Künstliche Intelligenz in der Automatisierung

ITS.ML: Intelligente Technische Systeme der nächsten Generation durch Maschinelles Lernen

Prof. Dr.-Ing. Volker Lohweg
01.08.2018 bis 31.07.2021

Ziel des Forschungsvorhabens ist es, maschinelles Lernen (ML) für Intelligente Technische Systeme (ITS) entlang der gesamten Wertschöpfungskette nachhaltig verfügbar zu machen. Dieses erfordert Entwicklung und Transfer neuester ML-Innovationen auf die in ITS zentralen Handlungsfelder, um ML-Technologien in die Produkte und in die Produktionsketten zu bringen, und umgekehrt das Bewusstsein der regionalen Unternehmen, wann und wie ML in agile Geschäftsmodelle und Produktionsketten integriert werden kann zu schärfen. Verbunden mit dem Fokus auf die aktuellen Anwendungsfelder: lernende Assistenzsysteme, kognitives Plug and Work, cognitive Optimierung und Qualitätsmanagement, Predictive Maintenance, sowie ML und 5G wird das Konzept von `ML as a service’ für ITS vorangebracht. Das Vorhaben kann auf von den regionalen kleinen und mittleren Unternehmen (KMU) hervorragend initiierten technischen Digitalisierungsstrategien und die ausgewiesene Exzellenz der beteiligten Partner in ML aufbauen, um den Schritt zu einer inhaltlichen Nutzung digitaler Daten durch ML zu realisieren.

Das Projekt wird gefördert durch:
Bundesministerium für Bildung und Forschung (BMBF)
Projektträger: Das Deutsche Zentrum für Luft- und Raumfahrt e.V. (DLR)
Förderkennzeichen: 01IS18041D
Förderlinien: KT 2020 - Softwareintensive eingebettete Systeme
Projektbeteiligte / Ansprechpartner: Anton Pfeifer, M. Sc., Dr.-Ing. Christoph-Alexander Holst
Projektmitarbeitende: Anton Pfeifer, M. Sc., Malte Schmidt, M. Sc.
Alexander Fritze, M. Sc., Dr.-Ing. Uwe Mönks, Dr.-Ing. Christoph-Alexander Holst, Prof. Dr.-Ing. Volker Lohweg
An Approach to Automated Fusion System Design and Adaptation
In: Sensors 17, Mar 2017
Distributed Self-Organisation of Information Fusion Systems
In: 22nd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA 2017), Sep 2017
Dr.-Ing. Christoph-Alexander Holst, Dr.-Ing. Uwe Mönks, Prof. Dr.-Ing. Volker Lohweg
Conflict-based Feature Selection for Information Fusion Systems
In: 27. Workshop Computational Intelligence VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik (GMA), Nov 2017
Dr.-Ing. Christoph-Alexander Holst, Prof. Dr.-Ing. Volker Lohweg
Supporting Sensor Orchestration in Non-Stationary Environments
In: ACM International Conference on Computing Frontiers 2018, May 2018
Dr.-Ing. Christoph-Alexander Holst, Prof. Dr.-Ing. Volker Lohweg
A Conflict-Based Drift Detection And Adaptation Approach for Multisensor Information Fusion
In: 23rd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Sep 2018
Benedikt Eiteneuer, M. Sc., Nemanja Hranisavljevic, M. Sc., Prof. Dr. rer. nat. Oliver Niggemann
Dimensionality Reduction and Anomaly Detection for CPPS Data using Autoencoder
In: 20th IEEE International Conference on Industrial Technology Melbourne, Australien, Feb 2019, Feb 2019
Dr.-Ing. Christoph-Alexander Holst, Prof. Dr.-Ing. Volker Lohweg
Improving Majority-guided Fuzzy Information Fusion for Industry 4.0 Condition Monitoring
In: 2019 22th International Conference on Information Fusion (FUSION), Jul 2019
Dr.-Ing. Christoph-Alexander Holst, Prof. Dr.-Ing. 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), Sep 2020
Anton Pfeifer, M. Sc., Prof. Dr.-Ing. Volker Lohweg
Classification of Faults in Cyber-Physical Systems with Complex-Valued Neural Networks
In: 2021 26th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Sep 2021
Malte Schmidt, M. Sc., Prof. Dr.-Ing. Volker Lohweg
Interval-based Interpretable Decision Tree for Time Series Classification
In: Proceedings - 31. Workshop Computational Intelligence, Nov 2021
Barbara Hammer, Prof. Dr. Eyke Hüllermeier, Prof. Dr.-Ing. Volker Lohweg, Axel Schneider, Wolfram Schenck, Ulrike Kuhl, Marco Knödler, Anton Pfeifer, M. Sc., Dr.-Ing. Christoph-Alexander Holst, Malte Schmidt, M. Sc., Gunnar Schomaker, Tanja Tornede
Schlussbericht ITS.ML: Intelligente Technische Systeme der nächsten Generation durch Maschinelles Lernen. Forschungsvorhaben zur automatisierten Analyse von Daten mittels Maschinellen Lernens
Gefördert durch
Projektträger