Navigationsweiche Anfang

Navigationsweiche Ende

Sprache wählen

Lehrstuhl für Technologien und Management der Digitalen Transformation


Herr Univ.-Prof. Dr.-Ing. Tobias Meisen

Industrial Transfer Learning

Im Bereich der Produktion bieten Methoden maschinellen Lernens, vor allem das Deep Learning, und der künstlichen Intelligenz große Potenziale zur Entwicklung innovativer Lösungen zur Optimierung oder Automatisierung. Eine zentrale Herausforderung hierbei ist es, für eine ausreichend große Datenbasis zu sorgen - sei es durch Experimente an einer realen Maschine oder durch Simulationen. Zudem müssen die Lernmodelle stets auf neuen kostbaren Beobachtungen trainiert werden, sobald sich der Produktionsprozess grundlegend ändert (z.B. Fertigung eines neuen Produktes, Änderung des Materials). Im Forschungsschwerpunkt Industrial Transfer Learning wird erforscht, wie diese Herausforderungen in Zukunft gemeistert werden können. Hierfür werden innovative Verfahren und Technologien entwickelt, die auf dem sogenannten Transfer Learning und dem verwandten Continual Learning basieren. Die Intuition ist, dass eine KI zur Lösung eines neuen Problems sein Wissen aus vorherigen ähnlichen Problemen nutzt, um somit seine Lerneffizienz zu steigern. Bezogen auf den Produktionsbereich ergibt sich folgender Untersuchungsgegenstand: 

Im Bereich der Produktion bezieht sich das Industrial Transfer Learning auf Methoden des maschinellen Lernens und der künstlichen Intelligenz, die Quelldaten aus verschiedenen Produktionsprozessdomänen (z.B. der Simulation) oder Prozessvariationen (z.B. anderes Produkt oder Material) nutzen, um robuste, genaue und dateneffiziente Lernmodelle für eine bestimmte Zielaufgabe zu generieren.

Der Fokus der Forschungsarbeiten liegt auf Verfahren basierend auf künstlichen neuronalen Netzen. Einerseits werden Verfahrensansätze zur kontinuierlichen Weiterbildung von neuronalen Netzen über verschiedene Aufgaben und Variationen hinweg erforscht mit dem Ziel, dass die Netze ihr Wissen aus vorherigen Variationen nutzen können, ohne diese zu vergessen (Continual Learning, Incremental Learning, Lifelong Learning). Andererseits werden Ansätze erforscht, um neuronale Netze zunächst in simulierten Umgebungen anzutrainieren, um sie anschließend auf komplexe reale Umgebungen zu übertragen (Simulation to Reality Transfer). 

 

Ansprechpartner

Hasan Tercan, M.Sc.

Interesse an dieser Forschung?

Möchten Sie eine Abschlussarbeit in diesem Forschungsschwerpunkt schreiben? Dann schauen Sie hier nach offenen Themen oder melden Sie sich initiativ bei tercan{at}uni-wuppertal.de

Möchten Sie gerne tiefer in dieses Feld eintauchen? Dann treten Sie unserem Team als wissenschaftlicher Mitarbeiter(in) bei! Weitere Infos hier

Ausgewählte relevante Publikationen

Referenzen
Hasan Tercan; Alexandro Guajardo; Tobias Meisen
Industrial Transfer Learning: Boosting Machine Learning in Production
2019 IEEE 17th International Conference on Industrial Informatics (INDIN) , Seite 274--279.
Herausgeber: IEEE,
2019
ISBN: 978-1-7281-2927-3
Hasan Tercan; Alexandro Guajardo; Julian Heinisch; Thomas Thiele; Christian Hopmann; Tobias Meisen
Transfer-Learning: Bridging the Gap between Real and Simulation Data for Machine Learning in Injection Molding
Procedia CIRP, 72:185--190
2018
ISSN: 22128271
Total:
2
Export als:
BibTeX, XML