Work

Here's an overview of my work, mainly publications. Highest is latest.

ETFA 2021: Genetic Programming for Fiber-Threading for Fiber-Reinforced Plastics

In this work, my student Jonas Wilfert investigated the application of genetic algorithms on a part of the pultrusion process pipeline. Great working together with the Fraunhofer IGCV in Augsburg, namely Frederik Wilhelm. Here's the abstract:

Setting up fiber-threading for a pultrusion line is tedious, error prone and takes a long time. Between 100 and 1000 fibers have to be arranged into a two-dimensional shape, which have to be threaded between several support plates without causing crossovers. When manually planning this process based on intuition, it is hard to keep track of the complexity. This slows the process down to where it can take several hours or several days, and shortening this duration reduces the cost considerably. As planning the setup takes up a large chunk of time, we are proposing a simulation and an algorithm to automatically calculate how the fiber bundles need to be threaded from the creels through the support plates to result in the desired shape. Using a three-dimensional simulation for collision detection in conjunction with a genetic algorithm, we are able to shorten the planning of the fibers to around 10 minutes on a modern 8-core personal computer. Based on this data, further work can be done to further improve, visualize or permanently store the data in a digitized company.

Download PDF (preprint)

Using mesh convolutions and graph neural networks to enable predictions for RTM in 3D space

Master thesis by my student Lukas Lodes on which he wrote a lovely blog article in German. Previous works such as FlowFrontNet were focused on the manufacturing of plates, which is a big abstraction since real carbon composites can have various shapes. This thesis focuses on using graph neural nets with the already existing mesh to take the leap into the 3D space.

ECML 2020: FlowFrontNet: Improving Carbon Composite Manufacturing with CNNs

Carbon fiber reinforced polymers (CFRP) are light yet strong composite materials designed to reduce the weight of aerospace or automotive components – contributing to reduced emissions. Resin transfer molding (RTM) is a manufacturing process for CFRP that can be scaled up to industrial-sized production. It is prone to errors such as voids or dry spots, resulting in high rejection rates and costs. At runtime, only limited in-process information can be made available for diagnostic insight via a grid of pressure sensors. We propose FlowFrontNet, a deep learning approach to enhance the in-situ process perspective by learning a mapping from sensors to flow front “images” (using upscaling layers), to capture spatial irregularities in the flow front to predict dry spots (using convolutional layers). On simulated data of 6 million single time steps resulting from 36k injection processes, we achieve a time step accuracy of 91.7% when using a 38 × 30 sensor grid with 1 cm sensor distance in x- and y-direction. On a sensor grid of 10×8, with a sensor distance of 4 cm, we achieve 83.7% accuracy. In both settings, FlowFrontNet provides a significant advantage over direct end-to-end learning models.

Download PDF

ETFA 2020: Towards Real-time Process Monitoring and Machine Learning for Manufacturing Composite Structures

Components made from carbon fiber reinforced plastics (CFRP) offer attractive stability properties for the automotive or aerospace industry despite their light weight. To automate the CFRP production, resin transfer molding (RTM) based on thermoset plastics is commonly applied. However, this manufacturing process has its shortcomings in quality and costs. The project CosiMo aims for a highly automated and costattractive manufacturing process using cheaper thermoplastic materials. In a thermoplastic RTM (T-RTM) process, the polymerization of epsilon-caprolactam to polyamide 6 is investigated using an “intelligent tooling”. Multiple sensor types integrated into the mold allow for tracking of several process-relevant variables, such as material flow and state of polymerization. In addition to the evaluation of the T-RTM process, a digital twin helps to visualize progress and to make predictions about possible problems and countermeasures based on machine learning. In this paper, the combination of software and hardware developments is described which will help to validate an optimal process setup for an industrial CFRP demonstrator.

Download PDF

OCDDC 2018: Transfer Learning for Optimization of Carbon Fiber Reinforced Polymer Production

The main problem that keeps many areas of research from using Deep Learning methods is the lack of suffcient amounts of data. We propose transfer learning from simulated data as a solution to that issue. In this work, we present the industrial use case for which we plan to apply our transfer learning approach to: the production of economic Carbon Fiber Reinforced Polymer components. It is currently common practice to draw samples of produced components statistically and perform destructive tests on them, which is very costly. Our goal is to predict the quality of components during the production process. This has the advantage of enabling not only on-line monitoring but also adaptively optimizing the manufacturing procedure. The data comes from sensors embedded in a tooling in a Resin Transfer Molding press.

