Industrial Deep Learning
Im Bereich "Industrial Deep Learning" erforschen wir Deep Learning-Technologien für industrielle Anwendungen, um innovative Lösungen in Produktion, Logistik und Umwelt zu realisieren. Dabei verbinden wir Grundlagen-KI-Forschung mit der industriellen Praxis und konzentrieren uns auf drei Schwerpunkte
Bildbasierte Methoden zur Automatisierung von Qualitätskontrollen sowie zur präzisen Lokalisierung von Anomalien und Schäden.
Sensorbasierte Situations- und Zustandsbewertung
Verarbeitung und Nutzung transienter und saisonaler Sensordaten für Zustandsüberwachung, Anomalieerkennung und Prognosen.
Intelligente Planung und Prozessgestaltung
Lernende Verfahren zur Lösung komplexer Planungs- und Optimierungsprobleme sowie zur Bewertung und Parametrisierung von Prozessen.
Unsere Forschung adressiert ein breites Spektrum an Deep Learning-Technologien, darunter verschiedene Lernparadigmen wie Supervised und Reinforcement Learning, Lernszenarien wie Transfer Learning, Representation Learning und Explainable AI, sowie Modellarchitekturen wie Transformer-Netze, Autoencoder und Generative Adversarial Networks.
Wir arbeiten eng mit Industriepartnern zusammen, sei es im Rahmen von öffentlich geförderten Projekten oder direkten F&E-Aufträgen. Dabei setzen wir uns intensiv mit realen Herausforderungen auseinander und beziehen stets die Bedürfnisse von Endnutzern und Fachexperten mit ein. Dieser Praxisbezug stellt sicher, dass unsere Forschungsergebnisse nicht nur theoretisch fundiert, sondern auch unmittelbar in der industriellen Praxis anwendbar sind und die Wertschöpfung verbessern.
- 2019
- Tercan, H., Guajardo, A., & Meisen, T. (2019). "Industrial Transfer Learning: Boosting Machine Learning in Production" in 2019 IEEE 17th International Conference on Industrial Informatics (INDIN) , IEEE 274—279.
ISBN: 978-1-7281-2927-3
- Baer, S., Bakakeu, J., Meyes, R., & Meisen, T. (2019). "Multi-Agent Reinforcement Learning for Job Shop Scheduling in Flexible Manufacturing Systems" in 2019 Second IEEE International Conference on Artificial Intelligence for Industries , Los Alamitos, CA : IEEE-Computer-Society 22—25.
ISBN: 978-1-7281-4087-2
- Langer, T., & Meisen, T. (2019). "Towards Utilizing Domain Expertise for Exploratory Data Analysis" in Proceedings of the 12th International Symposium on Visual Information Communication and Interaction , New York, NY, USA : Association for Computing Machinery
- 2018
- 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.
- Haßler, M., Pomp, A., Kohlschein, C., & Meisen, T. (2018). "STIDes Revisited-Tackling Global Time Shifts and Scaling" , 2018 International Conference on Innovations in Information Technology (IIT) .