Aktuelle Projekte

Das Projekt befasst sich mit datengetriebener Routenoptimierung, insbesondere in der Nahverkehrslogistik. Ein typisches Szenario in diesem Kontext wäre die Planung und fortlaufende Optimierung einer Route, um etwa zehn Destinationen in einer Region anzufahren und Waren anzuliefern. Bei der Planung und Optimierung müssen nicht nur Entfernungen der einzelnen Ziele berücksichtigt werden. Weitere Faktoren sind bspw. zeitliche Restriktionen der Empfänger der Ware oder die Anordnung der Ware auf dem LKW. 

In diesem Projekt sollen Modelle zur Vorhersage des zukünftigen Kundenverhaltens mit Hilfe von Methoden des maschinellen Lernens entwickelt werden. Die Vorhersagen sollen dabei in einen Smart Service integriert werden, der KI-basiert und datengetrieben historisches Kundenverhalten interpretieren, Einflussfaktoren auf das Kundenverhalten erkennen und zukünftiges Kundenverhalten vorhersagen kann. Dabei sollen neben realen Unternehmensdaten des Projektpartners eine Vielzahl heterogener Datenquellen in den Ansätzen integriert werden.

Der Fokus dieses Projektes liegt darin den Prozess der Mass Customization durch den Einsatz von Künstlicher Intelligenz teilweise zu automatisieren und die für den Konfiguratoionsprozess benötigte Wissensbasis eigenständig erstellen zu lassen. Speziell wird hierbei die innovative Technik des Differentiable Neural Computers genutzt, welche ein klassiches Neurales Netzwerk mit einer Speicherbank verbindet.

Fehler innerhalb eines Konfigurationsprozesses wie zum Beispiel unzulässige Produktvarianten können weitreichende Folgen für das gesamte System haben. Trotzdem ist die Fehler- und Unsicherheitsanalyse von solchen Systemen häufig noch die Aufgabe von Menschen. In diesem Projekt soll dies geändert werden und ein Verfahren mit Hilfe von Künstlicher Intelligenz entwickelt werden, welches den Prozess auf systematische und stochastische Fehler, Unsicherheit und Zuverlässigkeit hin untersucht.

Um die Klimaschutzziele in Deutschland zu erreichen, ist der Ausbau der erneuerbaren Energien, insbesondere Photovoltaiksysteme, entscheidend. Eine präzise Vorhersage der Energieerträge aus PV-Feldern ist unerlässlich, um eine stabile Stromversorgung sicherzustellen. Dies erfordert die Berücksichtigung von Faktoren wie Wetterbedingungen, Einstrahlung und möglichen Degradationen der PV-Module.

Der/Die Studierende hat die Aufgabe, einen KI-Algorithmus zu entwickeln, der auf Monitoringdaten und Umweltdaten basiert und Energieertragsprognosen erstellen kann. Dies beinhaltet die Datenaufnahme aus verschiedenen Quellen, Datenbereinigung, Visualisierung und umfangreiche Datenanalysen zur Erstellung eines repräsentativen Datensatzes. Anschließend muss der Algorithmus in Data-Mining-Experimenten entwickelt werden, um Energieertragsprognosen für neue PV-Felder zu generieren. Der Prototyp soll robust sein, Stördaten verarbeiten können und hohe Qualitätsstandards für KI-Software erfüllen.

Dieses Projekt beschäftigt sich mit dem Einfluss von Künstlicher Intelligenz auf die Arbeitswelt und wie Belastungen für Mitarbeiter*innen in der Produktion reduziert werden können. Hierzu werden Echtdaten gesammelt, organisiert, gereinigt und anschließend mit Hilfe von eigens angepassten Machine Learning Verfahren analysiert. Die Analyse  zielt auf einen verbesserten Produktionsablauf mit reduzierter Mitarbeiterbelastung.

Induktion ist ein weit verbreitetes und daher auch spannendes Forschungsthema mit vielen Anwendungsmöglichkeiten wie z.B. in der Elektromobilität oder dem klassischen Induktionskochfeld. Trotzdem bestehen weiterhin nicht unbeträchtliche Probleme in dem Bereich, welche sowohl die Effizienz der Energieübertragung als auch entstehende Nebeneffekte beinflussen. Um dem entgegen zu wirken, soll in diesem Projekt mittels Neuronaler Netze ein Zusammenhang zwischen Spulendesign und der resultierenden Magnetfeldverteilung hergestellt werden um somit bereits bekannte Optimierungsverfahren deutlich effizienter zu gestalten.

Im Rahmen dieses Projektes werden Zeitreihendaten analysiert um Fehler frühzeitig erkennen und diese rechtzeitig beheben zu können. Hierzu werden die Datenreihen zunächst erfasst und von Umwelteinflüssen bereinigt. Anschließend soll auf Basis von selbstlernenden Algorithmen die datengetriebene Fehlerdiagnose durchgeführt werden.

Die Anzahl eingesetzter Roboter in der Produktion steigt rasant an, da sie durch die Automatisierung des Prozesses und eine hohe Präzision einen großen Mehrwert bieten können. Dieses Projekt macht sich diese Eigenschaften zu Nutze mit dem Ziel einen kameraausgestatteten Kuka-Arm automatisiert und mit Hilfe von Deep Learning trainiert vorgegebene Produktionsteile aus einer Menge von Teilen herauszusuchen zu lassen, welche für den weiteren Fertigungsprozess genutzt werden können.

Rechtssysteme bilden das Fundament demokratischer Staaten. Dennoch kennt jeder das Problem, in wichtigen Lebenslagen nicht selbstständig in der Lage zu sein, aus umfangreichen Rechtsdokumenten konkrete Informationen zu entnehmen. Deshalb ist das Ziel dieses Projekts, eine Suchmaschine mittels maschineller Lernverfahren zu implementieren, die es auch einem Laien ermöglicht, konkrete Antworten zu komplexen juristischen Fragestellungen zu erhalten.

