Institute for Technologies and Management of Digital Transformation

Analyse von Zeitreihendaten aus Sensorsystemen.

Interpretable Learning Models

Die Forschungsgruppe Interpretierbare Lernmodelle (ILM) forscht an datengetriebenen Methoden und Verfahren für die prädiktive Analyse von Zeitreihendaten und Bilddaten von Sensorsystemen aus der industriellen Fertigung und Produktion. Typische Beispiele für industrielle Anwendungsfälle sind Condition Monitoring, Predictive Quality oder Predictive Maintenance. Hier liegt der Forschungsschwerpunkt auf der Transparenz und Interpretierbarkeit der trainierten Lernmodellen, oftmals künstliche neuronale Netze und Deep-Learning-Modelle, um deren inhärenten Black-Box-Charakter zu adressieren und deren robuste und zuverlässige Anwendung im industriellen Umfeld zu ermöglichen. Dabei kommt ein breites Spektrum klassischer Analysemethoden aus dem Bereich der Signalverarbeitung sowie moderner Lernmechanismen des aktuellen Standes der Deep-Learning-Forschung zum Einsatz, die durch das Forschungsfeld der Neurowissenschaften inspiriert sind, und eine neue Perspektive auf künstliche Lernmodelle als Untersuchungsgegenstände empirischer Studien ermöglichen. Dabei steht die interaktive und visuelle Exploration der Lernmodelle und der dazugehörigen Daten als Schlüssel zur besseren Transparenz und Interpretierbarkeit im Vordergrund.

Schwerpunkte

Vorhersage zeitlicher Verläufe von Sensordaten, beispielsweise für den Anwendungsfall Predictive Maintenance.

Mustererkennung in zeitlichen Verläufen von Sensordaten, beispielsweise für den Anwendungsfall Predictive Quality.

Extraktion typischer Muster in zeitlichen Verläufen von Sensordaten und Erkennung von irregulären Verläufen und Anomalien. 

Rekonstruktion zeitlicher Verläufe von Sensordaten aus zugrundeliegenden und korrelierenden Sensoren für das Ersetzen von Hardware-Sensoren durch KI-basierte Software-Sensoren

Anwendungsfelder

Typischerweise von Temperatur-, Druck-, Drehzahl-, Spannung-, Strom-, Leistung-, oder Dehnungsmesstreifen-Sensoren.

Dauerhafte Überwachung und Zustandsbestimmung von Maschinen und Produktionslinien mittels Sensorsystemen.

Vorausschauende Qualitätsbewertung von Bauteilen und Produkten durch die prädiktive Analyse von Sensordaten. 

Vorausschauende Planung von Wartungsarbeiten von Maschinen durch Bestimmung des Alterungsprozesses von Verschleißteilen durch prädiktive Analyse von Sensordaten.

Ausgewählte Publikationen

2023
Bulow, F. , Wassermann, M. , & Meisen, T. (2023). "State of health forecasting of Lithium-ion batteries operated in a battery electric vehicle fleet" , Journal of Energy Storage , 72 , 108271.
Alves-Gomes, M. , Wönkhaus, M. , Meisen, P. , & Meisen, T. (2023). "TEE: Real-Time Purchase Prediction Using Time Extended Embeddings for Representing Customer Behavior" , Journal of Theoretical and Applied Electronic Commerce Research , 18 (3), 1404--1418.
Hahn, Y. , Langer, T. , Meyes, R. , & Meisen, T. (2023). "Time Series Dataset Survey for Forecasting with Deep Learning" , Forecasting , 5 (1), 315--335.
Bulow, F. , Hahn, Y. , Meyes, R. , & Meisen, T. (2023). "Transparent and Interpretable State of Health Forecasting of Lithium-Ion Batteries with Deep Learning and Saliency Maps" , International Journal of Energy Research , 2023 , 1--23.
2022
Alves-Gomes, M. , Meyes, R. , Meisen, P. , & Meisen, T. (2022). "Will This Online Shopping Session Succeed? Predicting Customer's Purchase Intention Using Embeddings" in Proceedings of the 31st ACM International Conference on Information & Knowledge Management , New York, NY, USA : {Association for Computing Machinery} 2873--2882.

ISBN: 9781450392365

Weitere Infos über #UniWuppertal: