Im Gegensatz zur dritten industriellen Revolution, folgen Maschinen nicht mehr einer starren Pro-grammierung, sondern agieren zunehmend autonom. Sensorsysteme müssen einer unbekannten und sich verändernden Umgebung immer komplexere Informationen abringen. Beispielsweise muss ein angeliefertes Werkstück erkannt werden, damit dann eine Entscheidung auf weitere Produktionsschritte fallen kann. Aus diesem Grund bedarf es Algorithmen aus den Bereichen Sensordatenfusion und Machine Learning, die in solchen unsicheren Terrains arbeiten können. Hier wird deshalb auf propabilistische Algorithmen wie beispielsweise Kalman Filter oder assoziativ erregte Systeme wie beispielsweise Neuronale Netze zurückgegriffen. Auch Klassifizierungsalgorithmen (Hauptkomponentenanalyse, Support Vector Machine) sind nützliche Werkzeuge.

Gerade für mittelständische Unternehmen ist dabei wichtig, dass die Intelligenz im Sensorknoten sitzt, ohne die Notwendigkeit Rechenleistung auf eine Cloud auszulagern. Der Sensor funktioniert dabei für sich. Es wird deshalb auf Hardwarebeschleunigung für komplexe Algorithmen gesetzt.

Forschungsschwerpunkte

- Spektroskopische Modellierung / Hitran Simulation

- Elektronische Zunge

- Kompensation von Umwelteinflüssen

- Modellbasierte Betrachtungen (physikalisches Modell) vs. datengetriebene Algorithmen (Supervised Learning)