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

PREFERML (I19933-1)
PREFERML (I19933-2)

Publikationen

Fehlermeldung in der Produktion durch Maschinelles Lernen (Schreier)

2022 | 2021 | 2020 | 2019

2022

Alexander Gerling, Holger Ziekow, Andreas Hess, Ulf Schreier, Christian Seiffer, Djaffar Ould-AbdeslamComparison of algorithms for error prediction in manufacturing with automl and a cost-based metric
Alexander Gerling, Oliver Kamper, Christian Seiffer, Holger Ziekow, Ulf Schreier, Andreas Hess, Djaffar Ould-AbdeslamResults from using an Automl Tool for Error Analysis in Manufacturing

2021

Christian Seiffer, Alexander Gerling, Ulf Schreier, Holger ZiekowA Reference Process and Domain Model for Machine Learning Based Production Fault Analysis
Christian Seiffer, Holger Ziekow, Ulf Schreier, Alexander GerlingDetection of Concept Drift in Manufacturing Data with SHAP Values to Improve Error Prediction
Alexander Gerling, Holger Ziekow, Ulf Schreier, Christian Seiffer, Andreas Hess, Djaffar Ould-AbdeslamEvaluation of Filter Methods for Feature Selection by Using Real Manufacturing Data
Alexander Gerling, Christian Seiffer, Holger Ziekow, Ulf Schreier, Andreas Hess, Djaffar Ould-AbdeslamEvaluation of Visualization Concepts for Explainable Machine Learning Methods in the Context of Manufacturing
Holger Ziekow, Ulf Schreier, Alexander Gerling, Alaa SalehInterpretable Machine Learning for Quality Engineering in Manufacturing - Importance Measures that Reveal Insights on Errors

2020

Alexander Gerling, Ulf Schreier, Andreas Hess, Alaa Saleh, Holger Ziekow, Djaffar Ould-AbdeslamA Reference Process Model for Machine Learning Aided Production Quality Management
Yannick Wilhelm, Ulf Schreier, Peter Reimann, Bernhard Mitschang, Holger ZiekowData Science Approaches to Quality Control in Manufacturing: A Review of Problems, Challenges and Architecture
Christian Seiffer, Ulf Schreier, Holger Ziekow, Alexander GerlingKI für die Produktionsqualität
Alexander Gerling, Alaa Saleh, Ulf Schreier, Holger ZiekowSupporting Quality Assessment in Manufacturing by Machine Learning : First Results of PREFERML Project

2019

Holger Ziekow, Ulf Schreier, Alaa Saleh, Christof Rudolph, Katharina Ketterer, Daniel Grozinger, Alexander GerlingProactive Error Prevention in Manufacturing Based on an Adaptable Machine Learning Environment
Holger Ziekow, Ulf Schreier, Alexander Gerling, Alaa SalehTechnical Report: Interpretable Machine Learning for Quality Engineering in Manufacturing - Importance measures that reveal insights on errors

Ansprechpartner