PREFERML
Proaktive Fehlervermeidung in der Produktion durch Maschinelles Lernen
Ziel des Projektes ist es, unter Zuhilfenahme von Methoden aus dem Bereich des „Maschinellen Lernens“ Produktionsfehler zu vermeiden. Dabei gilt es insbesondere den Automatisierungsgrad bei der Erstellung und Pflege entsprechender Modelle zu erhöhen, um den operativen Einsatz praktikabel zu gestalten.
Durch die Finanzierung des Bundesministeriums können zwei Stellen für die wissenschaftliche Arbeit an dem Projekt geschaffen werden.
Projektpartner
Hochschule Furtwangen
Sick AG
Förderung
Das Projekt wird im Rahmen der Förderlinie FHprofUnt im Programm Forschung an Fachhochschulen vom Bundesministerium für Bildung und Forschung (BMBF) gefördert. Förderkennzeichen: 13FH249PX6


Publikationen
Fehlermeldung in der Produktion durch Maschinelles Lernen (Schreier)
2020 | |||
Alexander Gerling, Ulf Schreier, Andreas Hess, Alaa Saleh, Holger Ziekow, Djaffar O. Abdeslam | A Reference Process Model for Machine Learning Aided Production Quality Management | Proceedings of the 22nd International Conference on Enterprise Information Systems, May 5-7,2020 : Volume 1, pp. 515-523, 2020 | BibTeX | RIS DOI |
2019 | |||
Holger Ziekow, Ulf Schreier, Alaa Saleh, Christof Rudolph, Katharina Ketterer, Daniel Grozinger, Alexander Gerling | Proactive Error Prevention in Manufacturing Based on an Adaptable Machine Learning Environment | Artificial Intelligence: From Research to Application: The Upper-Rhine Artificial Intelligence Symposium UR-AI 2019, March 13th, 2019, Offenburg, Germany, pp. 113-117, 2019 | BibTeX | RIS |
Holger Ziekow, Ulf Schreier, Alexander Gerling, Alaa Saleh | Technical Report: Interpretable Machine Learning for Quality Engineering in Manufacturing - Importance measures that reveal insights on errors | 2019 | BibTeX | RIS URN |