Institute for Technologies and Management of Digital Transformation

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

Visuelle Inspektion

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.

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.
Meyes, R., Scheiderer, C., & Meisen, T. (2018). "Continuous Motion Planning for Industrial Robots based on Direct Sensory Input" , Procedia CIRP , 72 , 291—296.
Lillian, P., Meyes, R., & Meisen, T. (2018). "Ablation of a Robot's Brain: Neural Networks Under a Knife" , arXiv arXiv:1812.05687 .
Lillian, P., Meyes, R., & Meisen, T. (2018). "Ablation of a Robot’s Brain: Neural Networks Under a Knife" , arXiv arXiv:1812.05687 .
2017
Haßler, M., Kohlschein, C., & Meisen, T. (2017). "Similarity Analysis of Time Interval Data Sets—A Graph Theory Approach" , ITISE 2017: Time Series Analysis and Forecasting , 159—171.

Weitere Infos über #UniWuppertal: