Publikationen

Due to the possibilities of digitalization, the world of work is undergoing a profound change towards Industry 4.0 and related Learning and Working 4.0. In this context, new competences are expected from employees, which must also be addressed in STEM disciplines, especially in higher engineering education. Lab courses are particularly suitable for this, because here students can actively work on devices and potentially cyber-physical systems. This contribution is the undertaking of a group of lab teachers from various disciplines working on the joint project CrossLab to formulate what they consider the important aspects of lab teaching as learning outcomes for Industry 4.0. Furthermore, as a final goal, they will be transferred into a checklist that can be used in the implementation of existing and newly designed lab experiments with regard to the required competences of Learning and Working 4.0. Constructive Alignment forms the pedagogical framework, in which intended learning outcomes, teaching-learning activities and learning outcome monitoring must be thought through and planned as a whole. The checklist will extend an existing checklist for the thirteen conventional fundamental lab learning-objectives according to Feisel and Rosa. This work in progress describes first results of this attempt.

Automatic Optical Inspection (AOI) is used to detect defects in PCB production and provide the end-user with a trustworthy PCB. AOI systems are enhanced by replacing the traditional heuristic algorithms with more advanced methods such as neural networks. However, they provide the operators with little or no information regarding the reasoning behind each decision. This paper explores the research gaps in prior PCB defect detection methods and replaces these complex methods with CNN networks. Next, it investigates five different Cam-based explainer methods on eight selected CNN architectures to evaluate the performance of each explainer. In this paper, instead of synthetic datasets, two industrial datasets are utilized to have a realistic research scenario. The results evaluated by the proposed performance metric demonstrate that independent of the dataset, the CNN architectures are interpretable using the same explainer methods. Additionally, the Faster Score-Cam method performs better than other methods used in this paper.

This work will focus on the problems of creating a safe distributed laboratory. We explicitly will not discuss how to make individual elements of an experiment safe, as this is highly application-dependent. Instead, the goal is to find and evaluate different methods to detect and respond to fault conditions that an individual laboratory device might detect. Specifically, the methods should differentiate between user-based faults and those introduced through network communications. We develop a mathematical model to simulate distributed laboratories. We will introduce (time-dependent) network latency and jitter between all elements. Based on the model, a discrete event simulation is created. This simulation environment simulates three different fault detecting methods: the token method, the timestamp method, and the full-state-transfer method. We will compare detection ratios, bandwidth usage, and memory usage between the three methods based on the simulation.

The necessity to integrate virtual laboratories into the study process is becoming more significant, especially in pandemic time. Virtual based e-learning is seen as a reliable and effective support of teaching and learning process in different fields of study. The hybrid laboratory GOLDi uses the possibilities of remote and virtual experiments actively. At the same time, the implementation of the new experiment for teaching students in the area of Smart House systems will expand the functionality of the laboratory. The implementation of virtual experiments in the field of home automation systems provides an interactive learning environment that allows to engage students in an active educational process and increase their motivation to study modern information technologies and processes. The paper presents the results of the development of educational virtual environment for learning basics of Smart House systems development and control.

The flexibility and performance of digital laboratory elements such as remote labs, VR/AR or simulations summarized under the term cross-reality labs (CrossLabs), can be seen with the development in last and has been proven under the pandemic situation. Even though the potential of cross-reality labs is obvious referring to availability and flexibility for the students, these didactic solutions remain isolated at universities as well as for individual users. The implementations are mostly so rigid that the individual didactic objectives are not interchangeable between different universities and disciplines, hence there is a lack of interoperability. The CrossLab project seeks to design didactical, technical, and organizational solutions for open digital lab objects linking student-centered teaching and a cross-university learning environment. Of importance thereby is the fact that teaching is not adaptable to the digital laboratory, but the laboratories are adaptable to the requirements of the teaching-learning setting. The four project partners are working on a cross-type and cross-element mixture of diverse types of laboratories for cross-disciplinary use in a cross-universities settings. Thereby, the project leans on existing digital laboratories in various disciplines to create an open teaching and learning environment which can be adapted to the needs of students and to provide students with the skills necessary for future working scenarios.

