TY - CHAP A1 - Villmann, Thomas A1 - Haase, Sven A1 - Schleif, Frank-Michael A1 - Hammer, Barbara ED - Rutkowski, Leszek ED - Scherer, Rafal ED - Tadeusiewicz, Ryszard ED - Zadeh, Lotfi A. ED - Zurada, Jacek M. T1 - Divergence Based Online Learning in Vector Quantization T2 - Artificial Intelligence and Soft Computing, 10th International Conference, ICAISC 2010, Zakopane, Poland, June 13-17, 2010, Part I Y1 - 2010 U6 - https://doi.org/10.1007/978-3-642-13208-7\_60 VL - 6113 SP - 479 EP - 486 ER - TY - JOUR A1 - Schleif, Frank-Michael A1 - Villmann, Thomas A1 - Kostrzewa, Markus A1 - Hammer, Barbara A1 - Gammerman, Alexander T1 - Cancer informatics by prototype networks in mass spectrometry JF - Artificial Intelligence in Medicine Y1 - 2009 U6 - https://doi.org/10.1016/j.artmed.2008.07.018 VL - 45 IS - 2-3 SP - 215 EP - 228 ER - TY - JOUR A1 - Simmuteit, Stephan A1 - Schleif, Frank-Michael A1 - Villmann, Thomas A1 - Hammer, Barbara T1 - Evolving trees for the retrieval of mass spectrometry-based bacteria fingerprints JF - Knowledge and Information Systems Y1 - 2010 U6 - https://doi.org/10.1007/s10115-009-0249-4 VL - 25 IS - 2 SP - 327 EP - 343 ER - TY - CHAP A1 - Zühlke, Dietlind A1 - Schleif, Frank-Michael A1 - Geweniger, Tina A1 - Haase, Sven A1 - Villmann, Thomas T1 - Learning vector quantization for heterogeneous structured data T2 - 18th European Symposium on Artificial Neural Networks, ESANN 2010, Bruges, Belgium, April 28-30, 2010, Proceedings Y1 - 2010 ER - TY - CHAP A1 - Schleif, Frank-Michael A1 - Gisbrecht, Andrej A1 - Tiño, Peter ED - Feragen, Aasa ED - Pelillo, Marcello ED - Loog, Marco T1 - Large Scale Indefinite Kernel Fisher Discriminant T2 - Similarity-Based Pattern Recognition - Third International Workshop, SIMBAD 2015, Copenhagen, Denmark, October 12-14, 2015, Proceedings Y1 - 2015 U6 - https://doi.org/10.1007/978-3-319-24261-3_13 SP - 160 EP - 170 ER - TY - CHAP A1 - Schleif, Frank-Michael A1 - Chen, H. A1 - Tiño, Peter T1 - Incremental probabilistic classification vector machine with linear costs T2 - 2015 International Joint Conference on Neural Networks, IJCNN 2015, Killarney, Ireland, July 12-17, 2015 Y1 - 2015 U6 - https://doi.org/10.1109/IJCNN.2015.7280377 SP - 1 EP - 8 ER - TY - CHAP A1 - Schleif, Frank-Michael A1 - Gisbrecht, Andrej A1 - Tiño, Peter T1 - Probabilistic Classification Vector Machine at large scale T2 - 23rd European Symposium on Artificial Neural Networks, ESANN 2015, Bruges, Belgium, April 22-24, 2015 Y1 - 2015 ER - TY - CHAP A1 - Villmann, Thomas A1 - Schleif, Frank-Michael A1 - Hammer, Barbara T1 - Sparse representation of data T2 - 18th European Symposium on Artificial Neural Networks, ESANN 2010, Bruges, Belgium, April 28-30, 2010, Proceedings Y1 - 2010 ER - TY - JOUR A1 - Angulo, Cecilio A1 - Aldo Lee, John A1 - Schleif, Frank-Michael T1 - Advances in computational intelligence and learning (ESANN 2009) JF - Neurocomputing Y1 - 2010 U6 - https://doi.org/10.1016/j.neucom.2009.12.020 VL - 73 IS - 7-9 SP - 1049 EP - 1050 ER - TY - JOUR A1 - Mokbel, Bassam A1 - Paaßen, Benjamin A1 - Schleif, Frank-Michael A1 - Hammer, Barbara T1 - Metric learning for sequences in relational LVQ JF - Neurocomputing Y1 - 2015 U6 - https://doi.org/10.1016/j.neucom.2014.11.082 VL - 169 SP - 306 EP - 322 ER - TY - JOUR A1 - Schleif, Frank-Michael A1 - Tiño, Peter T1 - Indefinite Proximity Learning: