Kopfbereich

School of Engineering

Rieter Stiftungsprofessur für Industrial Artificial Intelligence

"Wir konzentrieren uns auf die Entwicklung lernbasierter Steuerungs- und Optimierungsmethoden, die Expertenwissen und symbolische Beziehungen integrieren, um industrielle Fertigungsprozesse zu optimieren, die Autonomie zu erhöhen und die Sicherheit angesichts komplexer Dynamik und Variabilität zu gewährleisten."

Dr. Alisa Rupenyan, Rieter Stiftungsprofessur für Industrial Artificial Intelligence

Die Rieter Stiftungsprofessur am Centre for Artificial Intelligence widmet sich der Entwicklung und Anwendung von prinzipiengeleitetem, neuro-symbolisch inspiriertem Lernen im Zusammenhang mit Prozessen in Produktion und Service. Diese kombinieren maschinelles Lernen mit wissensbasierten Systemen. 

Expertise

  • Lernbasierte Steuerung und Optimierung von Fertigungssystemen 
  • Neuro-symbolische KI für die Modellierung und Optimierung von Fertigungsprozessen
  • Integration von Expertenwissen in maschinelle Lernmodelle

Industrielle Fertigungsprozesse stellen aufgrund ihrer komplexen Dynamik, ihrer mangelnden Beobachtbarkeit und ihrer großen Variabilität verschiedene Herausforderungen an ihre Optimierung und Steuerung dar. Neben der Suche nach den richtigen Optimierungsansätzen und -parametern ist es von entscheidender Bedeutung, die richtige Strategie zu finden, um sich an unterschiedliche Anforderungen, verschiedene Komponenten der Anlage oder Veränderungen in der Umgebung anzupassen. Die Nutzung vorhandener Informationen in Form von graphenbasierten Kontextinformationen, logischen Regeln oder einer anderen abstrahierten Form von bereits vorhandenem Wissen ist sehr vielversprechend, um die Herausforderung der großen Variabilität zu bewältigen. Der Forschungsschwerpunkt der Gruppe Industrielle KI (IAI) liegt auf der Entwicklung von lernbasierten Kontroll- und Optimierungsmethoden, die das vorhandene Expertenwissen und symbolische Beziehungen in den Prozess einbeziehen und die neu entstehenden neurosymbolischen KI-Ansätze nutzen. Unser Ziel ist es zu zeigen, dass industrielle Prozesse optimiert werden können, indem wir Modelle des maschinellen Lernens (z. B. neuronale Netze) und symbolische Schlussfolgerungen (graphenbasierte Darstellungen, logische Regeln) sowie Methoden der Steuerung und der sequentiellen Entscheidungsfindung und des Fachwissens kombinieren. Wir sind daran interessiert, eine größere Autonomie für Systeme in verschiedenen Bereichen (Fertigung, Bauwesen, Prozessindustrie) zu erreichen und mit verteilten Systemen zu arbeiten, wobei wir ein Gleichgewicht zwischen Autonomie und menschlicher Aufsicht herstellen. Durch die Entwicklung innovativer Lösungen, die sowohl quantitative Daten als auch qualitatives Fachwissen nutzen, tragen wir zu anpassungsfähigeren, effizienteren und sichereren industriellen Prozessen in verschiedenen Bereichen bei.

Angebote

Team

Projekte

Leider kann hier momentan keine Liste der Projekte angezeigt werden. Bis die Liste wieder verfügbar ist, kann die Projektsuche auf der Dachseite der ZHAW genutzt werden.

Publikationen