Download PDF

About

My name is Simon Stieber, I am currently working as a PhD Student in Computer Science at the University of Augsburg, Germany. My professional focus is Machine Learning and Deep Learning for industrial applications.

CV

Group Lead "Artificial Intelligence Methods", Focus Project Management @ University of Augsburg

Augsburg, March 2021 - Present

Group Website
    Science Project Management
    Science Project Acquisition: Networking, project proposals etc.

PHD Student @ University of Augsburg

Augsburg, Februar 2018 - Present

Machine Learning for Manufacturing of Carbon Composites. Process Monitoring and Optimization for Resin Transfer Moulding (RTM): Project Website

  • Deep Learning in a novel field; Transfer Learning for data frugality
  • Giving Lectures and Tutorials
  • Establishing colaborations with industrial and academic partners to start projects, writing proposals
  • Leading group of up to five student assistants in parallel (B.Sc. and M.Sc. students) (Co-)Supervision of 3 master theses, 2 bachelor theses Overall: 6 Research Assistants, 4 Interns, 5 Theses, excluding tutors
  • Installation, administration and maintenance of a custom compute cluster: 25+ hosts, including several DGX-1 (A100 and V100); planning and execution of structural measures to accommodate 25+ kW of compute.
  • Data Acquisition and Analysis in real life and in simulation
  • Parallelized Fluid Simulation in industrial simulation software

Supervised Theses (B/M) and Internships (I)
  • Creation of a HDF5-file database for data search and dataset creation, 2019 (I)
  • Optimization of Dataloaders and other Framework-internals, 2019 (I)
  • Setup of pipeline and initial Trainings on RTM data, 2019 (I)
  • Learning World Models for a simulated Robot Arm through Action-conditioned Frame Prediction, 2020 (M)
  • "Automatische Planung der Faserführung einer Pultrusionsanlage durch einen genetischen Algorithmus" - Automatic planning of fiber threading for a pultrusion process with a genetic algorithm, 2020 (B)
  • "In-situ Überwachung von Composite-Herstellungsprozessen mit tiefen neuronalen Netzen auf der Basis von 3D-Repräsentationen", In-situ supervision of composite processing with deep neural networks based on 3D-representations, 2021 (M)
  • "Optimierung der Fließfrontberechnung im Harzinjektionsprozess mithilfe von GANs" - Optimization of flow front detection within Resin Transfer Moulding aided by GANs, 2021 (B)
  • Sim-to-Real analysis of an industrial RTM process, WIP, (M)
  • Creation of U-Net Based surrogate Model for RTM, WIP (I)

Master Thesis Student @ Continental

Lindau, April 2017 - September 2017

Crafted my Master's Thesis at Continental in Lindau. The goal is to classify various weather conditions based on camera images. Computer Vision for ADAS / Autonomous Driving.

Graduate Student Research Assistant @ University of Augsburg

Augsburg, Oktober 2016 - Mai 2017

Tutor at a course aimed at autonomous driving. Programming, mostly the integration of a lidar for a model car based on the Audi Autonomous Driving Cup (AADC) 2016 car. Tutoring and teaching master students.

Working Student @ IGEL Technology

Augsburg, September 2014 - August 2016

Helped the R&D team by optimizing the build process, making a custom diff tool in C for different versions of their software, writing a small monitoring tool for the thin clients and more.

Tools and Languages

Programming Languages & Frameworks

Python, Shell, Latex, Java, C, C++; PyTorch, SciKit-Learn, TensorFlow, Keras and more.

Microsoft Office, PAM RTM

Languages

German, English, Italian, French

Datenschutzerklärung

Personenbezogene Daten (nachfolgend zumeist nur „Daten“ genannt) werden von uns nur im Rahmen der Erforderlichkeit sowie zum Zwecke der Bereitstellung eines funktionsfähigen und nutzerfreundlichen Internetauftritts, inklusive seiner Inhalte und der dort angebotenen Leistungen, verarbeitet.

Gemäß Art. 4 Ziffer 1. der Verordnung (EU) 2016/679, also der Datenschutz-Grundverordnung (nachfolgend nur „DSGVO“ genannt), gilt als „Verarbeitung“ jeder mit oder ohne Hilfe automatisierter Verfahren ausgeführter Vorgang oder jede solche Vorgangsreihe im Zusammenhang mit personenbezogenen Daten, wie das Erheben, das Erfassen, die Organisation, das Ordnen, die Speicherung, die Anpassung oder Veränderung, das Auslesen, das Abfragen, die Verwendung, die Offenlegung durch Übermittlung, Verbreitung oder eine andere Form der Bereitstellung, den Abgleich oder die Verknüpfung, die Einschränkung, das Löschen oder die Vernichtung.

