Daniel Schoepflin, M.Sc.

Kontakt

Raum L2053

Telefon 040 42878-3012

Fax 040 42731-4551

Werdegang

Seit April 2019	Wissenschaftlicher Mitarbeiter am Institut für Flugzeug-Produktionstechnik
2016 - 2019	Masterstudium "Mechatronics" an der TUHH
2018	Auslandssemester National Taiwan University of Science and Technology
2016	Praktikum SKF Marine GmbH
2013 - 2016	Bachelorstudium "Maschinenbau" an der TUHH

Forschung

smarte Ladungsträgereinheit zur Produktionsautomatisierung (DEPOT)

Im Rahmen des Projektes „Digitale Entwicklung, Produktion, Logistik und Transport“ (DEPOT) verfolgt das Forschungskonsortium eine ganzheitliche Digitalisierung der Entwicklungs-, Produktions- und Logistik-Prozesse in der Luftfahrtindustrie. Dies soll zur Gewährleistung einer Transparenz, Planbarkeit und Qualität der Prozessabläufe an der Schnittstelle zwischen Logistik und Produktion führen. Das IFPT entwickelt hierzu einen modularen und intelligenten Ladungsträger (eine smart MDU)

Synthetische Generierung von KI-Trainingsdaten für industrielle Prozesse

Zur umfassenden Digitalisierung von Produktionsprozessen sollen zunehmend visuelle Objektidentifizierungen eingesetzt werden. Dem aktuellen Trend entsprechend werden hierzu Neuronale Netzwerke als grundlegende Architektur für KI-Objektidentifizierungen verwende. Solche Neuronalen Netzwerke müssen mit zielgerichteten Daten trainiert werden, um die vielfältigen und spezifischen Prozessvarianten der Industrie abzubilden. Diese hohen Datenmengen sind meist in Unternehmen nicht vorhanden und ein manuelles Generierung gelabelter Daten unwirtschaftlich. Daher entwickelt das IFPT Methoden zur Generierung von KI-Trainingsdaten für industrielle Prozesse.

Lehre

WiSe 19/20 Teamprojekt Maschinenbau

SoSe 20 MSR Labor

Studierende mit Interesse an folgenden Themen können sich gerne zwecks einer Abschlussarbeit mit einer aktuellen Notenübersicht an mich wenden:

Entwicklung, Erprobung, Implementierung von IoT Hardware
- Sensorik zur Identifikation von Bauteilen
- Microcontroler (Arduino, ESP32) zur Anbindung der Sensorik an die Haupt CPU
Digitalisierte Produktionsabläufe, Schnittstellen zwischen digitalisierten und manuellen Prozessen
Künstliche Intelligenz zur Objektidentifizierung
- Design minimalistischer Neuronale Netzwerke für Kleinstanwendungen
- Generierung synthetischer Trainingsdaten für industrielle Kontexte

Veröffentlichungen

D. Schoepflin, M. Brand, M. Gomse, T. Schüppstuhl: Towards Visual Referencing for Location Based Services in Industrial Settings; Proceedings of the 52nd International Symposium on Robotics, 2020 VDE

M. Stender, M. Tiedemann, D. Spieler, D. Schoepflin, N. Hofmann, S. Oberst: Deep learning for brake squeal: vibration detection, characterization and prediction; Mechanical Systems and Signal Processing, 2020 (Link)

D. Schoepflin, A. Wendt, T. Schüppstuhl: Daten zur richtigen Zeit am richtigen Ort, Industrial Production. 2020. Jg, 1, Nr. 12, S. 46-47 (Link)

Vorträge

M. Gomse, D. Schoepflin: Automatisierte Bilddatengenerierung als Trainingsdatensatz für eine KI-Objektidentifikation in der Intralogistik; 29. Hamburger Logistik-Kolloquium, 2020, Hamburg

D. Schoepflin: Massive Bilddatengenerierung als Trainingsdatensatz für eine KI-Objektidentifizierung in der Intralogistik; Machine Learning in Engineering, Train your Engineering Network, 2020, Hamburg (Video)

D. Schoepflin: Towards Visual Referencing for Location Based Services in Industrial Settings; 52nd International Symposium on Robotics, 2020, Munich