FH Bielefeld
University of
Applied Sciences

Projektangebote

Rechtssysteme bilden das Fundament demokratischer Staaten. Dennoch kennt jeder das Problem, in wichtigen Lebenslagen nicht selbstständig in der Lage zu sein, aus umfangreichen Rechtsdokumenten konkrete Informationen zu entnehmen. Deshalb ist das Ziel dieses Projekts, eine Suchmaschine mittels maschineller Lernverfahren zu implementieren, die es auch einem Laien ermöglicht, konkrete Antworten zu komplexen juristischen Fragestellungen zu erhalten.

Mehr

Es soll gezeigt werden, wie ein Augmented-Reality-Gerät Menschen beim Erlernen eines neuen medizinischen Verfahrens mit einer darin enthaltenen manuellen Komponente unterstützen oder bei einem bekannten Verfahren assistieren kann. Dazu werden Techniken der künstlichen Intelligenz und der Datenanalyse auf vielen Ebenen nützlich sein.

Mehr

Mit Hilfe von Maschine Learning Verfahren soll eine Approximation einer Strömungssimulation zur Optimierung von Werkzeugsgeometrien für Industrielle Anlagen berechnet werden. Die Approximierten Modelle werden dann zusammen mit Optimierungsverfahren verwendet, um die Werkzeuggeometrien über die Veränderung der Parameter ihrer Digitalen Zwillinge zu optimieren.

Mehr

Technologien für die Verarbeitung natürlicher Sprache (NLP) und maschinelles Lernen (ML) sind ideal für die intelligente Analyse von Dokumenten. Sie helfen, Erkenntnisse und Informationen aus unstrukturierten Texten und Berichten abzuleiten. In Anbetracht der Tatsache, dass schätzungsweise 80 % aller Unternehmensdaten unstrukturiert sind, ist NLP die perfekte Lösung für die digitale Transformation. Mit der Durchführung dieses Projekts werden Sie sowohl methodisch als auch praktisch auf die Herausforderungen von Unternehmen vorbereitet, die aus verschriftlichtem Wissen, aus Berichten und unstrukturierten Texten einen Mehrwert für sich und die Gesellschaft bzw. Kunden erzielen wollen.

Mehr

Digitale Zwillinge  können verwendet werden, um zu validieren, zu optimieren, zu bewerten, zu diagnostizieren, Vorschläge zu machen, Vorhersagen zu treffen usw. Um all diese verschiedenen Anwendungen zu erreichen, sind Datenanalysetechniken und künstliche Intelligenz unerlässlich. In diesem Projekt wollen wir einen menschlichen digitalen Zwilling für Menschen entwickeln, die in einer Smart-Home-Umgebung leben.

Mehr

Spritzgussmaschinen werden zur Fertigung von Kunststoffbauteilen verwendet. Die Qualität der Bauteile hängt maßgeblich von der Rückstromsperre ab. Durch die große Belastung (>2500bar) während der Produktion verschleißt diese kontinuierlich, was zu erhöhten Zykluszeiten und Schwankungen in der Produktqualität führt. Mittels maschineller Lernverfahren sollen der Verschleißvorgang bei verschiedenen Produktmaterialien vorhergesagt (Predictive Maintenance) und automatisiert Instandhaltungsaufträge erzeugt werden.

Mehr

Intelligente Produkte sind aus dem Alltag nicht mehr wegzudenken. Dennoch kennen viele die Situation, dass ein Produkt noch fast neu ist und trotzdem schon Mängel aufweist. Die Vorhersage von Produktfehlern und die automatische Einleitung von Gegenmaßnahmen während der Produktion ist unerlässlich. Dieses höchst anwendungsrelevante Problem kann an der Industrial-IoT-Factory des CfADS am Campus Gütersloh in einem sicheren Forschungsumfeld untersucht werden. Die Durchführung dieses Projekts ermöglicht es Ihnen, Methoden für Industrie 4.0 einzusetzen.

Mehr

In der ambulanten Pflege älterer Patient*innen herrscht akuter Personalmangel mit entsprechender Auswirkung auf die Qualität der Versorgung. Der effiziente Einsatz von Pflegekräften könnte diesen Fachkräftemangel etwas abmildern. Das Reallabor Geriatrie im TransCareTech bietet die Möglichkeit, echte Daten von Patient*innen zu erheben. In diesem Projekt werden Methoden der Data Augmentation und der Predictive Maintenance genutzt, um Pflegebedarfe vorherzusagen und den Gesundheitszustand unter Positive Health Aspekten zu bewerten.

Mehr

Ziel des Projektes ist die Entwurfsraumexploration von KI-/ML-Hardwarebeschleunigern in der Oberflächeninspektion. Im Zentrum steht nicht nur das Lernen der Modelle auf HPC-Systemen, sondern auch die effiziente Ausführung (Inferenz) auf eingebetteter Hardware. Ergebnis der Entwurfsraumexploration ist die Partitionierung der Anwendung, d.h. welche KI-Verfahren können auf dem Sensor ausgewertet werden, welche Verfahren können über Edge-Hardware (z.B. eingebettete GPU/FPGA) beschleunigt werden und welche erfordern leistungsfähige HPC-Hardware in der Cloud.