Mit der nachfolgenden Datenschutzerklärung informieren wir Sie insbesondere über Art, Umfang, Zweck, Dauer und Rechtsgrundlage der Verarbeitung personenbezogener Daten, soweit wir entweder allein oder gemeinsam mit anderen über die Zwecke und Mittel der Verarbeitung entscheiden. Zudem informieren wir Sie nachfolgend über die von uns zu Optimierungszwecken sowie zur Steigerung der Nutzungsqualität eingesetzten Fremdkomponenten, soweit hierdurch Dritte Daten in wiederum eigener Verantwortung verarbeiten.

Unsere Datenschutzerklärung ist wie folgt gegliedert:

I. Informationen über uns als Verantwortliche
II. Rechte der Nutzer und Betroffenen
III. Informationen zur Datenverarbeitung

I. Informationen über uns als Verantwortliche

Verantwortlicher Anbieter dieses Internetauftritts im datenschutzrechtlichen Sinne ist:

Simon Stieber

E-Mail: info@simon-stieber.de

II. Rechte der Nutzer und Betroffenen

Mit Blick auf die nachfolgend noch näher beschriebene Datenverarbeitung haben die Nutzer und Betroffenen das Recht

  • auf Bestätigung, ob sie betreffende Daten verarbeitet werden, auf Auskunft über die verarbeiteten Daten, auf weitere Informationen über die Datenverarbeitung sowie auf Kopien der Daten (vgl. auch Art. 15 DSGVO);
  • auf Berichtigung oder Vervollständigung unrichtiger bzw. unvollständiger Daten (vgl. auch Art. 16 DSGVO);
  • auf unverzügliche Löschung der sie betreffenden Daten (vgl. auch Art. 17 DSGVO), oder, alternativ, soweit eine weitere Verarbeitung gemäß Art. 17 Abs. 3 DSGVO erforderlich ist, auf Einschränkung der Verarbeitung nach Maßgabe von Art. 18 DSGVO;
  • auf Erhalt der sie betreffenden und von ihnen bereitgestellten Daten und auf Übermittlung dieser Daten an andere Anbieter/Verantwortliche (vgl. auch Art. 20 DSGVO);
  • auf Beschwerde gegenüber der Aufsichtsbehörde, sofern sie der Ansicht sind, dass die sie betreffenden Daten durch den Anbieter unter Verstoß gegen datenschutzrechtliche Bestimmungen verarbeitet werden (vgl. auch Art. 77 DSGVO).

Darüber hinaus ist der Anbieter dazu verpflichtet, alle Empfänger, denen gegenüber Daten durch den Anbieter offengelegt worden sind, über jedwede Berichtigung oder Löschung von Daten oder die Einschränkung der Verarbeitung, die aufgrund der Artikel 16, 17 Abs. 1, 18 DSGVO erfolgt, zu unterrichten. Diese Verpflichtung besteht jedoch nicht, soweit diese Mitteilung unmöglich oder mit einem unverhältnismäßigen Aufwand verbunden ist. Unbeschadet dessen hat der Nutzer ein Recht auf Auskunft über diese Empfänger.

Ebenfalls haben die Nutzer und Betroffenen nach Art. 21 DSGVO das Recht auf Widerspruch gegen die künftige Verarbeitung der sie betreffenden Daten, sofern die Daten durch den Anbieter nach Maßgabe von Art. 6 Abs. 1 lit. f) DSGVO verarbeitet werden. Insbesondere ist ein Widerspruch gegen die Datenverarbeitung zum Zwecke der Direktwerbung statthaft.

III. Informationen zur Datenverarbeitung

Ihre bei Nutzung unseres Internetauftritts verarbeiteten Daten werden gelöscht oder gesperrt, sobald der Zweck der Speicherung entfällt, der Löschung der Daten keine gesetzlichen Aufbewahrungspflichten entgegenstehen und nachfolgend keine anderslautenden Angaben zu einzelnen Verarbeitungsverfahren gemacht werden.

