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
- 2023
- Bulow, F., & Meisen, T. (2023). "A review on methods for state of health forecasting of lithium-ion batteries applicable in real-world operational conditions" , Journal of Energy Storage , 57 , 105978.
- Waubert-de-Puiseau, C., Tercan, H., & Meisen, T. (2023). "Curriculum Learning in Job Shop Scheduling using Reinforcement Learning" .
- Samsonov, V., Chrismarie, E., Köpken, H., Bär, S., Lütticke, D., & Meisen, T. (2023). "Deep representation learning and reinforcement learning for workpiece setup optimization in CNC milling" , Production Engineering .
- Puiseau, C., Zey, L., Demir, M., Tercan, H., & Meisen, T. (2023). "On The Effectiveness Of Bottleneck Information For Solving Job Shop Scheduling Problems Using Deep Reinforcement Learning" , Proceedings of the Conference on Production Systems and Logistics: CPSL 2023-2 .
- Waubert-de-Puiseau, C., Peters, J., Dörpelkus, C., Tercan, H., & Meisen, T. (2023). "schlably: A Python Framework for Deep Reinforcement Learning Based Scheduling Experiments" , arXiv arXiv:2301.04182 .