Das Ziel des Projekts ist es, den Heilungsverlauf von Wunden mittels optimaler Behandlung sowie fach-gerechter Therapie zu verbessern, und zwar im Kontext der Wundversorgung in der Altenhilfe und -pflege. Die Aufgabe von Verfahren der künstlichen Intelligenz (KI) ist dabei, Bilder von Wunden bezüg-lich verschiedener Merkmale automatisch zu klassifizieren. Darauf aufbauend sollen Wundverläufe vorhergesagt und Behandlungsempfehlungen generiert werden, um Pflegekräfte in ihrer täglichen Ar-beit zu unterstützen.

Das Planen von Fertigungsprozessen ist nicht nur teuer und zeitaufwendig, sondern auch fehleranfällig durch unvorhergesehene Ereignisse wie das Erkranken von Mitarbeitern. So entsteht eine komplexe stochastische Umgebung, die eine vom Menschen erstellte Planung extrem schwierig macht. In diesem Projekt soll durch Methodiken des Reinforcement Learning eine automatisierte Planung möglich gemacht werden, welche final in einer realen Umgebung getestet wird.

Durch die wachsende Vernetzung von Automatisierungsgeräten und die steigende Rechenleistung von eingebetteten Geräten sind Produktionsanlagen komplexer geworden, was die Fehlererkennung erschwert. Diese Arbeit zielt darauf ab, hybride Modelle zur Anomalie-Erkennung und Diagnose zu entwickeln. Hierfür wird ein einem ersten Schritt durch Weiterentwicklung bekannter oder Erstellung neuer Algorithmen die automatische Identifikation diskreter Modelle ermöglicht. Im zweiten Schritt wird dies durch das Nutzen von Deep Learning auf hybride Modelle erweitert.

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 Forschungsprojekt soll einerseits ein Demonstrator für die dezentrale variantenreiche Serienfertigung aufgebaut werden. Zur Verfügung stehen 20 Vector-Roboter der Firma Anki, die mit zahlreichen Sensoren (u.a. Kameras, Mikrophone, Laserscanner) ausgestattet sind und die Fähigkeit besitzen mitgelieferte Boxen zu transportieren. Die Roboter sollen dazu genutzt werden, ein Industrie 4.0 Produktionslogistikszenario umzusetzen, wobei die einzelnen Roboter autonom als intelligente Agenten in einem Multiagentensystem agieren. Die Daten, die das System generiert, können dann mit RIOTANA analysiert und zur Steuerung der Roboter genutzt werden. Andererseits kann an der Steuerung des Roboterschwarms z.B. mittels Multi-Agent-Reinforcement Learnings gearbeitet werden.

Digitale Zwillinge  können verwendet werden, um zu validieren, zu optimieren, zu bewerten, zu diagnostizieren, Vorschläge zu machen, Vorhersagen zu treffen usw. Um all diese verschiedenen Anwendungen zu erreichen, sind Datenanalysetechniken und künstliche Intelligenz unerlässlich. In diesem Projekt wollen wir einen menschlichen digitalen Zwilling für Menschen entwickeln, die in einer Smart-Home-Umgebung leben.

Dieses Projekt behandelt die datenbasierte Approximation von Scarce Data mithilfe von Interpretable Machine Learning. Scarce Data, also spärliche Datenmengen, treten in vielen Unternehmen auf und stammen beispielsweise aus Laborversuchen oder Serviceberichten. Diese Datenmengen weisen höhere Datenqualitäten als Big Data auf, da diese gezielt von Domänenexperten erhoben werden. Mithilfe von Interpretable Machine Learning sollen die Kausalitäten der Modellvorhersagen aufgezeigt und von Experten validiert oder durch angepasste Datenerhebung optimiert werden.

In diesem Projekt soll sowohl ein digitaler Zwilling der Produktionsumgebung mit ihren möglichen Variationen zur dynamischen Bewertung als auch ein Assistenzsystem zur Auswahl von Szenarien im Rahmen der Strategieplanung der Produktionsversorgung bei Phoenix Contact entwickelt werden. Mit dem digitalen Zwilling soll die Produktionsumgebung mittels Simulation bewertbar gemacht werden. Auf Basis der Simulation kann dann ein Entscheidungsunterstützungssystem entwickelt werden, um für konkrete Anwendungsfälle der Produktionsversorgung das passende Konzept zu finden.

Ziel des Projektes ist die Entwicklung eines Systems, das mittels KI-/ML-Verfahren das Nutzungsverhalten der Bewohner*innen eines Smart Homes erlernt, um anschließend, geeignete Handlungsempfehlungen bereitzustellen oder, bei der Erkennung von Anomalien, geeignete Maßnahmen einzuleiten. Wissenschaftliche Herausforderung des Projekts ist die Anwendung und Evaluation von maschinellen Lernverfahren zum Lernen von Interaktionsmustern basierend auf den gelieferten Daten der Minimalsensorik, sowie der Prädiktion zukünftiger Interaktion und der Anomalieerkennung. 

Für die Entwicklung und Optimierung von Erntemaschinen stellen die Methoden des Machine Learning ein immenses Potenzial dar. Die Betrachtung bzw. Überwachung von Ernteprozessen und deren Optimierung ist mit heutiger Sensorik bereits möglich, eine Implementierung von Algorithmen liegt jedoch noch nicht in jedem Anwendungsbereich vor. Hier besteht die Möglichkeit aus vorhandenen Sensordaten aus dem Erntebetrieb relevante Kenngrößen zu bestimmen und für die weitere Verarbeitung zu nutzen.