppentreffen STS/GMMS Modellbasiert lernende Steuerung für Gelenkarmroboter FG Computational Engineering and Automation Georg Kunert, M.Eng. georg.kunert@cea-wismar.de Prof. Dr.-Ing. Thorsten
MehrOptimal-trennende Hyperebenen und die Support Vector Machine. Volker Tresp
Optimal-trennende Hyperebenen und die Support Vector Machine Volker Tresp 1 (Vapnik s) Optimal-trennende Hyperebenen (Optimal Separating Hyperplanes) Wir betrachten wieder einen linearen Klassifikator
MehrVariation mit Nebenbedingungen
Variation mit Nebenbedingungen Lagrange-Multiplikatoren Welcher Punkt minimiert unter der Nebenbedingung (NB) absolutes Minimum Ohne NB wäre Antwort: 2 Gl. für 2 Unbekannte Aber: NB verknüpft x,y unabhängige
MehrUniv.-Prof. DDr. Franz Adunka, A
Univ.-Prof. DDr. Franz Adunka, A Warum die Diskussion über den JMF? EN 1434 legt für die zulässigen Messabweichungen fest: Seite 2 Grundsätzliche Überlegungen Messfehler / Messabweichung ist wichtig für
MehrIntell gente Stromzähler
Intell gente Stromzähler Umstellung ab 2018 2 Intelligente Stromzähler Eine neue Generation zieht ein Haben Sie noch ein Telefon mit Wählscheibe? Ein Grammophon mit Schalltrichter? Eben. Aber der Stromzähler,
MehrReinforcement Learning
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Reinforcement Learning Uwe Dick Inhalt Problemstellungen Beispiele Markov Decision Processes Planen vollständige MDPs Lernen unbekannte
MehrLineare Klassifikationsmethoden
Verena Krieg Fakultät für Mathematik und Wirtschaftswissenschaften 08. Mai 2007 Inhaltsverzeichnis 1. Einführung 2. Lineare Regression 3. Lineare Diskriminanzanalyse 4. Logistische Regression 4.1 Berechnung
MehrAus Gründen des Urheberrechts wurden einige Bilder aus der Präsentation entfernt. Das Verständnis des Inhalts könnte dadurch beeinträchtigt sein.
Aus Gründen des Urheberrechts wurden einige Bilder aus der Präsentation entfernt. Das Verständnis des Inhalts könnte dadurch beeinträchtigt sein. Unternehmen Produkte Dienstleistungen Energieeffizienz
MehrEinführung der Adobe Marketing Cloud bei Credit Suisse. Michael Grob Senior Consultant
Einführung der Adobe Marketing Cloud bei Credit Suisse Michael Grob Senior Consultant 280/6 1 2/4 Unic - Seite 2 Zwischenbericht Projektübersicht Einblicke Microsites Multimedia Center Dynamic Tag Management
MehrAccelerating Digital Leadership. Big-Data-Architekturansätze für IoT Plattformen. Christian J. Pereira. Juni Q-loud member of QSC group
Accelerating Digital Leadership Juni 2016 Big-Data-Architekturansätze für IoT Plattformen Christian J. Pereira member of QSC group ist Mitglied der QSC-Gruppe Die QSC AG ist der Digitalisierer für den
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrTransforming Data into Action
Transforming Data into Action Berner-Architekten-Treffen Patrick Bönzli Manuel Linder Inhalt Vision und Impulse Technologie und Wissen Anwendung und Erfahrungen IMPULSE Sensoren Connectivity People & Processes
MehrNichtlineare Ausgleichsrechnung
10. Großübung Nichtlineare Ausgleichsrechnung Allgemeines Problem: Wir betrachten ein nichtlineares System F : R n R m mit (m > n, d.h. das System ist überbestimmt und F i (x g(t i ; x g i! 0 i 1,.., m.
Mehr2. Elementare Lösungsmethoden
H.J. Oberle Differentialgleichungen I WiSe 2012/13 2. Elementare Lösungsmethoden A. Separierbare Differentialgleichungen. Eine DGL der Form y (t) = f(t) g(y(t)) (2.1) mit stetigen Funktionen f : R D f
MehrHier der Rest der Bearbeitungen zu den Übungsbeispielen. Viel Erfolg beim Test!
Liebe Übungsgruppe! Hier der Rest der Bearbeitungen zu den Übungsbeispielen. Viel Erfolg beim Test! 45) Die Nullpunktsenergie von 3ε kommt daher, dass die drei Oszillatoren im Grundzustand jeweils eine
MehrAnalytische Vorhersagen zur Minimierung der MDK-Prüfquote
Analytische Vorhersagen zur Minimierung der MDK-Prüfquote conhit 2017 27. April 2017 3M / 4K ANALYTICS. All Rights Reserved. 1 Agenda Vorstellung 4K Analytics Vorstellung Zusammenarbeit 4K Analytics und
MehrExperimentelle Grundlagen γ + N N + π
Experimentelle Grundlagen γ + N N + π Thomas Schwindt 28. November 2007 1 Relativistische Kinematik Grundlagen Lorentz-Transformation Erzeugung und Zerfall von Teilchen 2 Das Experiment Kinematik Aufbau
MehrDie digitale Agenda der ÖBB Die Interaktion von Strategie und Technologie
Die digitale Agenda der ÖBB Die Interaktion von Strategie und Technologie Marcus Frantz, Konzern CIO Wien, Strategisches Konzern IT-Management Digitale Transformation Die Integration der digitalen Technologien
MehrAnwendung logistischer und linearer Regressionsmodelle zur Berechnung von adjustierten NNEs und Risikodifferenzen
Workshop der AG Statistische Methoden in der Medizin Magdeburg, 22.11.2007 Anwendung logistischer und linearer Regressionsmodelle zur Berechnung von adjustierten NNEs und Risikodifferenzen Ulrich Gehrmann
Mehrblossomicapp Jetzt für ios und Android verfügbar Kurzbeschreibung: 2.0
Version 2.0 blossomicapp Jetzt für ios und Android verfügbar Kurzbeschreibung: Die blossomic- App ist eine einzigartige Regelungstechnik, bestehend aus einer zeitlich- automatisierten Steuerung, mit der
MehrOptimale Steuerung 1
Optimale Steuerung 1 Kapitel 5: Eindimensionale Nichtlineare Optimierung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Beispiel: Optimierung des Rohrleitungsdurchmessers für den
MehrPV-Produktionsprognose
www.energizedanalytics.com SANDY-PROGNOSE-SERVICE: PV-Produktionsprognose Eine Innovation der 2 WISSEN WAS SIE ERWARTET Die Wirtschaftlichkeit von PV-Anlagen wird maßgeblich von der Höhe des Eigenverbrauchs
MehrExperimentelle Methoden der Teilchenphysik Sommersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Experimentelle Methoden der Teilchenphysik Sommersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher Physikalisches Institut, Westbau, 2. OG Raum 008 Telefon 07621 203 7612 E-Mail:
MehrIn der folgenden Lerneinheit simulieren Sie das Parametrieren der Funktion Heizen in der ETS.
Einleitung Einleitung: Die Heizungsregelung in der Gebäudetechnik spielt eine wichtige Rolle. Der größte Energieverbrauch findet bei der Beheizung von Gebäuden statt. Mit einer intelligenten Regelung reduziert
Mehr