Im Bereich „Künstliche Intelligenz“ konzentrieren wir uns insbesondere auf Softwaresysteme, die ihr Verhalten nicht klassisch regelbasiert einprogrammiert bekommen, sondern Zusammenhänge aus Daten und Erfahrung extrahieren und lernen. Unsere Gruppe "Methoden der Künstlichen Intelligenz" konzentriert sich insbesondere auf Techniken, die es uns ermöglichen, kommerzielle und industrielle Anwendungsfälle der Künstlichen Intelligenz zu adressieren, wie z.B. Unterstützungssysteme für die maschinenbauliche CAD-Konstruktion, Lernen von Parametern für CFK-Anwendungen (carbonfaserverstärkte Kunststoffe) aus Simulationen und Beobachtungen und Optimierung nach Nutzerwünschen, z.B. in intelligenten Energiesystemen. Um diese Ziele zu erreichen, bedarf es einer Mischung aus maschinellem Lernen und Optimierungstechniken, die wir als unsere beiden zentralen Säulen aktiv beforschen.

 

Aktuelle studentische Arbeiten (Abschlussarbeiten, Projektmodule, wissenschaftliche Hilfskraft) finden Sie  hier.

Wissenschaftliche Mitarbeiterin
Institut für Software & Systems Engineering
  • Telefon: +49 821 598 2211
  • E-Mail:
  • Raum 3051 (Gebäude N)

Aktuelle Themen

Maschinelles Lernen für CFK

Die Herstellung von kohlenstofffaserverstärktem Kunststoff (CFK) ist mit einer hohen Varianz der Einsatzstoffe konfrontiert. Wir nutzen maschinelles Lernen, um Qualitätssicherung und Prozesskontrolle für z.B. Harzinjektionsverfahren zu gewährleisten.

Transferlernen

Da in industriellen Anwendungen des maschinellen Lernens ein großes Datenvolumen fehlt, kombinieren wir simulierte und reale Daten mittels Transferlernen.

Intelligente Prozessautomatisierung

Viele wiederkehrende Aufgaben während der Fertigung können mit datengesteuerten Methoden automatisiert und unterstützt werden. Wir untersuchen neue Ansätze zur Analyse von Artefakten aus der Konstruktion.

Lernen im Umfeld Industrie 4.0

Wir untersuchen zeitreihenbasierte Ansätze zur Klassifizierung und Regression, die für Anwendungsfälle im Bereich Industrie 4.0 wie beispielsweise Condition Monitoring, Predictive Maintenance und Predictive Control entscheidend sind.

Optimierung unter Einschränkungen

Diskrete Optimierungsprobleme können oft formalisiert und mit hohem Abstraktionsgrad modelliert werden, bevor sie an konkrete Löser gesendet werden. Die Gruppe entwickelt eine Modellierungssprache für weiche Einschränkungen, sogenannte Soft Constraints.

Projekte

FORinFPRO

Bayerischer Forschungsverbund: Intelligente Fertigungsprozesse & Closed-Loop-Produktion

CosiMo

Maschinelles Lernen für die effiziente Großserienfertigung von kohlefaserverstärkten Leichtkunststoffbauteilen

KOGNIA

Emfehlungssystem für das Konstruieren von CAD-Modellen

AICUT

Wir nutzen maschinelles Lernen, um Fehler bei der Zerspanung (z.B. Schleifen, Fräsen, Bohren) im industriellen Umfeld vorherzusagen.

nando-de-freitas
Software engineering has played a crucial role in the advancement of AI over the last few years.

Dr. Nando de Freitas, Lead Scientist bei Google DeepMind, ehem. Professor an der Universität Oxford

DIENSTLEISTUNGEN

  1. Design, Entwicklung und Optimierung von maschinellen Lernsystemen
  2. Gemeinsame Forschungsprojekte in neuartigen Anwendungsbereichen der KI 
  3. Einführungsvorträge zu Künstlicher Intelligenz und maschinellem Lernen
  4. Optimierung unter weichen Einschränkungen

Team

Institutsdirektor
Institut für Software & Systems Engineering

Homepage:

E-Mail:

Wissenschaftliche Mitarbeiterin
Institut für Software & Systems Engineering

Homepage:

E-Mail:

Institut für Software & Systems Engineering

Das Institut für Software & Systems Engineering, geleitet von Prof. Dr. Wolfgang Reif, ist eine wissenschaftliche Einrichtung in der Fakultät für Angewandte Informatik an der Universität Augsburg. Das Institut unterstützt sowohl Grundlagen- als auch angewandte Forschung in allen Bereichen der Software & Systems Engineering. In der Lehre ermöglicht es die weitere Entwicklung des relevanten Kursangebots von Fakultät und Universität.

Suche