Willkommen am TMDT Hall of Fame!
Hier stellen wir Ihnen die abgeschlossenen Dissertationen des TMDT vor. Erfahren Sie mehr über die Personen und die Forschungsarbeiten, die hinter diesen Erfolgen stehen.
2024
KI-basierte Verbesserung der Auswertung von Seitensichtsonarbildern mittels Methoden des Deep Learnings
Die Dissertation von Dr. Ing. Yannik Steiniger befasst sich damit, wie sich Deep Learning Modelle für die Auswertung von Seitensichtsonarbildern auch mit wenigen Trainingsdaten erfolgreich trainieren lassen. Hierfür wird unter anderem eine Methode zur Generierung synthetischer Sonarbilder vorgestellt und gezeigt, dass das Anreichern des Trainingsdatensatzes mit diesen Bildern die Klassifikationsperformance von neuronalen Netzen deutlich steigern kann.
Für mehr Informationen klicken Sie hier.
Semi-automated Refinement of Semantic Models
Die Dissertation von Dr.-Ing. Alexander Paulus beschäftigt sich mit Annotation von Datensätzen unter Anwendung von semantischen Technologien. Darin beschreibt er einen neuen Ansatz mit einer Fokussierung auf den Menschen im Annotationsprozess und stellt dazu Unterstützungsysteme vor, welche auf maschinellen Lernverfahren basieren.
Für mehr Informationen klicken Sie hier.
2023
Guided Visual Interactive Exploration and Labeling of Industrial Sensor Data, Tristan Funken, 2023
Die Dissertation behandelt einen Ansatz zur geführten Exploration und Labeling industrieller Sensordaten. Anhand realer Fertigungsprozesse wird gezeigt, wie dieser Absatz die Effizienz bei der Erstellung hochwertiger gelabelter Datensätze steigert und somit den Einsatz von KI-Modellen für die Fertigungsindustrie beschleunigt.
Für mehr Informationen klicken Sie hier.
Prädiktion des Projektfortschritts als Beitrag zur virtuellen Absicherung im Automobilsektor, Oliver Böhme, 2023
Die Dissertation von Dr.-Ing. Oliver Böhme bereichert das Forschungsfeld der virtuellen Absicherung und Projektsteuerung im Automobilsektor. Es wird gezeigt, dass Predictive Analytics und Transformer-Modelle verborgene Muster in der Projektentwicklung aufdecken können. Dadurch wird die Transparenz, Kontrolle und Kosteneffizienz gesteigert, indem Projektrisiken frühzeitig erkannt und Strategien entwickelt werden können.
Für mehr Informationen klicken Sie hier.
A Data-Driven Fleet Service: State of Health Forecasting of Lithium-Ion Batteries, Friedrich von Bülow, 2023
Diese Dissertation untersucht Machine Learning Modelle zur Vorhersage des Gesundheitszustands (State of Health, SOH) von Lithium-Ion Batterien vor. Dabei liegt der Fokus auf der Anwendung im praktischen Kontext von Batteriesystemen in batterieelektrische Fahrzeuge (BEVs) unter Nutzung von Flotten-Betriebsdaten.
Für mehr Informationen klicken Sie hier.
Machine Learning-based Predictive Quality in Manufacturing Processes, Hasan Tercan, 2023
Die Dissertation untersucht Qualitätsvorhersagen in Fertigungsprozessen durch maschinelles Lernen. Es wird ein generisches Prozessmodell namens MERLIN vorgestellt, das durch Methoden wie Transfer Learning und Continual Training ergänzt wird, um die Dateneffizienz der Lernmodelle zu erhöhen.
Für mehr Informationen klicken Sie hier.
Transparenz und Interpretierbarkeit in künstlichen neuronalen Netzen, Richard Meyes, 2023
Die Dissertation von Dr.-Ing. Richard Meyes untersucht die Transparenz und Interpretierbarkeit erlernter Wissensrepräsentationen in künstlichen neuronalen Netzen. Der Schwerpunkt der Untersuchung liegt dabei auf der Anwendung der Neuronenablation, einem aus den Neurowissenschaften bekannten Verfahren, dessen Transfer in das Forschungsgebiet der Künstlichen Intelligenz untersucht wird.
Für mehr Informationen klicken Sie hier
2022
Die Dissertation von Dr.-Ing. Schirin Bär befasst sich mit der Entwicklung einer reaktiven Job Shop Scheduling Lösung für flexible Fertigungssysteme. Es werden Reinforcement Learning Strategien aufgezeigt, um kooperierende Agenten zu trainieren, die so verallgemeinert sind, dass sie mit unbekannten Aufträgen und Situationen umgehen können.
Für mehr Informationen klicken Sie hier.
2020
Bottom-up Knowledge Graph-based Data Management, André Pomp, 2020
In dieser Arbeit wird ein neuartiger Ansatz, der Bottom-up Knowledge Graph, vorgestellt, der das semantische Datenmanagement in Unternehmen verbessert, indem er die Probleme des traditionellen Ontologie-Engineerings für die Verwaltung von (semi-)strukturierten Datenquellen überwindet. Darüber hinaus wird eine semantische Datenplattform (ESKAPE) entwickelt, die die Vorteile des entwickelten Ansatzes zeigt.
Für mehr Informationen klicken Sie hier.
