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
- 2022
- Steiniger, Y., Stoppe, J., Kraus, D., & Meisen, T. (2022). "Investigating the training of convolutional neural networks with limited sidescan sonar image datasets" in OCEANS 2022, Hampton Roads , IEEE 1—6.
ISBN: 978-1-6654-6809-1
- Maschler, B., Vietz, H., Tercan, H., Bitter, C., Meisen, T., & Weyrich, M. (2022). "Insights and Example Use Cases on Industrial Transfer Learning" , Procedia CIRP , 107 , 511—516.
- Vietz, H., Maschler, B., Tercan, H., Bitter, C., Meisen, T., & Weyrich, M. (2022). "Industrielles Transfer-Lernen: Von der Wissenschaft in die Praxis" , atp magazin , 63 (9), 86—93.
- Langer, T., Welbers, V., & Meisen, T. (2022). "Gideon-TS: Efficient Exploration and Labeling of Multivariate Industrial Sensor Data" , 2184-4992 .
- Tercan, H., Deibert, P., & Meisen, T. (2022). "Continual learning of neural networks for quality prediction in production using memory aware synapses and weight transfer" , Journal of Intelligent Manufacturing , 283—292.