Während der letzten Jahrzehnte hat sich Software in alle Lebensbereiche ausgebreitet. Die kontinuierlich steigenden Kundenanforderungen ließen auch die Komplexität steigen, bei gleichbleibender Produktqualität. Analysedaten und diverse Beispiele entstammen der Automobildomäne, die einen sicherheitskritischen Bereich darstellt, in dem Produkte mit speziellen Qualitätsanforderungen entwickelt werden. Qualitätsanforderungen müssen von diversen Prozessen und Standards bedient werden, bei gleichzeitiger Einhaltung enger Endtermine. Die Komplexität der Software und der Safety-Aspekt beeinflussen die Fehlerquote der Produkte stark. Viele Anforderungen werden während der Entwicklung hinzugefügt oder verändert und führen zu permanenten Änderungen in der Software und einer weiteren Steigerung der Komplexität. Änderungen müssen analysiert und getestet werden, um die Qualität des entstehenden Produktes zu gewährleisten. Die Vorhersage von Defekten und Änderungen in der Software sind ein wichtiger Anteil des Software Engineering. Die industrielle Software-Entwicklung muss ihr Ziel innerhalb diverser Grenzen erreichen, ganz wichtig ist das Budget, wobei sich Änderungen an Projektparametern negativ auf das geplante Budget auswirken können. Solche Änderungen werden in zwei Klassen eingeteilt, durch Kunden verursachte neue oder veränderte Anforderungen, und die Korrekturen, die durch Systemverbesserungen oder Fehlerbehebungen entstehen, beide Klassen für das Projekt-Budget relevant. Die Aufwände für die neuen Kundenanforderungen können dem Budget einfach aufgeschlagen werden. Die Korrekturen verursachen ebenfalls große Aufwände, die zu einem negativen Budget führen können, was eine große Herausforderung für das Projektmanagement wie auch die automatisierte Schätzung der Aufwände über die gesamte Projektlaufzeit darstellt.

Requirements Engineering ist der erste Schritt im Softwareentwicklungsprozess. Er dient zur Aufnahme organisationsabhängiger Ziele und Anforderungen. Unangemessene, inkonsistente, unvollständige oder mehrdeutige Anforderungen können die Qualität von Softwaresystem stark negativ beeinflussen. Goal Oriented Requirements Engineering (GORE) beginnt mit der Entwicklung von übergeordneter Zielen, welche in weiteren Entwicklungsstufen verfeinert werden, bis sie einer verantwortlichen Person zugewiesen werden können. Während einer GORE Analyse werden an verschiedenen Stellen Entscheidungen über Alternativen getroffen. Diese Entscheidungen betreffen unterschiedliche Akteure, die sich in ihren Ansichten widersprechen können. Im Rahmen von GORE wird die Unterstützung zur Identifizierung und Verwaltung von Kriterien zur Auswahl von Anforderungen benötigt. Diese Kriterien basieren auf den Vorstellungen und Vorlieben von Stakeholdern, daher ist eine Integration aller Stakeholder in den Auswahlprozess erforderlich. Dies soll dabei helfen, die Bedeutung bestimmter Anforderungen auf Basis der betroffenen Personen zu identifizieren und aufzuarbeiten. Darüber hinaus hilft GORE bei der Kommunikation zwischen System und Akteuren durch ihren Einbezug in wichtige Entscheidungen. Durch frühzeitige Dokumentation des tatsächlichen Stakholderbedarfs können Inkonsistenzen im Requirements Engineering frühzeitig ermittelt werden. Die Bestimmung von Software Qualitätsmerkmalen ist wesentlicher Erfolgsfaktor in der Software Entwicklung. Zur Gewährleistung einer qualitativen Softwareentwicklung und eines entsprechenden Produktes sind die Identifizierung, die Verfeinerung und die Vorhersage von Qualitätseigenschaften jederzeit durch geeignete Maßnahmen erforderlich. Goal Models und Quality Models sind wertvolle Werkzeuge zur Ermittlung und Modellierung funktionaler und nicht-funktionaler Anforderungen und Ziele. Diese Arbeit enthält einen Lösungsansatz zur Integration von Goal Models und Quality Models, der dazu beitragen soll, Stakeholder und Abhängigkeiten zwischen Goal und Quality Models einzubeziehen und sichtbar zu machen. Die Integration von Goal Models und Quality Models soll zur Ableitung spezifischer Quality Models beitragen. Somit kann das integrierte Goal-Quality Model, welches die funktionalen Anforderungen und die Qualitätsanforderungen vereint, zur Priorisierung aller funktionalen Anforderung, die sich aus den funktionalen Zielen ergeben, und aller Qualitätsanforderungen, die aus Qualitätszielen resultieren, dienen. Zur Priorisierung der Anforderung auf Basis der Stakeholderbedarfe werden Triangular Fuzzy Numbers (TFN) verwendet. Nach der endgültigen Priorisierung dient ein spezieller Algorithmus zur Einschätzung und Auswahl der Anforderungen auf Basis einer Kosten-Nutzen-Analyse. Dieser Algorithmus stellt sicher, dass unter Einhaltung einer von der Organisation gewählten Kostenobergrenze die maximale Anzahl der Anforderungen umgesetzt werden kann. Der gesamte Prozess dient demnach zur Anforderungsanalyse unter Berücksichtigung verschiedener Interessengruppen, Abhängigkeiten, sowie durch den Einbezug von Grenzen, die sich beim Zusammenspiel von Goal-Quality Models und der Softwareentwicklung ergeben können. Darüber hinaus enthält die Arbeit ein integratives Modell, um Entwicklungsprozesse während der Erstellung von Produktlinien an Einflussfaktoren, wie Projektbedürfnisse, Organisationsziele, individuelle Ziele von Entwicklern oder an Umweltbedingungen anzupassen. Dieses sogenannte Tailoring wird durch Priorisierung von Attributen erreicht, welche verschiedene Elemente des zu erzeugende Produktes, des Prozesses oder des Projektes analysieren und nach Bedeutung sortieren. Ein integratives Modell zur Beschreibung von Stakeholderbedürfnissen und -zielen in Bezug auf die Artefakte des Entwicklungsprozesses und die Besonderheiten einer Entwicklungsumgebung wird benötigt, um potenzielle Einflüsse sich verändernder Ziele frühzeitig während der Projektentwicklung zu analysieren. Das hier vorgestellte Tailoring-Meta-Model beinhaltet Goal-Models, SPEM Models und Requirements hinsichtlich Entwicklungsprozesse. Mithilfe dieses Modells können stakeholderspezifische Ziele dazu verwendet werden, um einen variablen Teil eines Entwicklungsprozesses projektbezogen zu gestalten. Auf diese Weise können weiche Faktoren genauso integriert werden, wie konkrete Anforderungen.

