Kontakt
+49 711 685 67293
+4971168567302
E-Mail
Pfaffenwaldring 47
70550 Stuttgart
Raum: 1.113
2022
- S. Kamm, N. Sahlab, N. Jazdi, und M. Weyrich, „A Concept for Dynamic and Robust Machine Learning with Contex Modeling for Heterogeneous Manufacturing Data“, 16th CIRP Conference on Intelligent Computation in Manufacturing Engineering, CIRP ICME ‘22, Italy, 2022.
- T. Müller, S. Kamm, A. Löcklin, D. White, M. Mellinger, N. Jazdi, und M. Weyrich, „Architecture and knowledge modelling for self-organized reconfiguration management of cyber-physical production systems“, International Journal of Computer Integrated Manufacturing, September, 2022, 2022.
- K. Sharma, S. Kamm, K. M. Baron, und I. Kallfass, „Characterization of Online Junction Temperature of the SiC power MOSFET by Combination of Four TSEPs using Neural Network“, in 24th European Conference on Power Electronics and Applications (EPE’22 ECCE Europe), Hannover, Germany, September, 2022, Hannover, Germany, 2022.
- T. Müller, N. Sahlab, S. Kamm, D. Braun, C. Köhler, N. Jazdi, und M. Weyrich, „Context-enriched modeling using Knowledge Graphs for intelligent Digital Twins of Production Systems“, in 2022 IEEE 27th International Conference on Emerging Technologies and Factory Automation (ETFA), September, 2022, 2022.
- S. Kamm, S. Bickelhaupt, K. Sharma, N. Jazdi, I. Kallfass, und M. Weyrich, „Simulation-to-Reality based Transfer Learning for the Failure Analysis of SiC Power Transistors“, in 27th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Stuttgart, Germany, September 2022, 2022.
2021
- S. Kamm, K. Sharma, N. Jazdi, und M. Weyrich, „A Hybrid Modelling Approach for Parameter Estimation of Analytical Reflection Models in the Failure Analysis Process of Semiconductors“, in 2021 IEEE 17th International Conference on Automation Science and Engineering (CASE), Lyon, France, 23-27 August 2021, 2021, S. 417–422.
- S. Kamm, N. Jazdi, und M. Weyrich, „Automatisierte Datenintegration für den Fehleranalyseprozess von Halbleiterbauelementen mithilfe von Ontologien und Graphen“, in VDI-Kongress Automation 2021, 29.-30.06.2021, Virtuell, 2021.
- B. Maschler, S. Kamm, und M. Weyrich, „Deep industrial transfer learning at runtime for image recognition“, at - Automatisierungstechnik, vol. 69, no. 3, pp. 211-220, 03.2021, 2021.
- S. Kamm, K. Sharma, I. Kallfass, N. Jazdi, und M. Weyrich, „Hybrid Modelling for the Failure Analysis of SiC Power Transistors on Time-Domain Reflectometry Data“, in 2021 IEEE International Symposium on the Physical and Failure Analysis of Integrated Circuits (IPFA), 2021.
- S. Kamm, N. Jazdi, und M. Weyrich, „Knowledge Discovery in Heterogeneous and Unstructured Data of Industry 4.0 Systems: Challenges and Approaches“, in 54th CIRP Conference on Manufacturing Systems, Athen, Greece, September 2021, 2021.
- N. Sahlab, S. Kamm, T. Müller, N. Jazdi, und M. Weyrich, „Knowledge Graphs as Enhancers of Intelligent Digital Twins“, in 4th IEEE International Conference on Industrial Cyber-Physical Systems (ICPS), May 2021, 2021.
- K. Sharma, S. Kamm, V. Afanasenko, K. M. Barón, und I. Kallfass, „Non-Destructive Failure Analysis of Power Devices via Time- Domain Reflectometry“, in 2021 IEEE 17th International Conference on Automation Science and Engineering (CASE), Lyon, France, 23-27 August 2021, 2021, S. 423–428.
2020
- B. Maschler, S. Kamm, N. Jazdi, und M. Weyrich, „Distributed Cooperative Deep Transfer Learning for Industrial Image Recognition“, in 53rd CIRP Conference on Manufacturing Systems (Virtual Conference), 1-3 July 2020, Chicago, pp. 437-442, 2020.
Forschungsschwerpunkt: Analyse heterogener Daten mithilfe von KI-Methoden für robuste Entscheidungen
Beschreibung: Die Menge an erfassbaren Daten nimmt immer weiter zu. Dadurch steigen auch die Vielfalt und damit die Heterogenität der Daten immer weiter. Dies bringt neue Herausforderungen für die Datenhaltung und Datenanalyse dieser heterogenen Daten mit sich. Die Datenhaltung soll die Daten bestmöglich in einem einheitlichen, maschinenlesbaren Format bereitstellen, um die Daten dem Benutzer und nachgelagerten Analysemodellen zentral zugänglich zu machen. Zudem nutzen klassische Machine Learning Modelle typischerweise lediglich Daten einer Form (z.B. Bilddaten) für die Datenanalyse.
Um die Vielfalt der Daten zu nutzen, sollen neue Machine Learning Modelle untersucht und angewendet werden, um robuste Entscheidungen auf dieser Datenbasis treffen zu können. Dafür soll bestehendes Wissen (z.B. in Form von Simulationsmodellen) genutzt werden, um das Lernverhalten der Modelle zu verbessern. Weiter sollen Methoden untersucht werden, mit denen die Daten für diese Analysemodelle zentral unter Wahrung der komplexen Relationen bereitgestellt werden können.
Forschungsportal: ResearchGate Simon Kamm