Im Mai haben wir zwei Mal die Türen für Besucher geöffnet: Generalprobe war dabei für uns der „Tag des Offenen Lehrstuhls“, als wir am 12. Mai 2022 die Studierenden aus unseren Vorlesungen zu uns eingeladen haben. Was wir dort mit unseren Demonstratoren und VR-Brillen gezeigt haben, konnten wir dann auch zum Tag der Offenen Uni am 21. Mai präsentieren. Anlässlich ihres 50. Geburtstags der Uni Wuppertal waren wir mit Wo- & Manpower am Campus Grifflenberg dabei – und ebenso 6500 Besucher*innen!

Unser Divabre-Team hat spannende Einblicke in die Manufaktur der Firma Freund erhalten, und so viel sei schon verraten: Die erste Challenge in Kooperation mit einem regionalen Mittelständler steht kurz vor dem Start!

Messen & Konferenzen @TMDT

Bei der ersten Mobilitätsmesse polisMobility war unser Team aus dem Forschungsprojekt Centrum für Automatisierte Mobilität (camo.nrw) am NRW-Gemeinschaftsstand auf der Kölnmesse vertreten. Auf dem Kölner Rudolfplatz hatten wir den Bauwagen „Zukunftslabor Automatisierte Mobilität“ bezogen, den wir leider nur eingeschränkt aufgrund von Unwetterwarnungen nutzen konnten.   

Auch das Team des Competence Center 5G.NRW war an einem NRW-Gemeinschaftsstand mit dabei – allerdings auf der Hannover Messe und zum Thema 5G.

Auf der Learntec in Karlsruhe stellten unser Wissenschaftlicher Mitarbeiter Dominic Fehling und Sinja Müser von der Hochschule Hamm-Lippstadt mit ihrem Beitrag „Figments of Imagination“ das Projekt AR/VR.nrw vor.

Vorträge & Workshops @TMDT

Prof. Dr.-Ing. Tobias Meisen hielt beim Arbeitgeberverband der Metallindustrie von Wuppertal und Niederberge e.V. den Vortrag „Digitalisierung im Transformationsprozess: Schöne, neue Welt? Lösungen in der Fertigung im Bergischen Land.“

Unsere Wissenschaftliche Mitarbeiterin Hannah M. Seichter moderierte i.R. des Projektes Giga for Health den Online-Workshop „Digitales Krankenhaus.“

Projekte @TMDT

Das Competence Center 5G.NRW wird um weitere drei Jahre verlängert und mit 2,9 Mio. € gefördert. NRW-Minister Andreas Pinkwart überreichte die Förderbescheide an das Projektteam mit Konsortialführer BUW, der TU Dortmund, der Universität Duisburg-Essen und dem FIR an der RWTH Aachen. Damit ist der Weg frei, um das in den vergangenen Jahren entstandene 5G.NRW-Innovationsökosystem weiter auszubauen.

Zum Start des Projektes „Analysesystem zum qualitätsmotivierten Inline-Monitoring für Schweißprozesse auf Basis von KI-Methoden“, kurz Asimov, haben Yannik Hahn, Robert Maack und Hasan Tercan von unserem Lehrstuhl die Projektpartner*innen und Konsortialführer von der Forschungs- und Entwicklungsgesellschaft Fügetechnik FEF GmbH in Aachen besucht.

Unser interdisziplinärer Lehr-Lernansatz zur Realisierung virtueller Lernumgebungen durch Lehramtsstudierende wird von der Stiftung Innovationen in der Hochschullehre gefördert. Wir freuen uns auf das gemeinsame Projekt „Freiraum 2022“ mit den Lehrstühlen Lehren und Lernen mit digitalen Medien von Prof. Dr. Claudia Schrader und Didaktik der Chemie von Prof. Dr. Claudia Bormann-Linde!

Wissenschaftliche Publikationen @TMDT

Akzeptierte Publikation für die DATA 2022

Die Publikation „Domain-Independent Data-to-Text Generation for Open Data“ von Micaela Barkmann, Andreas Burgdorf, Dr.-Ing. André Pomp und Prof. Dr.-Ing. Tobias Meisen von unserem Lehrstuhl wurde für die DATA 2022 als Full Paper angenommen. Darin haben die Autoren die Eignung von Data2Text-Methoden untersucht, um OpenData automatisch um textuelle Datendokumentation zu erweitern.

