Daniel Schoepflin, M.Sc.

Kontakt
Raum L2053
Telefon 040 42878-3012
Fax 040 42731-4551
E-Mail Daniel Schoepflin, M.Sc.
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