Daniel Schoepflin, M.Sc.

 

Kontakt

Raum L2012

Telefon 040 42878-3012

Fax 040 42731-4551

E-Mail Daniel Schoepflin, M.Sc.


Werdegang

Seit April 2019Wissenschaftlicher Mitarbeiter am Institut für Flugzeug-Produktionstechnik
2016 - 2019Masterstudium "Mechatronics" an der TUHH
2018Auslandssemester National Taiwan University of Science and Technology
2016Praktikum SKF Marine GmbH
2013 - 2016Bachelorstudium "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; 52nd International Symposium on Robotics, 2020, Munich

 

(under Decision) 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 


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)