Sayed Rafay Bin Shah

• Entwicklung einer Gradientenregularisierungstechnik für adversariale Domain Adaptation und Verbesserung der RUL-Vorhersage um durchschnittlich 37%. • Entwicklung eines Gradient-Monitoring-Frameworks für Continual Learning von Zeitreihendaten und Verbesserung der Wissensretention um durchschnittlich 30%. • Entwicklung und Implementierung einer Datenvorverarbeitungs-Pipeline und robusten neuronalen Netzen für Predictive-Maintenance in VDI/VDE-geförderten ZIM-Projekten mit Industriepartnern.

Datenanalyse, Feature Engineering und Entwicklung von ML-Modellen zur Fault-detection in einem ZIM-Projekt in Zusammenarbeit mit der Bültmann GmbH.

Qualitätsprüfungen (mechanisch, elektrisch, optisch) an Hochleistungsmodulen gemäß Automobilstandards sowie Identifikation von Anomalien durch Datenanalyse.

Erforschung von Gradient-Monitoring-Methoden zur Reduzierung von Datendrift und zur Verbesserung des Wissenstransfers in industriellen ML-Anwendungen durch Nutzung der Parameter-Gradienten-Beziehungen von Netzwerken. Entwicklung von Frameworks für Unsupervised-Domain-Adaptation und Continual-Learning für ressourcen- und leistungsbeschränkte Umgebungen sowie für den realen Einsatz. Stabilisierung des Diskriminator-Trainings bei der Adversarial-Adaptation durch Gradient-Monitoring.

Masterarbeit: Remaining Useful Lifetime Prediction using Attention-based Sequence to Sequence Architectures. Note der Masterarbeit: 1,0 Gesamtnote: 1,8