Navigationsweiche Anfang

Navigationsweiche Ende

Sprache wählen

Lehrstuhl für Technologien und Management der Digitalen Transformation


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

Das Team unter Prof. Meisen hat in der Vergangenheit bereits zahlreiche Forschungsprojekte zu angewandter Data Science, künstlicher Intelligenz und semantischer Datenmodellierung durchgeführt. Nachfolgend sind einige ausgewählte Projekte dargestellt. 

KI-basierte Qualitätsverbesserung in der Produktion von Windschutzscheiben

Um den steigenden Anforderungen von Kunden und Konsumenten in der Automobilbranche gerecht zu werden bedarf es der kontinuierlichen Weiterentwicklung der Produktionsprozesse. Dies gilt auch für die Fertigung von Windschutzscheiben, wo neueste Systeme wie Augmented Reality Head-up-Displays (AR-HUD) neue Qualitätsanforderungen an die bestehende Produktion stellen. Für eine räumlich korrekte Projektion in das Sichtfeld des Autofahrers müssen die Scheiben mit einer deutlich höheren Präzision gefertigt werden.

Neue Technologien der Digitalisierung sowie der künstlichen Intelligenz versprechen großes Potenzial zur Prozessoptimierung. Durch die kontinuierliche Überwachung von Prozessdaten mittels Sensorik und IKT sowie deren algorithmische Auswertung ist eine gesamtheitliche Betrachtung und automatisierte Steuerung des Prozesses möglich.

Im Rahmen des Projektes forscht der Lehrstuhl TMDT gemeinsam mit Saint-Gobain Sekurit und der HotSprings GmbH an der realen Umsetzung dieser Lösungen im Fertigungsprozess von Windschutzscheiben. Ein wesentliches Ziel hierbei ist es, auf Basis von gesammelten Prozessdaten sowie trainierten KI-Verfahren Inline-Qualitätsvorhersagen vorzunehmen sowie qualitätsverbessernde und prozessstabilisierende Handlungsempfehlungen für den Prozess abzuleiten.

 

Das intelligente Haus - schon während der Bauphase

Das Auftreten von Wasserschäden im Keller eines Hauses und die damit einhergehenden kostspieligen Reparatur- und Renovierungsarbeiten sind ein großes Ärgernis für Hausbesitzer und -bewohner. In den meisten Fällen tritt Wasser durch eine Beschädigung der Isolationsschicht an der Außenseite eines Hauses ein. Dies wird meist erst bemerkt, wenn das Wasser bereits durch das Mauerwerk in das Haus eingedrungen ist. Zu diesem Zeitpunkt sind bereits erhebliche Schäden verursacht worden.

Sowohl Hauseigentümer als auch das verantwortliche Bauunternehmen haben ein gemeinsames Interesse daran, das mögliche Auftreten von Wasserschäden zu vermeiden. Um in Zukunft frühzeitig und vergleichsweise günstig gegensteuern zu können, sind Möglichkeiten zur kontinuierlichen Überwachung des Zustandes der Isolationsschicht und eine dementsprechende frühzeitige Feuchtigkeitserkennung in Schadfällen erforderlich. Ein großes Potenzial bieten hierbei Technologien zur Vernetzung eines Hauses mittels IoT-Sensoren sowie Verfahren zur automatisierten Verarbeitung und Auswertung von Sensordaten.

Mit dem Ziel der Umsetzung eines ersten Proof-of-Concept forscht der Lehrstuhl TMDT gemeinsam mit der Achim Wunderlich Bauunternehmung GmbH & Co. KG an dem Einsatz von Digitalisierung im Baugewerbe. Durch die Integration von IoT-Sensoren während der Bauphase soll auch nach Fertigstellung eines Bauvorhabens eine kontinuierliche Qualitätsüberwachung ermöglicht werden. Im Zuge des Projektes werden Feuchtigkeitssensoren in eigens hierfür gebauten Kellerelementen integriert. Die Sensorwerte werden daraufhin mit Hilfe eines entwickelten Dashboards kontinuierlich überwacht und ausgewertet. In realen Experimenten werden unterschiedliche Einflussfaktoren, unter anderem die Beschaffenheit des Mörtels und die Position und Größe der Beschädigung, hinsichtlich Auswirkungen auf die Sensormessungen untersucht.

