Deep Learning für industrielle Anwendungen
Wir erforschen die Entwicklung und Erprobung von Verfahren des Deep Learning für den Einsatz in industriellen Prozessen und Dienstleistungen. Einerseits hat unsere Forschung zum Ziel, Deep Learning als Befähiger neuer Dienstleistungen wie Predictive Quality und Predictive Maintenance zu etablieren. Andererseits erforschen wir Reinforcement Learning Verfahren zum Training intelligenter, selbstlernender Agenten zur Lösung von Planungsaufgaben. Zentrale Untersuchungsgegenstände sind hierbei die Formalisierung realer Anwendungsfälle als Lernprobleme und ihre Lösung unter Berücksichtigung industrieller Bewertungskriterien wie Zuverlässigkeit, Robustheit und Genauigkeit.
Darüber hinaus setzen wir uns mit der Frage auseinander, wie dateneffiziente und nachhaltige Deep Learning Modelle für den Einsatz in der produzierenden Industrie entwickelt werden können. Unsere Schwerpunkte umfassen hier insbesondere die Überbrückung des Reality Gaps von Simulationen mittels Verfahren des Transfer Learning sowie das kontinuierliche Training von Deep Learning Modellen über Prozess- und Systemveränderungen hinweg.
Schwerpunkte
Eignung von Reinforcement Learning Methoden (u.a. Q-Learning, Soft Actor-Critic, PPO) für reale Planungs- und Steuerungsprobleme.
Konzeption und Umsetzung von datenbasierten, prädiktiven Lernmodellen (z.B. künstliche neuronale Netze) für reale Vorhersageprobleme.
Entwicklung von Deep Learning Methoden zur Fehler- und Anomalieerkennung in industriellen Prozessen.
Erforschung und Erprobung von Paradigmen des Transfer Learning und Continual Learning zur Erzeugung dateneffizienter und robuster Lernmodelle.
Anwendungsfelder
Intelligente und adaptive Planung von Produktionsprozessen unter Einhaltung realer Bewertungsgrößen (z.B. Termintreue) und Rahmenbedigungen.
Intelligente und kollisionsfreie Trajektorienplanung zur Steuerung industrieller Leichtbauroboter in realen Montage- und Fügeszenarien.
Datengetriebene Qualitätsvorhersagen in Produktions- und Fertigungsprozessen auf Basis von Methoden des maschinellen Lernens und des Deep Learning.
Datengetriebene Prognose von Betriebszuständen in industriellen Anlagen und Prozessen auf Basis von Methoden des maschinellen Lernens und des Deep Learning.
Ausgewählte Publikationen
- 2021
- Bitter, C. , Tercan, H. , Meisen, T. , Bodnar, T. , & Meisen, P. (2021). "When to Message: Investigating User Response Prediction with Machine Learning for Advertisement Emails" in 2021 4th International Conference on Artificial Intelligence for Industries (AI4I) , IEEE 25--29.
ISBN: 978-1-6654-3410-2
- Maack, R. F. , Tercan, H. , Solvay, A. F. , Mieth, M. , & Meisen, T. (2021). "Fault Detection in Railway Switches using Deformable Convolutional Neural Networks" in 2021 IEEE 19th International Conference on Industrial Informatics (INDIN) , IEEE 1--6.
ISBN: 978-1-7281-4395-8
- Tercan, H. , Bitter, C. , Bodnar, T. , Meisen, P. , & Meisen, T. (2021). "Evaluating a Session-based Recommender System using Prod2vec in a Commercial Application" in Proceedings of the 23rd International Conference on Enterprise Information Systems , SciTePress 610--617.
ISBN: 978-989-758-509-8
- Scheiderer, C. , Dorndorf, N. , & Meisen, T. (2021). "Effects of Domain Randomization on Simulation-to-Reality Transfer of Reinforcement Learning Policies for Industrial Robots" in Advances in Artificial Intelligence and Applied Cognitive Computing , Arabnia, Hamid R. and Ferens, Ken and de {La Fuente}, David and Kozerenko, Elena B. and {Olivas Varela}, José Angel and Tinetti, Fernando G., Eds. Cham : {Springer International Publishing} and {Imprint Springer} , 157--169.
ISBN: 978-3-030-70295-3
- Steiniger, Y. , Stoppe, J. , Kraus, D. , & Meisen, T. (2021). "Erzeugung von synthetischen Seitensichtsonar-Bildern mittels Generative Adversarial Networks" , Hydrographische Nachrichten , 30--34.
