Industrial Deep Learning
Im Bereich "Industrial Deep Learning" erforschen wir Deep Learning-Technologien für industrielle Anwendungen, um innovative Lösungen in Produktion, Logistik und Umwelt zu realisieren. Dabei verbinden wir Grundlagen-KI-Forschung mit der industriellen Praxis und konzentrieren uns auf drei Schwerpunkte
Bildbasierte Methoden zur Automatisierung von Qualitätskontrollen sowie zur präzisen Lokalisierung von Anomalien und Schäden.
Sensorbasierte Situations- und Zustandsbewertung
Verarbeitung und Nutzung transienter und saisonaler Sensordaten für Zustandsüberwachung, Anomalieerkennung und Prognosen.
Intelligente Planung und Prozessgestaltung
Lernende Verfahren zur Lösung komplexer Planungs- und Optimierungsprobleme sowie zur Bewertung und Parametrisierung von Prozessen.
Unsere Forschung adressiert ein breites Spektrum an Deep Learning-Technologien, darunter verschiedene Lernparadigmen wie Supervised und Reinforcement Learning, Lernszenarien wie Transfer Learning, Representation Learning und Explainable AI, sowie Modellarchitekturen wie Transformer-Netze, Autoencoder und Generative Adversarial Networks.
Wir arbeiten eng mit Industriepartnern zusammen, sei es im Rahmen von öffentlich geförderten Projekten oder direkten F&E-Aufträgen. Dabei setzen wir uns intensiv mit realen Herausforderungen auseinander und beziehen stets die Bedürfnisse von Endnutzern und Fachexperten mit ein. Dieser Praxisbezug stellt sicher, dass unsere Forschungsergebnisse nicht nur theoretisch fundiert, sondern auch unmittelbar in der industriellen Praxis anwendbar sind und die Wertschöpfung verbessern.
Ausgewählte Publikationen
- 2020
- Scheidt, F., Ou, J., Ishii, H., & Meisen, T. (2020). "deepKnit: Learning-based Generation of Machine Knitting Code" , Procedia Manufacturing , 51 , 485—492.
- Scheiderer, C., Thun, T., Idzik, C., Posada-Moreno, A. F., Krämer, A., Lohmar, J., Hirt, G., & Meisen, T. (2020). "Simulation-as-a-Service for Reinforcement Learning Applications by Example of Heavy Plate Rolling Processes" , Procedia Manufacturing , 51 , 897—903.
- Meyes, R., Schneider, M., & Meisen, T. (2020). "How Do You Act? An Empirical Study to Understand Behavior of Deep Reinforcement Learning Agents" .
- Baer, S., Turner, D. C., Mohanty, P. K., Samsonov, V., Bakekeu, J. R., & Meisen, T. (2020). "Multi Agent Deep Q-Network Approach for Online Job Shop Scheduling in Flexible Manufacturing" in Proceedings of the 7th International Conference on Industrial Engineering and Applications (ICIEA) .
- 2019
- Meyes, R., Donauer, J., Schmeing, A., & Meisen, T. (2019). "A Recurrent Neural Network Architecture for Failure Prediction in Deep Drawing Sensory Time Series Data" , Procedia Manufacturing , 34 , 789—797.