Auto-AAT - A Machine Learning Based System for the Automatic Evaluation of Aphasia Speech

Schlaganfall ist die Hauptursache für eine erworbene Behinderung im Erwachsenenalter und stellt eine schwere Belastung für den Betroffenen und die Gesellschaft insgesamt dar. Dies gilt insbesondere für Schlaganfallopfer mit Aphasie. Die Rehabilitation der Aphasie ist ein langwieriger Prozess, der durch die Tatsache verstärkt wird, dass Sprache eine äußerst komplexe Funktion des menschlichen Gehirns ist, die durch ein weit verbreitetes Netzwerk von Neuronen im gesamten menschlichen Gehirn realisiert wird. 

Die Diagnose der Schädigung, ihrer Ausprägung und Schwere, ist maßgeblich für die Therapie und erfordert qualifizierte Ärzte. Um hierbei ein gewisses Maß an Objektivität und Messbarkeit zu erreichen, werden klinische Tests und Scores eingesetzt. Der Aachener Aphasietest (AAT) gilt in Deutschland und darüber hinaus als Goldstandard bei der Diagnose und Klassifizierung von Aphasie, da er die Beurteilung verschiedener Sprachmodalitäten auf allen Sprachniveaus ermöglicht. Nachteilig ist, dass die AAT einen enormen Zeitaufwand verursacht und zumindest teilweise von der Erfahrung des Bewerters/der Bewerterin abhängig ist. Darüber hinaus ist das AAT nicht sehr empfindlich auf individuelle Verbesserungen im Laufe der Rehabilitation, was seinen Nutzen als Feedback- und Trackinginstrument einschränkt. 

Um diese Mängel zu beheben, wird im Rahmen des Vorhabens die Möglichkeit untersucht ein automatisiertes, computergestütztes Werkzeug zu entwickeln, das eine robuste, zuverlässige und unabhängige Klassifizierung und Einstufung der Aphasie ermöglicht. Ein vielversprechender Schritt in diese Richtung ist die Anwendung von Supervised Machine Learning (ML)-Algorithmen. Grundlage hierfür sind die Daten der Aachener Aphasie-Datenbank, die in der Abteilung Neurologie des Universitätsklinikums Aachen während der Beurteilungs- und Therapiesitzungen von aphasischen Patienten über einen Zeitraum von rund 20 Jahren (1996 - 2016) aufgebaut wurde. Das Ziel des Projekts ist zweiteilig. Zunächst wird die Aachener Aphasie-Datenbank aus ihrer jetzigen Form in Trainingsdaten ("Corpus") für Supervised Machine Learning (ML)-Algorithmen umgewandelt. Anschließend wird auf dieser Grundlage ein prototypisches Baseline-System zur Bewertung der spontanen aphasischen Sprache mittels Machine Learning aufgebaut. Das Projekt wird im Rahmen des ERS Seed Fund der RWTH Aachen University gefördert und wurde von Prof. Dr.-Ing. Tobias Meisen und seinem Team im Jahr 2018, als er noch an der RWTH Aachen tätig war, erfolgreich akquiriert.

e-cosmos - Analyse zeitelastischer, multimodaler Daten der menschlichen Kommunikation

Komplexe multimodale Datensammlungen, z.B. Textproduktionsverhalten und Sprachdaten kombiniert mit Informationen über gestische Kommunikationshandlungen, stellen neue Anforderungen an die Geisteswissenschaften, die neue Ansätze für Datenerhebung, der mathematischen Modellierung und Quantifizierung, erfordern. Ziel des Projektes ist die Entwicklung der e-cosmos Plattform, die ein integriertes Set von Tools für die Verarbeitung neuer Kombinationen von Daten, die Ermittlung von cross-modalen Clustern, als auch von verborgenen Mustern in multimodalen und zeitverlagerten Datenreihen, bietet. Mit Hilfe dieses Tools werden detailgenaue Untersuchungen dieser Strukturen möglich. Durch ein anwenderorientiertes Design wird hiermit ein häufiges Problem von computergestützten Hilfsmitteln angegangen, das darauf abzielt, die Lücke zwischen Verwendern in den Geisteswissenschaften und Softwareentwicklern zu schließen. Indem Probleme der interdisziplinären Zusammenarbeit gezielt in den Forschungsmittelpunkt gerückt werden, kann dieses Projekt als Leitbild für eine effektive interdisziplinäre Kooperation zwischen technischen Disziplinen und den Geisteswissenschaften dienen. Das Projekt wurde von Prof. Dr.-Ing. Tobias Meisen und seinem Team, als er noch an der RWTH Aachen tätig war, erfolgreich akquiriert und durchgeführt. 