Mehr

Ziel des Projektes ist die Entwicklung eines Systems, das mittels KI-/ML-Verfahren das Nutzungsverhalten der Bewohner*innen eines Smart Homes erlernt, um anschließend, geeignete Handlungsempfehlungen bereitzustellen oder, bei der Erkennung von Anomalien, geeignete Maßnahmen einzuleiten. Wissenschaftliche Herausforderung des Projekts ist die Anwendung und Evaluation von maschinellen Lernverfahren zum Lernen von Interaktionsmustern basierend auf den gelieferten Daten der Minimalsensorik, sowie der Prädiktion zukünftiger Interaktion und der Anomalieerkennung. 

Mehr

Aufgabe im Projekt ist es, einen prototypischen Aufbau eines verteilten Sensorsystems basierend auf dem tim®IOT der Timmer GmbH aufzubauen, und geeignete KI-/ML-Verfahren für die Zustandsüberwachung und die vorausschauende Wartung zu evaluieren. Beispielsweise sollen mehrere mechatronische Membranpumpen über die bei Timmer entwickelten iHZ-Sensoren ausgestattet werden. Die iHZ-Sensoren verfügen über leistungsfähige Mikroprozessoren, die die erfassten Pumpenhübe einer hochgenauen Zeitbasis zuordnen. Zusätzlich können weitere Messgrößen (z.B. Strom/Spannung) aufgenommen werden.

Mehr

Entwicklung von Methoden der Künstlichen Intelligenz zur Situationserkennung in zeitbehafteten Datenströmen für Assistenzsysteme in Montagearbeitsplätzen.

Mehr

Zur Planung von komplexen Produktions- und Logistiksystemen werden immer häufiger Simulationsmodelle eingesetzt, um die Auswirkungen von Entscheidungen (z.B. Ressourcenpläne, Produktionsprogramme, Engpassmaßnahmen) detailliert evaluieren zu können. In dem hier beschriebenen Projekt soll mittels Reinforcement Learning die Erstellung der Entscheidungsszenarien, durch eine Künstliche Intelligenz automatisiert werden. Das Verfahren des maschinellen Lernens kann hierbei die Simulation als Trainingsumgebung verwenden.

Mehr

Ziel des Projektes ist es, in einem Kranken- oder Pflegebett Vitaldaten des Patienten, in erster Linie Puls- und Atemfrequenz, zuverlässig und mit hoher Genauigkeit radarbasiert zu erfassen. Dazu wird ein Radarsensor der neuesten Generation unterhalb der Matratze angebracht und sendet modulierte elektromagnetische Wellen aus, welche in der Matratze und am Rücken des Patienten reflektiert und durch den Sensor empfangen werden. Das Titelbild veranschaulicht den Aufbau.

Mehr

In diesem Projekt wird u.a. mittels cutting-edge Verfahren des Deep Reinforcement Learnings an einer Künstlichen Intelligenz für StarCraft2 gearbeitet die Wissen bewahrbar und übertragbar macht und zudem für Menschen nachvollziehbar ist (Explainability).

Mehr

In diesem Forschungsprojekt soll einerseits ein Demonstrator für die dezentrale variantenreiche Serienfertigung aufgebaut werden. Zur Verfügung stehen 20 Vector-Roboter der Firma Anki, die mit zahlreichen Sensoren (u.a. Kameras, Mikrophone, Laserscanner) ausgestattet sind und die Fähigkeit besitzen mitgelieferte Boxen zu transportieren. Die Roboter sollen dazu genutzt werden, ein Industrie 4.0 Produktionslogistikszenario umzusetzen, wobei die einzelnen Roboter autonom als intelligente Agenten in einem Multiagentensystem agieren. Die Daten, die das System generiert, können dann mit RIOTANA analysiert und zur Steuerung der Roboter genutzt werden. Andererseits kann an der Steuerung des Roboterschwarms z.B. mittels Multi-Agent-Reinforcement Learnings gearbeitet werden.

Mehr

In diesem Projekt sollen die Geometrien von Magnetspulen mittels Modellen des Maschinellen Lernens optimiert werden.

Mehr

Projektziel ist, durch Papierbahnrisse bedingte Ausfälle in der Druckproduktion der Bertelsmann Prin-ting Group zu verhindern. Es stehen große Datenmengen zu vergangenen Papierbahnrissen und den vorherrschenden Produktionsbedingungen zur Verfügung. Auf diesem Datenbestand soll mithilfe von Machine-Learning-Algorithmen die Wahrscheinlichkeit eines Papierbahnrisses für die gegebenen Pro-duktionsbedingungen berechnet werden. Weiterhin würde während der Masterarbeit eine Live-Ab-frage dieser Wahrscheinlichkeit als prototypisches Frühwarnsystem implementiert werden.

Mehr