Juniorprofessur Data Science in Production Engineering
Patrick Ruediger-Flore vertritt am FBK das Forschungsgebiet Data Science in Production Engineering.
Dieses ist ein dynamisches und interdisziplinäres Forschungsgebiet, das datengesteuerte Ansätze zur Optimierung und Verbesserung verschiedener Aspekte von Fertigungs- und Produktionsprozessen nutzt. Es kombiniert Prinzipien der Datenanalyse, des maschinellen Lernens und domänenspezifisches Ingenieurwissen, um innovative Lösungen zur Verbesserung von Effizienz, Qualität und Gesamtleistung in der Produktion zu entwickeln. Data Science spielt hierbei eine zentrale Rolle bei der Digitalisierung und nachhaltigen Gestaltung von Fertigungsprozessen in allen Branchen.
Jun. Prof. Dr.-Ing. Patrick Ruediger-Flore
Juniorprofessor
Kontakt
Telefon: +49 631 205 4282
Telefax: +49 631 205 3304
E-Mail: patrick.flore(at)rptu.de
Adresse
Erwin-Schrödinger-Straße
67663 Kaiserslautern
Gebäude 57
Raum 325
Details
- seit August 2023 Juniorprofessor
- von Juli 2020 bis August 2023 Wissenschaftlicher Mitarbeiter am FBK
- Juli 2021 Promotion zum Dr.-Ing. im Rahmen des IRTG 2057
- von Dezember 2015 bis Juni 2020 Wissenschaftlicher Mitarbeiter & Industriekoordinator am Lehrstuhl für Computer Grafik & HCI und Lehrstuhl für Visuelle Informationsanalyse, TU Kaiserslautern
- Dezember 2015 Master of Science, Angewandte Informatik: Produktionssysteme, TU Kaiserslautern
- Forschungsgebiet: Data Science in Production Engineering
Forschungsthemen
Zu den Forschungsschwerpunkte gehören unter anderem:
- Transfer Learning insbesondere für bildgebende Verfahren
- Generative Modelle in der Fabrikplanung und dem Shopfloor Monitoring
- Surrogate Models in der Produktion und Fertigung
- Erklärbare ML-Modelle
- Verifikation und Validierung von ML-Modellen
- Datenanalyse und Visualisierung von Fertigungsprozessdaten
Forschungsprojekte
Vorlesungen / Labors
| Turnus | TITEL | DOZENT | BETREUER |
|---|---|---|---|
| Wintersemester | Design of Cyber-physical Systems in Manufacturing | Jun. Prof. Dr.-Ing. Patrick Ruediger-Flore | |
| Sommersemester | Data Science in der Produktion | Jun. Prof. Dr.-Ing. Patrick Ruediger-Flore |
Sprechzeiten
- Bitte vereinbaren Sie einen Termin per Email
Veröffentlichungen
Zeitschriftenbeiträge
M. Klar, P. Ruediger, M.Schuermann, T.G. Gören, M. Glatt, B. Ravani, J.C. Aurich: Explainable generative design in manufacturing for reinforcement learning based factory layout planning. Journal of Manufacturing Systems 72 (2024): S. 74–92 10.1016/j.jmsy.2023.11.012
P. Ruediger-Flore, M. Klar, M. Hussong, J. Mertes, L. Yi, M. Glatt, P. Kölsch, und J. C. Aurich: Neural Radiance Fields in der Fabrikplanung/On the applicability of Neural Radiance Fields for virtual model reconstruction in factory planning. wt Werkstattstechnik 113/06 (2023): S. 219–223 10.37544/1436-4980-2023-06-11.
P. Ruediger-Flore, M. Glatt, M. Hussong, und J. C. Aurich: CAD-based data augmentation and transfer learning empowers part classification in manufacturing. International Journal of Advanced Manufacturing Technology 125/11–12 (2023): S. 5605–5618 10.1007/s00170-023-10973-6.
P. Ruediger-Flore, M. Glatt, und J. C. Aurich: Herausforderungen für die Nutzbarkeit von Maschinellem Lernen bei hohem Variantenreichtum und kleinen Serien - Implikationen am Beispiel der Nutzfahrzeugproduktion. Zeitschrift für wirtschaftlichen Fabrikbetrieb 116/7-8 (2021): S. 1–6 10.1515/zwf-2021-0125.
P. Ruediger, C. Garth, H. Hagen, und H. Leitte: Is Smaller Always Better? - Evaluating Video Compression Techniques for Simulation Ensembles. 2nd International Conference of of the DFG International Research Training Group 2057 – Physical Modeling for Virtual Manufacturing (iPMVM 2020) in Open Access Series in Informatics (OASIcs) 89 (2021): S. 10:1-10:18 10.4230/OASIcs.iPMVM.2020.10.
