Patrick Klein, M.Sc.

Wenn bevorstehende Ausfälle, Störungen oder Defekte in technischen Systemen wie bspw. Flugzeugen, Kraftwerken oder Produktionsanlagen nicht rechtzeitig entdeckt werden, kann dies zu großen Sicherheitsrisiken für Mensch und Umwelt sowie wirtschaftlichen Einbußen führen. Die Analyse von Sensordaten und Steuerungsbefehlen in Kombination mit Expertenwissen ermöglicht, dass der aktuelle Systemzustand ermittelt und zukünftige Probleme vorhergesagt werden können. Dies wird als Predictive Maintenance bezeichnet und hilft notwendige Wartungen und Reparaturen rechtzeitigt und effektiv durchzuführen. Um hierzu Ansätze der künstlichen Intelligenz zu untersuchen, verwende ich dieses Fischertechnik Fabrikmodell zur Simulation eines cyber-physischen Produktionssystem (CPPS) und dessen Verschleißvorgängen sowie komplexen Fehlersituationen (Paper). Eine umfassende Beschreibung der Fabriksimulation (wie bspw. Typenzugehörigkeit, Komponentenhierarchien, Beziehungen zw. Aktuatoren und Sensoren, …)  wurde mittels Web Ontology Language (OWL) von Experten modelliert (Paper, Repo, Webdoku). Mein hauptsächliches Forschungsinteresse liegt in der Integration von diesem Expertenwissen in maschinelle Lernverfahren. Zur ähnlichkeitsbasierten Zustandsermittlung und Fehlervorhersage verwende ich eine spezielle siamesische neuronale Netzarchitektur, bei der ein Experte für jeden Fehlerfalltyp relevante Datenströme bestimmen kann (Paper, Code, Data). Aktuell arbeite ich an einer Anomalie-Erkennung basierend auf einem Autoencoder, bei dem die Datenströme des Anomalieursprungs ermittelt werden können.

Publikationen: Google Scholar
Lebenslauf: LinkedIn

Forschungsinteressen:

  • Deep Learning
  • Case-based Reasoning
  • Predictive Maintenance

Betreute Abschlussarbeiten:

Betreute Forschungspraktikum:

Durchgeführte Übungen:

 

Adresse:

Universität Trier
Fachbereich IV
Professur für Wirtschaftsinformatik II
D-54286 Trier