Abgeschlossene Projekte

Die medikamentöse Behandlung von alten Menschen (> 65 Jahren) stellt eine große Herausforderung für das Sozial- und Gesundheitswesen dar. Übermedikation und Wechsel- und/oder Folgewirkungen von Medikamenteneinnahme sind hier reale Probleme. In diesem Projekt wird mittels maschinellem Lernen anhand von realen Medikationen und dessen Auswirkungen  ein Assistenzsystem entwickelt, welches zur erfolgreichen und nachhaltigen (ohne Spätfolgen) Medikation von älteren Menschen hilfreich ist.

In zahlreichen Industriezweigen werden verschiedene Bauteile in automatisierten Anlagen zu Baugruppen zusammengesetzt. Durch komplexe Zusammenhänge sämtlicher Aspekte der Produktion wie Toleranz der Rohteile, Konstruktion der Bauteile, Parameter des Fertigungsprozesses oder Konstruktion der Fertigungsanlage lässt die endgültig entstehende Qualität des Produkts nur schwer voraussagen. Dieses Projekt stellt sich dieser Aufgabe in enger Zusammenarbeit mit der Firma Miele & Cie. KG, aus deren Fertigung reale Daten zur Verfügung gestellt werden.

In diesem Projekt wird u.a. mittels cutting-edge Verfahren des Deep Reinforcement Learnings an einer Künstlichen Intelligenz für StarCraft2 gearbeitet die Wissen bewahrbar und übertragbar macht und zudem für Menschen nachvollziehbar ist (Explainability).

In diesem Projekt werden Methoden erforscht und weiterentwickelt, welche sich mit der frühzeitigen Erkennung von Anomalien innerhalb einer Fertigungslinie (Predictive Maintenance) und dem noch zusätzlichen Eingreifen durch automatisches Anpassen von Stellgrößen oder Reglerparametern. Hierbei können im Center for Applied Data Science (CfADS) in einer seit Anfang 2020 betriebenen IoT-Factory daten gesammelt, gereinigt und verarbeitet werden.

Aufgrund der fortschreitenden Digitalisierung entwickeln sich klassische Produkte immer mehr zu vernetzten informationstechnischen Systemen. Im Zuge der immer größeren Masse an gesammelten Daten entwickelte sich der Begriff des Predictive Maintenance, wo diese Daten durch Methoden der Künstlichen Intelligenz zur prädiktiven Selbstdiagnose genutzt werden. In Zusammenarbeit mit der Miele & Cie. KG wird in diesem Projekt mit deren variantenreichen Produktportfolio weiter an den Verfahren des Predictive Maintenance geforscht.

Die Energielandschaft unterliegt derzeit einem grundlegenden Wandel von wenigen zentralen Erzeugern hin zu zahlreichen dezentralen Erzeugern und aktiven Verbrauchern. Hierbei muss sowohl die Integration mehrerer Energieformen als auch die Speicherung von der Transport von erneuerbaren Energien beachtet werden. Dieses Projekt beschäftigt sich mich der Modellierung solcher komplexer Elektroenergiesysteme in der objekt-orientierten Modellierungssprache Modelica, wobei vor allem die Nutzung von neuronalen Netzen im Fokus liegt.