Goal of this paper is to develop a meta-model, which provides the basis for developing highly scalable artificial intelligence systems that should be able to make autonomously decisions based on different dynamic and specific influences. An artificial neural network builds the entry point for developing a multi-layered human readable model that serves as knowledge base and can be used for further investigations in deductive and inductive reasoning. A graph-theoretical consideration gives a detailed view into the model structure. In addition to it the model is introduced using the example of large software development projects. The integration of Constraints and Deductive Reasoning Element Pruning are illustrated, which are required for executing deductive reasoning efficiently.

This article reports the results of an industrial case study demonstrating the efficacy of a model-based testing process in assuring the quality of highly configurable systems from the automation domain. Escalating demand for flexibility has made modern embedded software systems highly configurable. This configurability is often realized through parameters and a highly configurable system possesses a handful of those. Small changes in parameter values can account for significant changes in the systems behavior, whereas in other cases, changed parameters may not result in any perceivable reaction. This case study addresses the challenge of applying model-based testing to configurable embedded software systems to reduce development effort. As a result of the case study, a model-based testing process was developed and tailored toward the needs of the automation domain. This process integrates existing model-based testing methods and tools, such as combinatorial design and constraint processing. The testing process was applied as part of the case study and analyzed in terms of its actual saving potentials, which reduced the testing effort by more than a third.

Heutige Softwareprodukte sollen in kurzer Zeit bei gleichzeitig hoher Qualität entwickelt werden, wobei die Software-Technik dieser Forderung durch die Vorfertigung einzelner Komponenten gerecht wird. Die geplante und umfassende Wiederverwendung von Komponenten innerhalb einer Anwendungsdomäne wird durch das Konzept der Systemfamilienentwicklung unterstützt. Eine Systemfamilie basiert auf einer Referenzarchitektur, die aus Anteilen besteht, die allen Familienmitgliedern gemein sind und Anteilen, die optional sind. In allen Phasen der Systemfamilienentwicklung müssen gemeinsame und optionale Anteile berücksichtigt und korrekt verarbeitet werden, wobei Fehler in der Requirements-Engineering-Phase, dem Beginn der Entwicklung, den größten wirtschaftlichen Schaden nach sich ziehen. In dieser Arbeit zeigt die Analyse der Requirements-Engineering-Phase der Systemfamilienentwicklung, dass die Systemfamilienmodelle der meisten, existierenden Ansätze auf der Merkmalmodellierung basieren, die jedoch inkonsistent und nicht automatisiert verarbeitbar ist. Der hier beschriebene Lösungsansatz ? Family-Oriented Requirements Engineering (FORE) ? erweitert Merkmalmodelle und integriert sie in ein neues Datenmodell, das alle im Verlauf der Requirements-Engineering-Phase erarbeiteten Informationen enthält. Zur Modellierung aller Abhängigkeiten innerhalb von Merkmalmodellen und von Merkmalen zu weiteren Modellelementen bietet FORE die neue Feature Constraint Language (FCL) mit 30 vordefinierten Beziehungen an, wodurch Systemfamilienmodelle überprüfbar sind. Durch die kundenspezifische Auswahl von Merkmalen wird ein Familienmitglied basierend auf der Systemfamilie abgeleitet. Die erweiterten Merkmalmodelle von FORE ermöglichen die automatisierte Überprüfung einer Merkmalauswahl, sodass nur gültige Familienmitglieder abgeleitet werden können. Sowohl die Entwicklung eines Systemfamilienmodells als auch die Ableitung von Familienmitgliedern werden durch den FORE-Entwicklungsprozess unterstützt, der existierende Ansätze und die erweiterte Merkmalmodellierung in einem Requirements-Engineering-Prozess für Systemfamilien integriert. Anhand eines Prototyps wird die Realisierbarkeit des Lösungsansatzes gezeigt, indem das FORE-Datenmodell in eine XML-Struktur umgesetzt und die Benutzung des Prototyps dem FORE-Entwicklungsprozess folgt. FORE wurde im Rahmen eines universitären Projektes, wie auch durch diverse studentische Arbeiten mit Industriepartnern überprüft. Die Ergebnisse dieser Arbeiten haben die Praxistauglichkeit von FORE gezeigt, den Prozess und das Datenmodell verbessert und dessen Grenzen aufgezeigt.