Kontaktanfragen / Kontaktmöglichkeit

Sofern Sie per Kontaktformular oder E-Mail mit uns in Kontakt treten, werden die dabei von Ihnen angegebenen Daten zur Bearbeitung Ihrer Anfrage genutzt. Die Angabe der Daten ist zur Bearbeitung und Beantwortung Ihre Anfrage erforderlich - ohne deren Bereitstellung können wir Ihre Anfrage nicht oder allenfalls eingeschränkt beantworten.

Rechtsgrundlage für diese Verarbeitung ist Art. 6 Abs. 1 lit. b) DSGVO.

Ihre Daten werden gelöscht, sofern Ihre Anfrage abschließend beantwortet worden ist und der Löschung keine gesetzlichen Aufbewahrungspflichten entgegenstehen, wie bspw. bei einer sich etwaig anschließenden Vertragsabwicklung.

Tracking und Logging (IONOS)

Mit welchen Technologien ermittelt IONOS die Daten? Die Daten werden entweder durch einen Pixel oder durch ein Logfile ermittelt. Zum Schutz von personenbezogenen Daten verwendet WebAnalytics keine Cookies. Die IP des Besuchers wird bei der Übermittlung eines Seitenabrufes übertragen, nach der Übermittlung direkt anonymisiert und ohne Personenbezug verarbeitet.

Welche Daten speichert IONOS von meinen Websitenbesuchern? IONOS speichert keine personenbezogenen Daten von Websitenbesuchern, damit keine Rückschlüsse auf die einzelnen Besucher gezogen werden können. Es werden folgende Daten erhoben: Referrer (zuvor besuchte Webseite) Angeforderte Webseite oder Datei Browsertyp und Browserversion Verwendetes Betriebssystem Verwendeter Gerätetyp Uhrzeit des Zugriffs IP-Adresse in anonymisierter Form (wird nur zur Feststellung des Orts des Zugriffs verwendet) Zu welchem Zweck werden die Daten erhoben? In WebAnalytics werden Daten ausschließlich zur statistischen Auswertung und zur technischen Optimierung des Webangebots erhoben.

Werden Daten an Dritte weitergegeben? Es werden keine Daten an Dritte weitergegeben.

Muster-Datenschutzerklärung der Anwaltskanzlei Weiß & Partner zzgl. Informationen zu IONOS tracking. Quelle 1&1 IONOS

Elements

Text

This is bold and this is strong. This is italic and this is emphasized. This is superscript text and this is subscript text. This is underlined and this is code: for (;;) { ... }. Finally, this is a link.


Heading Level 2

Heading Level 3

Heading Level 4

Heading Level 5
Heading Level 6

Blockquote

Fringilla nisl. Donec accumsan interdum nisi, quis tincidunt felis sagittis eget tempus euismod. Vestibulum ante ipsum primis in faucibus vestibulum. Blandit adipiscing eu felis iaculis volutpat ac adipiscing accumsan faucibus. Vestibulum ante ipsum primis in faucibus lorem ipsum dolor sit amet nullam adipiscing eu felis.

Preformatted

i = 0;

while (!deck.isInOrder()) {
    print 'Iteration ' + i;
    deck.shuffle();
    i++;
}

print 'It took ' + i + ' iterations to sort the deck.';

Lists

Unordered

  • Dolor pulvinar etiam.
  • Sagittis adipiscing.
  • Felis enim feugiat.

Alternate

  • Dolor pulvinar etiam.
  • Sagittis adipiscing.
  • Felis enim feugiat.

Ordered

  1. Dolor pulvinar etiam.
  2. Etiam vel felis viverra.
  3. Felis enim feugiat.
  4. Dolor pulvinar etiam.
  5. Etiam vel felis lorem.
  6. Felis enim et feugiat.

Icons

Actions

Table

Default

Name Description Price
Item One Ante turpis integer aliquet porttitor. 29.99
Item Two Vis ac commodo adipiscing arcu aliquet. 19.99
Item Three Morbi faucibus arcu accumsan lorem. 29.99
Item Four Vitae integer tempus condimentum. 19.99
Item Five Ante turpis integer aliquet porttitor. 29.99
100.00

Alternate

Name Description Price
Item One Ante turpis integer aliquet porttitor. 29.99
Item Two Vis ac commodo adipiscing arcu aliquet. 19.99
Item Three Morbi faucibus arcu accumsan lorem. 29.99
Item Four Vitae integer tempus condimentum. 19.99
Item Five Ante turpis integer aliquet porttitor. 29.99
100.00

Buttons

  • Disabled
  • Disabled

Form