Navigationsweiche Anfang

Navigationsweiche Ende

Sprache wählen

Lehrstuhl für Technologien und Management der Digitalen Transformation


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

Angewandte Forschungs- und Entwicklungsprojekte

In der Vergangenheit konnte der Lehrstuhl in einer Vielzahl von angewandten Forschungs- und Entwicklungsprojekten im industriellen Umfeld langjährige Expertise für datengetriebene Digitalisierungslösungen und KI-Lösungen in der industriellen Anwendung aufbauen. Im Nachfolgenden werden einige ausgewählte abgeschlossene und laufende F&E-Projekte in engen Kooperationen mit industriellen Unternehmen dargestellt. 

Data Science für Unternehmen mittels semantischem Datenmanagement & AutoML 

Die Digitalisierung in Unternehmen hat in den letzten Jahren immer mehr Aufmerksamkeit erhalten. Ein es-senzieller Bestandteil im Kontext von Industrie 4.0 ist die Aufnahme, Verwaltung und Verarbeitung von Daten. Dabei ergeben sich zwei wesentliche Herausforderungen. Viele Unternehmen haben nicht die Kapazitäten um i) die große Vielzahl an vorhandenen vielfältigen Datenquellen effizient zu verwalten und ii) Fachpersonal, wie beispielsweise Data Scientists, zu beschäftigen, um ihre Prozesse oder Geschäftsmodelle datengetrieben weiterzuentwickeln.

Durch die voranschreitenden Entwicklungen im semantischen Datenmanagement und die fortschreitenden Durchbrüche beim automatisierten maschinellen Lernen (AutoML) gibt es jedoch bereits Werkzeuge, die die oben adressierten Herausforderungen auf eine effiziente und nachhaltige Weise angehen. So können bei-spielsweise für einen konkreten Datensatz mittels AutoML erstellte Analysepipelines identifiziert werden, die bereits gute Ergebnisse für andere, ähnliche Datensätze geliefert haben. Die Identifikation solcher Pipelines und die Ähnlichkeit zwischen Datensätzen wird auf Basis einer entsprechenden semantischen Beschreibung der Datensätze vorgenommen, was langfristig die Wiederverwendbarkeit von bereits trainierte Modellen und erstellen Pipelines ermöglicht und so Ressourcen und Zeit für die Analyse neuer Datensätze einspart. 

Um diese Bestrebungen und Durchbrüche auch langfristig und effizient in der Industrie sichtbar zu machen und diese in die breite Anwendung zu tragen, forschen wir zusammen mit der Siemens AG an Lösungen, um Unternehmen mittels semantischem Datenmanagement und AutoML einen besseren Zugang zu Data Science zu ermöglichen. 

Next-Generation Empfehlungssysteme auf Basis von Deep Learning

Recommender Systeme (dt. Empfehlungssysteme) begegnen uns jeden Tag in Online-Shops, auf Streaming-Plattformen und auf Social-Media-Plattformen. Hierbei stellen derartige Systeme zentrale Erfolgsfaktoren dar und ergänzen in ihrer Funktion klassische Suchmaschinen derart, dass sie unabhängig von Benutzereingaben (Suchbegriffen) relevante und für den Benutzer interessante Angebote (z.B. Produkte, Filme, Rezepte, Einträge) finden.

Eine wesentliche Funktionalität liegt darin, Kunden entsprechend ihrer bekannten aber vor allem unbekannten Präferenzen neue und für sie interessante Angebote finden. Hierbei liegt eine große Herausforderung darin, die richtigen Angebote zur richtigen Zeit zu empfehlen. Entsprechend gilt es einerseits die persönlichen Vorlieben zu berücksichtigen und andererseits externe Faktoren wie die Tages- und Jahreszeit sowie temporäre Faktoren wie größere Ereignisse (z.B. Weltmeisterschaften) und gesellschaftspolitische Veränderungen mit in die Empfehlung einzubeziehen. 

Die aktuellen Fortschritte im Bereich des Deep Learning in diversen Anwendungsbereichen zeigen ein großes Potenzial, diese Herausforderungen auf eine fortschrittliche Art und Weise zu meistern. Basierend auf historischen Nutzeraktivitäten können die Verfahren komplexe Muster erlernen, die für eine erfolgreiche Empfehlung maßgeblich sind. Doch wie lassen sich die Potentiale von Deep Learning und weiteren Verfahren aus dem Forschungsbereich der künstlichen Intelligenz im Bereich der Recommender Systeme erschließen?

