Dieses Bild zeigt Philipp Grimmeisen

Philipp Grimmeisen

M.Sc.

Akademischer Mitarbeiter
Institut für Automatisierungstechnik und Softwaresysteme

Kontakt

+49 711 685 67324
+49 711 685 67302

Pfaffenwaldring 47
70550 Stuttgart
Raum: 1.111

Zeitschriften und Konferenzen:
  1. 2022

    1. P. Grimmeisen, M. Diaconeasa, Y. Ma, und A. Morozov, „Automated Generation of Hybrid Probabilistic Risk Models from SysML v2 Models of Software-Defined Manufacturing Systems“, in Morozov ASME 2022 International Mechanical Engineering Congress & Exposition (IMECE 2022), 30.Oct-3. Nov. 2022, 2022, 2022.
    2. P. Grimmeisen, A. Morozov, T. Fabarisov, A. Wortmann, und C. H. Koo, „Automated Model-Based Reliability Assessment of Software-Defined Manufacturing“, in 2022 IEEE 27th International Conference on Emerging Technologies and Factory Automation (ETFA), September 2022, 2022.
    3. P. Grimmeisen, A. Wortmann, und A. Morozov, „Case study on automated and continuous reliability assessment of software-defined manufacturing based on digital twins“, MODELS ’22: Proceedings of the 25th International Conference on Model Driven Engineering Languages and Systems: Companion Proceedings, 2022.
    4. Y. Ma, P. Grimmeisen, und A. Morozov, „Detection and classification of robotic manipulator anomalies using MLSTM-FCN models“, ASME 2022 International Mechanical Engineering Congress & Exposition (IMECE 2022), 30.Oct-3. Nov. 2022, 2022, 2022.
    5. T. Fabarisov, A. Morozov, I. Mamaev, und P. Grimmeisen, „FIDGET: Deep Learning-Based Fault Injection Framework for Safety Analysis and Intelligent Generation of Labeled Training Data“, 2022 IEEE 27th International Conference on Emerging Technologies and Factory Automation (ETFA), September 2022, 2022.
  • Vorlesungsassistent TMSI

Forschungsschwerpunkt:

Automatisierte Risikoanalyse von Software-definierten Systemen/Robotern

Beschreibung:

Software-definierte Systeme erfordern einen neuen Ansatz für die Risikoanalyse. Diese Systeme sind anhand von Features wie häufigen SW-Updates, KI-Komponenten und der Verwendung von digitalen Zwillingen gekennzeichnet und müssen hinsichtlich Zuverlässigkeit und Verlässlichkeit untersucht werden. Mit jedem SW-Update kann sich das Verhalten des Systems ändern, daher muss die Risikoanalyse vor jedem SW-Update automatisiert durchgeführt werden. 

Die automatisierte Generierung von fortgeschrittenen hybriden Risikomodellen und Model-to-Model-Transformationsmethoden sind hierbei von entscheidender Bedeutung. Die Integration und Synchronisation des Risikoanalysemoduls mit dem digitalen Zwilling soll untersucht werden. KI-basierte Methoden sollen eingesetzt werden, um die erforderlichen Inputs für Risikomodelle aus dem digitalen Zwilling zu extrahieren. Eine Kombination aus formalen Methoden und Fehlerinjektion wird untersucht, um das Risiko von KI-basierten SW-Komponenten zu bewerten. Die entwickelten Risikomodellen werden im Gegensatz zu klassischen Riskomodellen in der Lage sein, sich an das Verhalten wandlungsfähiger Systeme anzupassen.

Forschungsportal
https://www.researchgate.net/profile/Philipp-Grimmeisen
https://scholar.google.com/citations?user=q12-whYAAAAJ&hl=de&oi=ao
LinkedIn: https://www.linkedin.com/in/philipp-grimmeisen-23a080223/

Institutsleitung

Lehrbeauftragter

Sekretariat

Angestellte

Akademische Mitarbeiter

Digitaler Zwilling für die Automatisierungstechnik

Intelligente und lernende Automatisierungssysteme

Komplexitätsbeherrschung in der Automatisierungstechnik

Risikoanalyse und Anomalieerkennung für vernetzte Automatisierungssysteme

Stipendiat Graduate School of Excellence advanced Manufacturing Engineering (GSaME)

Auszubildende

Zum Seitenanfang