R. N. Meghanathan, P. Ruediger-Flore, F. Hekele, J. Spilski, A. Ebert, und T. Lachmann: Spatial Sound in a 3D Virtual Environment: All Bark and No Bite?. Big Data and Cognitive Computing 5/4 (2021): S. 79 10.3390/bdcc5040079.
M. Hussong, M. Glatt, P. Ruediger-Flore, S. Varshneya, P. Liznerski, M. Kloft, und J. C. Aurich: Deep Learning zur Unterstützung der Arbeitsplanung: Ein Konzept zur Ermittlung von Vorgangsfolgen durch künstliche neuronale Netze. Zeitschrift für wirtschaftlichen Fabrikbetrieb 116/10 (2021): S. 648–651 10.1515/zwf-2021-0170.
P. Ruediger, F. Claus, B. Hamann, H. Hagen, und H. Leitte: Combining Visual Analytics and Machine Learning for Reverse Engineering in Assembly Quality Control. Journal of Imaging Science and Technology 64/6 (2020): S. 60405-1-60405–13 10.2352/J.ImagingSci.Technol.2020.64.6.060405.
P. Ruediger und H. Hagen: Dealing with Uncertainties in Manufacturing Process Simulations. Applied Mechanics and Materials 869 (2017): S. 226–233 10.4028/www.scientific.net/AMM.869.226.
A. Scherrer, I. Schwidde, A. Dinges, P. Rüdiger, S. Kümmel, und K.-H. Küfer: Breast cancer therapy planning–a novel support concept for a sequential decision making problem. Health care management science 18/3 (2015): S. 389–405.
Konferenzbeiträge
P. Ruediger-Flore, M. Klar, M. Hussong, A. Mukherjee, M. Glatt, J.C. Aurich: Comparing Binary Classification and Autoencoders for Vision-Based Anomaly Detection in Material Flow. Procedia CIRP 121 - Proceedings of the 11th CIRP Global Web Conference (2024): S. 138-143.doi.org/10.1016/j.procir.2023.09.241
A. Mukherjee, P. Ruediger-Flore, A. Billimoria, D. Chittari, W. Mustafa, M. Klar, M. Glatt, M. Kloft, J. C. Aurich: Training a Machine Learning Model for representing Manufacturing Systems towards optimizing Resilience. Procedia CIRP 120 - Proceedings of the 56TH CIRP Conference on Manufacturing Systems (2023): S. 768-773. https://doi.org/10.1016/j.procir.2023.09.073
A. Mukherjee, P. Ruediger-Flore, A. Billimoria, D. Chittari, W. Mustafa, M. Klar, M. Glatt, M. Kloft, J.C. Aurich: Training a Machine Learning Model for representing Manufacturing Systems towards optimizing Resilience, Procedia CIRP 120 (2023): S. 768–773, doi: 10.1016/j.procir.2023.09.073.
M. Hussong, S. Varshneya, P. Ruediger-Flore, M. Glatt, M. Kloft, and J. C. Aurich: A process planning system using deep artificial neural networks for the prediction of operation sequences, Procedia CIRP 120 (2023): S. 135–140 10.1016/j.procir.2023.08.025.
P. Ruediger, F. Claus, V. Leonhardt, H. Hagen, J. C. Aurich, und C. Garth: PREVIS - A Combined Machine Learning and Visual Interpolation Approach for Interactive Reverse Engineering in Assembly Quality Control. Procedia CIRP 112 (2022): S. 483–488 10.1016/j.procir.2022.09.053.
M. Klar, M. Hussong, P. Ruediger-Flore, L. Yi, M. Glatt, und J. C. Aurich: Scalability investigation of Double Deep Q Learning for factory layout planning. Procedia CIRP 107 (2022): S. 161–166 10.1016/j.procir.2022.04.027.
P. Ruediger, J. Spilski, N. Kartal, S. Gsuck, N. O. Beese, S. Schlittmeier, T. Lachmann, und A. Ebert: Cognitive indicators for acoustic source localization and presence in a vivid 3D scene. Proceedings of the ICA 2019 and EAA Euroregio : 23rd International Congress on Acoustics (2019) 10.18154/RWTH-CONV-239186.
P. Ruediger, C. Weber, H. Matsui, E. Heien, B. Hamann, H. Hagen, und L. Kellogg: Pre-filtering Turbulent Vector Fields in the Geodynamo. IEEE Visualization Conference (2015).
A. Scherrer, P. Rüdiger, A. Dinges, K.-H. Küfer, I. Schwidde, und S. Kümmel: A decision support concept for advanced treatment planning for breast cancer. Operations Research Proceedings (2013): S. 405–411.
A. Scherrer, P. Ruediger, A. Dinges, K.-H. Kuefer, I. Schwidde, S. Kuemmel: Software assisted decision making in breast cancer therapy planning. Operational research applied to health services (ORAHS) 2013 Conference Proceedings (2013): S. 99–102.