Innovationsprojekte
Maschinelles Lernen für die Produktion und deren Produkte (ML4Pro²)
Maschinelles Lernen nachhaltig verfügbar machen
Durch Maschinelles Lernen (ML) kann aus Daten Wissen generiert werden, um auf allen Stufen der Unternehmensprozesse Mehrwerte zu generieren. Produkte, wie mobile Plattformen, Roboter oder Fahrzeuge, nutzen Daten zur Optimierung ihres Verhaltens. Aber auch Produktionssysteme greifen zunehmend darauf zurück, um Einblicke in Prozesse zu erhalten und Produkte optimal unter den gegebenen Ressourcen zu produzieren.
Ziel des Projekts ist es, maschinelles Lernen (ML) für intelligente Produkte und Produktionsverfahren nachhaltig verfügbar zu machen. Dazu werden ML-Methoden aus den wissenschaftlichen Schwerpunktthemen 'Hybride Lernverfahren', 'Integration von Expertenwissen', 'Interpretierbarkeit von Daten', 'Lernen auf Datenströmen' sowie 'Cognitive-Edge-Computing' auf 12 industrielle Use Cases aus den Themenfeldern 'Predictive Maintenance', 'Prozessoptimierung' und 'Predictive Quality' angewendet. Abschließend werden die Verfahren und Ergebnisse in eine modulare ML-Toolbox integriert, sodass Unternehmen mit ähnlichen Fragestellungen diese adaptieren können.
Fakten
Projektname: Maschinelles Lernen für die Produktion und deren Produkte (ML4Pro2)
Projektlaufzeit: 01.12.2018 bis 31.03.2022
Projektvolumen: 5,38 Millionen Euro
Blogbeiträge
30.03.2022 | ML4Pro²: Maschinelles Lernen für optimales Ultraschalldrahtbonden
20.01.2022 | Automatisierter Einsatz datengetriebener Services
08.10.2021 | iAP, ML4Pro² und TeDZ: So arbeiten die Projekte zusammen
18.09.2019 | Maschinelles Lernen für die Produktion und ihre Produkte
Publikationen
- Jasperneite, Jürgen und Volker Lohweg: Kommunikation und Bildverarbeitung in der Automation: Ausgewählte Beiträge der Jahreskolloquien KommA und BVAu 2018. Springer Nature, V., 2020, S. 364.
- Pelkmann, David, Alaa Tharwat and Wolfram Schenck: How to Label? Combining Experts’ Knowledge for German Text Classification. In: 2020 7th Swiss Conference on Data Science (SDS), IEEE, 2020, S. 61-62.
- Hesse, Marc; Klarhorst, Christian; Rückert, Ulrich; Quirin Dennis: ML4ProFlow: A Framework for Low-Code Data Processing from Edge to Cloud in Industrial Production. International Conference on Emerging Technologies and Factory Automation (ETFA). Stuttgart. 2022, S. 1-4.
- Holst, Christoph-Alexander and Volker Lohweg: A Redundancy Metric based on the Framework of Possibility Theory for Technical Systems. In: 2020 25th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA) (Vol. 1). IEEE, 2020, S. 1571-1578.
- Wissbrock, P., David Pelkmann and B. Tölle: Automate Quality Prediction in an End-of-Line Test of a Highly Variant Production of Geared Motors – Discussion of a Full Concept. 6th European Conference of the Prognostics and Health Management Society (PHM Society), vrsl.2021.
- Redeker, Magnus, Klarhorst, Christian, Göllner, Denis, Quirin, Dennis, Wißbrock, Peter, Althoff, Simon und Hesse, Marc: Towards an Autonomous Application of Smart Services in Industry 4.0. In: 2021 26th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA ), Schweden 2021.
- Lenz, Cederic, Henke, Christian, and Trächtler, Ansgar: Anomaly detection in hot forming processes using hybrid modeling. In: 2021 26th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA ), Schweden 2021.
- Voigt, T., Migenda, N., Schöne, M., Pelkmann, D., Fricke, M, Schenck, W. und Kohlhase, M.: Advanced Data Analytics Platform for Manufacturing Companies. In: 2021 26th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA ), Schweden 2021.
- Schmidt, M, Lohweg, V.: Interval-based Interpretable Decision Tree for Time Series Classification. In: Schulte, H.: Proceedings - 31. Workshop Computational Intelligence: Berlin, 25. - 26. November 2021. KIT Scientific Publishing. 2021.
- Hesse, M.; Hunstig, M.; Timmermann, J. and Trächtler, A.: Batch Constrained Bayesian Optimization for Ultrasonic Wire Bonding Feed-forward Control Design. In Proceedings of the 11th International Conference on Pattern Recognition Applications and Methods, 2022, S. 31-42.