Veröffentlichte Publikation in ScienceDirect (Elsevier)

Der Artikel „Reinforcement Learning in Manufacturing Control: Baselines, challenges and ways forward“ von Prof. Dr.-Ing. Tobias Meisen von unserem Lehrstuhl sowie Vladimir Samsonov und Karim Ben Hicham, beide RWTH Aachen University, ist bei Elsevier Sciencedirect erschienen.

Der Artikel „Insights and Example Use Cases on Industrial Transfer Learning“ von Tobias Meisen, Hasan Tercan & Christian Bitter von unserem Lehrstuhl sowie Hannes Vietz, Benjamin Maschler & Michael Weyrich, Universität Stuttgart, wurde ebenfalls hier veröffentlicht.

Trotz hoher Lösungspotentiale des maschinellen Lernens für gängige Probleme der Fertigung und Automatisierungstechnik, finden sich in der industriellen Praxis wenig Anwendungsbeispiele. Um der Ursache hierfür auf den Grund zu gehen, zeigen die Autoren anhand von vier beispielhaften Anwendungsfällen die Hürden für konventionelles maschinelles Lernen auf und benennen Lösungsansätze mittels industriellem Transfer Learning und Continual Learning.

Veröffentlichte Publikation bei der ICEIS Conference 2022

Das Paper „Gideon-TS: Efficient Exploration and Labeling of Multivariate Industrial Sensor Data” von Tristan Langer und Prof. Dr.-Ing. Tobias Meisen von unserem Lehrstuhl, sowie Viktor Welbers, Vodafone, wurde i.R. der ICEIS Conference 2022 veröffentlicht.

Die Autoren präsentieren ein Labeling-Tool für das effiziente Labeln großer Mengen heterogener industrieller Sensordaten durch Prozessexperten. Dazu setzen sie auf eine dedizierte Zeitreihendatenbank zum effizienten Speichern, Aggregieren und Abrufen der Sensordaten sowie auf interaktives Labeling in virtuellen Visualisierungen. Außerdem haben die Autoren ein machine learning basiertes Unterstützungssystem entworfen und evaluiert, dass die für das Labeling benötigte Zeit erheblich reduziert.

Veröffentlichte Publikation bei der HPCC 2021

Der Beitrag „A Filter is Better Than None: Improving Deep Learning-Based Product Recommendation Models by Using a User Preference Filter“ von Miguel Alves Gomes, Hasan Tercan, Tobias Meisen, Lehrstuhl für TMDT, sowie Todd Bodnar & Philipp Meisen (Breinify) wurde i.R. der IEEE Conference on High Performance Computing and Communications (HPCC) veröffentlicht. Darin haben sich die Autoren mit Deep Learning basierten Empfehlungssystemen auseinandergesetzt.

Veröffentlichte Publikation im ATP Magazin

Der peer-reviewed Hauptbeitrag: „Scaling reinforcement learning online job shop scheduling“ die Autoren Schirin Baer (Amazon), Felix Baer, Sebastian Pol (beide Siemens), sowie Prof. Dr.-Ing. Tobias Meisen, Lehrstuhl für TMDT,  wurde im ATP-Magazin 05/2022 veröffentlicht.

Die Autoren stellen ein reaktives Job-Shop-Scheduling-Verfahren für eine flexible Fertigung vor. Flexible Fertigungssysteme können eine hohe Anzahl an Produktvarianten effizient fertigen. Deshalb liegt der Fokus des Beitrags auf dem Skalieren der Lösung auf eine hohe Produktvarianz durch ein spezielles State Encoding. Mit einem Deep-Q-Networks-Agenten-Ansatz werden Produkte durch die Fertigung navigiert und zu Ressourcen zugewiesen. Nach einem Training mit 600 Produktvarianten wird bewiesen, dass die Agenten mit unbekannten Produkten umgehen können. Mit dem State Encoding stellen die Autoren eine Lösung für ein selbstlernendes reaktives Job Shop Scheduling vor, welches sich für eine hohe Produktvarianz skalieren lässt.

Veröffentlichte Publikation im Journal of Intelligent Manufacturing 

Die Publikation „Machine learning and deep learning based predictive quality in manufacturing: a systematic review“ von Hasan Tercan und Prof. Dr.-Ing. Tobias Meisen, Lehrstuhl für TMDT, ist im Journal of Intelligent Manufacturing erschienen.

Mit dieser Publikation liefern die Autoren einen umfassenden Überblick über den aktuellen Stand der Forschung von Predictive Quality in der Produktion. Die Basis hierfür ist eine systematische Recherche und Auswertung von über 80 wissenschaftlichen Publikationen zwischen 2012 und 2021.