iProd - Lernfähige Regelung von Produktionssystemen auf Basis von Algorithmen der künstlichen Intelligenz

Produzierende Unternehmen in Deutschland sehen sich einem turbulenter werdenden Umfeld gegenüber. Zunehmende Produktkomplexität und schrumpfende Produktlebenszyklen erfordern robuste Produktionsprozesse. Hierzu gehört auch die Koordination von Fertigung und Montage im Hinblick auf ungeplante Abweichungen.
Die Zielsetzung von iProd umfasst die Entwicklung und Validierung eines Lösungskonzepts, welches im Rahmen von Industrie 4.0 die technischen Möglichkeiten der Digitalisierung ausschöpft. Die digitale Abbildung einer Produktion stellt die Grundlage für die ganzheitliche Analyse und Auswertung der automatisiert erfassten Daten dar. Auf Basis der untersuchten Muster im Produktionssystem lassen sich exakte Vorhersagen des zukünftigen Systemverhaltens unter Berücksichtigung einwirkender Störfaktoren und damit einhergehenden Abweichungen treffen. Grundlage hierfür bildet ein digitales Abbild der realen Produktionsumgebung unter Berücksichtigung des Systemzustands. Dabei wird von der aufgrund zahlreicher Industrie-4.0-Initiativen zunehmenden Durchdringung von IT und Sensorik auf dem Shopfloor Gebrauch gemacht: In den nunmehr zur Verfügung stehenden hochauflösenden Daten werden mittels Verfahren der Künstlichen Intelligenz Muster identifiziert und durch maschinelles Lernen reproduzierbar vorgehalten. Dadurch werden exakte Vorhersagen des zukünftigen Systemverhaltens unter Berücksichtigung einwirkender Störfaktoren ermöglicht. Die Daten werden dabei über eine Online-Plattform gesammelt. Im Rahmen einer Produktionsregelung werden die so bewerteten Abweichungen in Form von Eingriffen reduziert oder kompensiert. Die zu entwickelnde Lösung wird gemeinsam mit Praxispartnern in Form von Anwendungsfällen erprobt und validiert. Das Projekt wurde von Prof. Dr.-Ing. Tobias Meisen und seinem Team im Jahr 2017, als er noch an der RWTH Aachen tätig war, dort erfolgreich akquiriert und endet 2020.

QUISS - Qualitätssteigerung des Schienenverkehrs durch intelligente, datenbasierte Schadmustererkennung bei Schienenfahrzeugen

Das am Lehrstuhl für Informationsmanagement im Maschinenbau an der Rheinisch-Westfälisch-Technische Hochschule (RWTH) Aachen gemeinsam mit Partnern beforschte Vorhaben untersucht die zielgerichtete Nutzbarmachung moderner Data Science zur Entwicklung von Methoden zur optimierten Disposition von Schienenfahrzeugen. Durch die automatisierte Erkennung von Datenmustern und Anomalien in Schadbildern bzw. Zustandsdaten von Schienenfahrzeugen sollen Störungsursachen frühzeitig – vor einem möglichen Ausfall – identifiziert werden können. 

Hierdurch profitiert das Gesamtsystem Schiene durch eine höhere Pünktlichkeit für Kunden des Schienengüterverkehrs und für Nutzer des Schienenpersonenverkehrs infolge der Reduzierung betrieblicher Störungen. Zudem wird eine effizientere Nutzung der Schieneninfrastruktur von allen Eisenbahnverkehrsunternehmen des Personen- und Güterverkehrs unterstützt. 
Das Verbundprojekt QUISS wird im Rahmen des BMVI-Forschungsprogramms der Modernitätsfonds (mFund) gefördert. Es wurde von Prof. Dr.-Ing. Tobias Meisen und seinem Team im Jahr 2017, als er noch an der RWTH Aachen tätig war, dort erfolgreich akquiriert und endet 2021.