Forschungsgruppe Industrial Data Science (INDAS)
INDAS (Industrial DataScience) wurde 2018 gegründet und ist eine interdisziplinäre Forschungsgruppe, die aus einer Zusammenarbeit zwischen den Clustern Informatik und Maschinenbau der Frankfurt University of Applied Sciences entstand. Die Gruppe hat es sich zum Ziel gesetzt, die Lücke zwischen angewandter Datenwissenschaft und Industrie 4.0 zu schließen, indem sie sich auf maschinelles Lernen in industriellen Anwendungsfällen konzentriert – einschließlich (aber nicht beschränkt auf) vorausschauende Wartung, Qualität und Produktivität. Konkret versucht INDAS, Probleme der Industrie 4.0 im Zusammenhang mit der vorausschauenden Wartung aus der Perspektive der Daten- und Computerwissenschaften anzugehen und entwickelt maschinelle Lernlösungen für industrielle Prozesse.
Vorne v. l. n. r. Anna Binder, Fatima Sajid Butt, Anahita Farhang
Hinten v. l. n. r. Prof. Dr. Dirk Stegelmeyer, Prof. Dr. Jörg Schäfer, Prof. Dr. rer. nat. Matthias Wagner, Marius Lotz
Forschungsschwerpunkte
Kontakt: fatima.butt(at)fb2.fra-uas.de
Aktuelle Forschung:
- Extrahieren relevanter Merkmale aus Zeitreihen zur Reduzierung des Vorverarbeitungs-Aufwands
- Einsatz modernster Techniken wie Wavelet-Transformationen zusammen mit Deep-Learning-Modellen wie CNNs, LSTMs und Transformatoren zur Klassifizierung verschiedener industrieller Prozesse und biomedizinischer Signale wie Elektrokardiogramme
- Anwendung unserer Algorithmen auf eine Vielzahl von Datensätzen wie die Erkennung menschlicher Aktivitäten, industrielle Produktion und EKG-Datensätze
Kontakt: anahita.farhang-ghahfarokhi(at)fb2.fra-uas.de
Aktuelles Forschungsgebiet:
- Zeitserienanalyse zur Vorhersage des Energieverbrauchs
- Zeitreihenanalyse zur Optimierung von Prozessparametern
Vorheriges Forschungsgebiet:
- Ereignisanalyse in Produktions- und Geschäftsprozessen und Zusammenarbeit mit der Industrie in den Bereichen Automobilbau, Druckerherstellung und Textilproduktion
- Prozessvergleich und -analyse: Abweichungserkennung in Geschäftsprozessen und Engpassanalyse zur Steigerung der Leistungsfähigkeit der Prozesse
Kontakt: binder(at)fb2.fra-uas.de
Aktuelles Forschungsgebiet:
- Industrielle und datengesteuerte Entwicklung von After-Sales-Services
Bisheriges Forschungsgebiet:
- Entwicklung von Service-Geschäftsmodellen für verschiedene Kundengruppen eines Unternehmens aus dem Maschinen- und Anlagenbau
- Entwicklung eines Bewertungsschemas für Servicepartner für ein Unternehmen des Maschinen- und Anlagenbaus
Veröffentlichungen
- F. S. Butt, J. Schäfer, M. F. Wagner, D. Stegelmeyer und D. Gómez-Ullarte Oteiza. „Application of CRISP-DM and DMME to a Case Study of Condition Monitoring of Lens Coating Machines” in 2023 IEEE International Workshop on Metrology for Industry 4.0 & IoT (MetroInd4.0&IoT), Brescia, Italy, 2023, pp. 409-414 https://doi.org/10.1109/MetroInd4.0IoT57462.2023.10180178
P. Weber „Anti-reflex coating and process control”, MAFO Ophtalmic Labs & Industry, Vol. 5-2203, p.20-25 https://issuu.com/eyepressfachmedien/docs/mafo_2305/20
- F. S. Butt, M. F. Wagner, J. Schäfer und D. G. Ullate. "Towards Automated Feature Extraction For Deep Learning Classification of Electrocardiogram Signals," in IEEE Access, Bd. 10, S. 118601-118616, 2022, doi: 10.1109/ACCESS.2022.3220670.
- F. S. Butt, M. F. Wagner, J. Schäfer und D. G. Ullate. "Time series Analysis using Machine Learning Techniques: Medical and Industrial Applications", Actas de las II Jornadas de Investigación Predoctoral en Ingeniería Informática (JIPII 2022). Juni 2022. ISBN 978-84-89867-48-2. [Online]. Verfügbar unter: https://rodin.uca.es/handle/10498/27607
- Jörg Schäfer, Baldev Raj Barrsiwal, Muyassar Kokhkharova, Hannan Adil und Jens Liebehenschel. "Human activity recognition using csi information with nexmon". Angewandte Wissenschaften, 11(19), 2021, Sonderausgabe "SI: Sensor-Based Human Activity Recognition in Real-World Scenarios", 2021, doi: 10.3390/app11198860.
- Baldev Raj Barrsiwal, Jens Liebehenschel und Jörg Schäfer. "Ml approaches for human activity recognition with low-cost hardware". In Embedded Software Engineering Kongress 2021 digital, Nov 2021.
- Fatima Sajid Butt, Luigi LaBlunda, Matthias F. Wagner, Jörg Schäfer, Inmaculada Medina-Bulo und David Gómez-Ullate. "Fall detection from electrocardiogram (ECG) signals and classification by deep transfer learning". Information, 2, 12, Sonderausgabe "SI: Computer Vision for Biomedical Image Applications", 2021, doi: 10.3390/info12020063.
Forschungsprojekte
Ergebnisse:
1.) ML-Modelle ermöglichten deutlich verlängerte Reinigungsintervalle, was Zeit und Geld spart
2.) Ein besseres Verständnis der kritischen Prozessparameter wurde erreicht
Kontaktperson: Fatima Butt, Anahita Farhang
Ergebnisse:
- Die Hebevorrichtung musste vom Bediener mit einem geeigneten Gegengewicht kalibriert werden
- Abrufen von Antriebsdaten von der Beckhoff CX9020 Ethernet-Steuerung für verschiedene Konfigurationen während der Schulung
- So wurden Daten für korrekte und inkorrekte Konfigurationen gesammelt
- Ziel des maschinellen Lernens: Vorhersage der Konfiguration aus den Sensordaten und Auslösen einer Warnung im Falle einer falschen Konfiguration
Kontaktperson: Jörg Schäfer
- Überwachung von Lackieranlagenmonteuren
- Optimierung der Chargenqualität von Lackieranlagen
- Vorhersage von Filterreinigungsintervallen
- Vorhersage der benötigten Farbpatronen von industriellen 3D-Druckern
Projekt- und Abschlussarbeiten im Forschungsbereich von INDAS
Dieser Inhalt wird zurzeit aktualisiert.
Dieser Inhalt wird zurzeit aktualisiert.
Kontakt
