Prof. Dr. Patrick Tichelmann

Dr.-Ing.
Prof. Dr. Patrick Tichelmann

Campus Gummersbach
Steinmüllerallee 1
51643 Gummersbach
Postanschrift


  • Telefon+49 2261-8196-6243

Sprechstunden

Sprechstunde
Dienstag, 10.00 bis 11.00 Uhr
Campus Gummersbach, Raum 1.517
Während der Projektwochen und in den Semesterferien nach Absprache

Funktionen

  • ProdekanIn

Forschungsgebiete

  • Anwendung von Technologien der künstlichen Intelligenz in industriellen Prozessen. Es steht die Übertragbarkeit von simulierten reinforcement learning Algorithmen auf reale Prozesse im Vordergrund. Es sollen Schwachstellen gefunden analysiert und durch Anpassungen der Algorithmen behoben werden.
  • ZIM Projekt Hochgeschwindigkeitsimprägnieren
    Die minimal benötigte Zeit, um einen Roving mit Kunststoff zu tränken bestimmt die Prozessgeschwindigkeit bei vielen Verarbeitungsverfahren von Composites. Durch eine schnellere Imprägnierung und einer anschließenden schnellen Aushärtung können Kosten gesenkt werden. Das ist das Ziel des Projekts.
  • ZIM Projekt Intelligenter Disc Spreader
    Optimierung eines Materialverteilsystems für die Recyclingindustrie unter Verwendung eines reinforcement learning Ansatzes. Ziel ist die Vergleichmäßigung des Mülls auf einem Fließband zur Erhöhung der Recyclingquote durch vereinfachte nachgeschaltete Sortierprozesse. Es wird ein kamerabasiertes Sensorsystem entwickelt zur permanenten Überwachung der Verteilung während des Betriebs.
  • ZIM Projekt - Intelligenter Motorrad Getriebedeckel
    Substitution eines Magnesium Deckels durch einen sensorbestückten Kunststoff Deckel im Ein-Bauteil-Konzept
  • Projekt Inverted Pendulum
    Überprüfung verschiedener Strategien des maschinellen Lernens - hier Q-Learning mit neuronalen Netzen im Vergleich zu evolutionären Ansätzen zur Netzentwicklung (Neuroevolution)
  • ZIM Projekt Windsichter
    Optimierung der Sortiergüte einer Windsichter Einheit zur Erhöhung der Recyclingquote. Die Maschine wird über ein reinforcement learning darauf trainiert unter unterschiedlichsten Bedingungen und Müllzusammensetzungen stets das optimale Sortierergebnis zu erreichen.
  • KMU Innovativ - Magnotrop
    Echtzeitvoraussage der Positionen von Gegenständen in elektromagnetischen Feldern bei Anwesenheit von Störquellen. Dabei kommt ein tiefes neuronales Netz zum Einsatz
  • ZIM Schweißautomatisierung durch reinforcement learning
    Es wird mit Hilfe einer object detection die Position eines Bauteils im Arbeitsraum eines Schweißroboters erfasst und das Roboterprogramm auf die erfassten Koordinaten transformiert. Ein Schweiß online Sensor zur permanenten Erfassung der Schweißnahtqualität während des Prozesses liefert einen der Input Parameter für ein tiefes neuronales Netz. Durch den Einsatz eines reinforcement learnings wird dises Netz auf das Ziel der optimalen Schweißneht hin trainiert.
M
M