Informationen zu bisherigen Arbeiten
Link zu Veröffentlichungen
Link zu Aktivitäten
Link zu Projekten
Forschungsinhalte der Professur
Maschinelles Lernen zur Diskretisierung hybrider, zeitbehafteter Zustandsräume:
Signale komplexer Anlagen beinhalten heute sowohl diskrete als auch kontinuierliche Verläufe; und zwar sowohl in der Zeit- als auch in der Wertedomäne. Durch eine Überführung in wert- und zeitdiskrete Zustände können Probleme wie Predictive Maintenance, Optimierung und Diagnose angegangen werden.
Beispielveröffentlichungen:
Niggemann, Oliver; Stein, Benno; Vodenčarević, Asmir; Maier, Alexander; Kleine Büning, Hans: Learning Behavior Models for Hybrid Timed Systems. In: Twenty-Sixth Conference on Artificial Intelligence (AAAI-12) Jul 2012.
von Birgelen, Alexander; Niggemann, Oliver: Anomaly Detection and Localization for Cyber-Physical Production Systems with Self-Organizing Maps. S.: 55-71, Springer Vieweg, Aug 2018.
Anomalieerkennung für hochdimensionale, zeitbehaftete Signale technischer Systeme:
Durch Lernen von Modellen des Normalverhaltens können nicht normale Betriebszustände frühzeitig erkannt (Condition-Monitoring) und Ausfallzeiten vorhergesagt werden (Predictive Maintenance).
Beispielveröffentlichungen:
Niggemann, Oliver; Frey, Christian: Data-driven anomaly detection in cyber-physical production systems. In: at – Automatisierungstechnik(63) S.: 821–832, Oct 2015.
Niggemann, Oliver; Lohweg, Volker: On the Diagnosis of Cyber-Physical Production Systems – State-of-the-Art and Research Agenda. In: Twenty-Ninth Conference on Artificial Intelligence (AAAI-15) Austin, Texas, USA, Jan 2015.
Lernende modellbasierte Diagnoseverfahren für komplexe Produktionsanlagen:
Anders als die Anomalieerkennung ist die Nutzung maschineller Lernverfahren bei der Diagnose, also der Erkennung der Fehlerursachen, schwieriger. Durch Erweiterungen der etablierten modellbasierten Diagnose können in Zukunft adaptive, komplexe Systeme basierend auf Daten diagnostiziert werden.
Beispielveröffentlichungen:
Diedrich, Alexander; Niggemann, Oliver: Model-based Diagnosis of Hybrid Systems using Satisfiability Modulo Theory. Thirty-Third AAAI Conference on Artificial Intelligence (AAAI-19), Hawaii, USA, Jan 2019.
Bunte, Andreas; Stein, Benno; Niggemann, Oliver: Model-Based Diagnosis for Cyber-Physical Production Systems Based on Machine Learning and Residual-Based Diagnosis Models. Thirty-Third AAAI Conference on Artificial Intelligence (AAAI-19), Hawaii, USA, Jan 2019.
Nutzung von A-Priori Wissen zur Verbesserung des Maschinellen Lernens und der künstlichen Intelligenz:
Technische Systeme zeichnen sich durch die Fülle von a-priori Wissen wie Systemstrukturen und physikalischen Gesetzen aus. Hierdurch benötigen Methoden des maschinellen Lernens weniger Daten und werden extrapolationsfähig. Methoden der künstlichen Intelligenz wie z.B. Diagnose können Kausalzusammenhänge nutzen und Optimierungen berechnen.
Beispielveröffentlichungen:
Otto, Jens; Vogel-Heuser, Birgit; Niggemann, Oliver: Automatic Parameter Estimation for Reusable Software Components of Modular and Reconfigurable Cyber Physical Production Systems in the Domain of Discrete Manufacturing. In: IEEE Transactions on Industrial Informatics IEEE, Jan 2018.
von Birgelen, Alexander; Buratti, Davide; Mager, Jens; Niggemann, Oliver: Self-Organizing Maps for Anomaly Localization and Predictive Maintenance in Cyber-Physical Production Systems. In: 51st CIRP Conference on Manufacturing Systems (CIRP CMS 2018) CIRP-CMS, May 2018.
Bachelor-Abschlussarbeiten und Master-Abschlussarbeiten
Letzte Änderung: 18. Juni 2019