A Review JF - Neural Compututation Y1 - 2015 U6 - https://doi.org/10.1162/NECO_a_00770 VL - 27 IS - 10 SP - 2039 EP - 2096 ER - TY - CHAP A1 - Hartmann, Jürgen A1 - Dobhan, Alexander A1 - Engelmann, Bastian A1 - Eberhardt, Lars A1 - Heusinger, Moritz A1 - Raab, C A1 - Schleif, Frank-Michael A1 - Türk, M. T1 - Optimierung von Prozessen und Werkzeugmaschinen durch Bereitstellung, Analyse und Soll-Ist-Vergleich von Produktionsdaten: Digitalkonferenz Y1 - 2020 ER - TY - JOUR A1 - Hofmann, Jan A1 - Eberhardt, Lars A1 - Heusinger, Moritz A1 - Dobhan, Alexander A1 - Engelmann, Bastian A1 - Schleif, Frank-Michael T1 - Optimierung von Prozessen und Werkzeugmaschinen durch Bereitstellung, Analyse und Soll-Ist-Vergleich von Produktionsdaten JF - FHWS Science Journal N2 - Mit einem Umsatz von 103 Milliarden Euro ist die Metallindustrie eine der größten deutschen Industriebranchen. Diese ist von volatilen Marktbedingungen und hohem Wettbewerb geprägt [1][2]. Kleine und mittlere produzierende Unternehmen (sogenannte KMU) sehen zunehmend gravierende Probleme bei der Einhaltung von Lieferterminen bedingt durch hohe Durchlaufzeiten in der Produktion [3]. Neben kaufmännischen Planungssystemen zur Erstellung von Produktionsplänen nutzen Unternehmen als Planungsgrundlage weiterhin Excel mit 31 % und manuelle Prozesse mit 10 % [4]. Gleiches gilt für Produktwechselvorgänge auf Maschinen (Rüsten). Aufgrund dieser Aspekte ist es notwendig, die Rentabilität der KMU in der Metallindustrie zu steigern. Das wird durch effiziente Produktionsplanung und -steuerung, sowie der daraus resultierenden hohen Reaktionsfähigkeit und Flexibilität realisiert. Daher ist die Produktionsplanung auf die Markt- und Kundenanforderungen und die Anlageneffektivität auf ein hohes und stabiles Niveau auszurichten [5]. Hier bietet die Erfassung von Echtzeitdaten eine adäquate Reaktion auf die genannten Anforderungen. Ebenfalls liefert sie großes Potenzial für die Produktionsplanung und -steuerung, um die Disposition und Koordination von Arbeitsaufträgen zu optimieren. Weiterhin werden Störgrößen oder unvorhergesehene Planungsabweichungen reduziert [4][6]. Zusätzlich ist eine erhöhte Transparenz und Verbesserung menschlicher Entscheidungsprozesse notwendig. Dies kann durch datengetriebene Methoden unterstützt und sichergestellt werden [7]. Ein Ansatz zur Optimierung des Produktionsergebnisses kann durch die Erhöhung der Anlagenproduktivität selbst realisiert werden. Dazu muss die Verfügbarkeit der Anlagen durch Lokalisierung und Reduzierung von Verlusten erhöht werden. Die Umrüstungsprozesse tragen stark negativ zur Verfügbarkeit einer Produktion bei. Eine Steigerung der Gesamtanlageneffektivität (overall equipment effectiveness oder kurz OEE) in einer Fertigungsumgebung ist jedoch möglich durch eine intelligente Nutzung von Sensordaten mit Techniken wie z. B. Machine Learning (ML). KW - produktionsdaten KW - metall Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:863-opus-20012 UR - https://nbn-resolving.org/urn:nbn:de:bvb:863-opus-19389 SN - 2196-6095 VL - 5 IS - 2 SP - 135 EP - 142 ER - TY - JOUR A1 - Schleif, Frank-Michael A1 - Zhu, Xibin A1 - Hammer, Barbara T1 - Sparse conformal prediction for dissimilarity data JF - Annals of Mathematics and Artificial Intelligence Y1 - 2015 U6 - https://doi.org/10.1007/s10472-014-9402-1 VL - 74 IS - 1-2 SP - 95 EP - 116 ER -