Um dieser Frage nachzugehen, forscht der Lehrstuhl TMDT gemeinsam mit dem Start-Up Breinify (San Francisco, USA), dem führenden Anbieter von Software zur prädiktiven Personalisierung auf Kundenebene. Breinify blickt hierbei auf Erfahrungen aus einer jahrelangen Zusammenarbeit mit diversen Verbrauchermarken und Einzelhändlern in den USA und Europa zurück. 

In dem gemeinsamen Vorhaben wird die nächste Generation von Deep Learning-basierten Recommender Systemen erforscht. Das Lösungskonzept zielt hierbei darauf ab, auf stark fluktuierende Variablen zu reagieren und die Empfehlungen auf diese Veränderungen anzupassen. Beispiele für solche Variablen sind unter anderem Zeit (Wochentag, Feiertage, Tageszeit), Wetter, oder Lokalisierung. Im Rahmen des Vorhabens werden die erarbeiteten Ansätze in Produktivumgebungen getestet und in realen Szenarien eingesetzt, sodass wichtige Erkenntnisse für weitere Forschungsarbeiten sowie die KI-Wissenschaftscommunity generiert werden. 

Manufacturing Support with Data Analytics

Im alltäglichen Leben gehört es für uns unlängst zur Normalität, von elektronischen Geräten jedweder Art umgeben zu sein. Ob für den intelligenten IoT-Toaster oder den multifunktionalen Heimcomputer, der Bedarf an günstig und in großen Chargen produzierten elektronischen Platinen ist enorm. Um der Nachfrage entgegenzukommen, bedarf es mittlerweile automatischer Fertigungsanlagen. So werden PCB-Platinen in hochautomatisierten Prozessen mit Leiterbahnen bedruckt und SMD-Bauteile darauf mit Lötmaterial verklebt. Manuelle Arbeiten entfallen dabei häufig auf die Bestückung der Leiterplatte mit größeren Bauteilen, der Korrektur fehlerhafter Platinen und dem Transport über die Werkanlage.

Fertigungsanlagen, in denen PCB Platinen verbaut werden, können vereinfacht durch hierarchische Modelle dargestellt werden, in denen die unterschiedlichen Schichten des automatisierten Fertigungsprozesses größtenteils voneinander getrennt betrachtet werden. Schnittstellen bestehen in der Regel nur zwischen vertikal benachbarten Schichten, um die Steuerung und die Bereitstellung von Prozessdaten in einem überschaubaren Rahmen zu halten. Bei der Optimierung eines Fertigungsprozesses werden üblicherweise nur einzelne Schichten betrachtet. Ein Ansatz zur ganzheitlichen Optimierung sowie zur vereinheitlichten Betrachtung von Eingabe- und Ausgabedaten zur Anomalieerkennung und Fehlervermeidung ist in der Literatur bisher nicht vorhanden.

Im Rahmen eines Promotionsstipendiums, welches von der Phoenix Contact Stiftung gefördert wird, forscht der Lehrstuhl TMDT gemeinsam mit der Phoenix Contact GmbH an Machine Learning-basierten Optimierungsansätzen in der Fertigung von PCB-Platinen. Phoenix Contact ist vor allem in der Herstellung von elektronischen Verbindungselementen und Schaltschränken im industriellen Sektor aktiv. Eine zentrale Fragestellung der Forschungsarbeiten ist, inwieweit die Abstrahierbarkeit der Anomalieerkennung über das gesamte hierarchische Planungs- und Steuerungsmodell hinweg möglich ist. So ist zu untersuchen, ob 1) Anomalien unabhängig von der Schicht des hierarchischen Modells, in der sie auftreten, methodisch ähnlich behandelt werden können und 2) sich Ursache-Wirkungs-Relationen zwischen Anomalien verschiedener Schichten erkennen lassen. Hierzu werden etablierte Methoden zur Verarbeitung von Fertigungsprozessdaten in Kombination mit State-of-the-Art Verfahren des Deep Learning und des Continual Learning erforscht und hinsichtlich ihrer Eignung für die oben genannten Fragestellungen evaluiert.