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
- 2018
- Meyes, R. , Tercan, H. , Thiele, T. , Krämer, A. , Heinisch, J. , Liebenberg, M. , Hirt, G. , Hopmann, C. , Lakemeyer, G. , Meisen, T. , & Jeschke, S. (2018). "Interdisciplinary Data Driven Production Process Analysis for the Internet of Production" , Procedia Manufacturing , 26 , 1065--1076.
- Tercan, H. , Guajardo, A. , Heinisch, J. , Thiele, T. , Hopmann, C. , & Meisen, T. (2018). "Transfer-Learning: Bridging the Gap between Real and Simulation Data for Machine Learning in Injection Molding" , Procedia CIRP , 72 , 185--190.
- 2017
- Tercan, H. , Al-Khawli, T. , Eppelt, U. , Büscher, C. , Meisen, T. , & Jeschke, S. (2017). "Improving the Laser Cutting Process Design by Machine Learning Techniques" , Production Engineering , 11 (2), 195--203.
- Meyes, R. , Tercan, H. , Roggendorf, S. , Thiele, T. , Büscher, C. , Obdenbusch, M. , Brecher, C. , Jeschke, S. , & Meisen, T. (2017). "Motion Planning for Industrial Robots using Reinforcement Learning" , Procedia CIRP , 63 , 107--112.
- 2016
- Tercan, H. , Khawli, T. A. , Eppelt, U. , Büscher, C. , Meisen, T. , & Jeschke, S. (2016). "Use of Classification Techniques to Design Laser Cutting Processes" , Procedia CIRP , 52 , 292--297.
