wbk Institut für Produktionstechnik

Marvin May, M.Sc.

  • 76131 Karlsruhe
    Kaiserstraße 12

Marvin May, M.Sc.

Forschungs- und Arbeitsgebiete:

  • Maschinelles Lernen in der Produktionsplanung und –steuerung
  • Steuerung flexibler Produktionssysteme
  • Digitaler Zwilling und Matrix-Produktion
  • Big Data Analysen in der Produktion
  • Sim2Real: Simulationsanpassung
  • Ontologien in der Produktion
  • Industrie 4.0

Allgemeine Aufgaben:

  • Vorlesungsbetreuer der Vorlesungen… 
    • Betriebliche Produktionswirtschaft
    • Data Mining in der Produktion (Seminar)
    • Process Mining in der Produktion (Seminar)
  • Lernfabrik für Globale Produktion: Skalierbare Automatisierung und Lean & Industrie 4.0

Projekte:

  • EU Digiman4.0 
  • Innovation Center SAP – Entwicklung einer lernenden Multi-Agenten-Steuerung für den Materialfluss in der Matrixproduktion
  • BaWü Robust

Lebenslauf:

seit 09/2019

Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT) 

2013-2019

Studium Wirtschaftsingenieurwesen am KIT, Abschlüsse: M.Sc. & B.Sc.

2019

Auslandsstudium an der Shanghai Jiaotong University (上海交通大学)

2017-2018

Auslandsstudium & Research/Teaching Associate an der University of Massachusetts, Amherst sowie Isenberg School of Management

2017

Auslandsstudium an der Université de Strasbourg

2016

Auslandsstudium am Beijing Institute of Technology(北京理工大学)

12/1994

Geboren

Veröffentlichungen

[ 1 ] May, M. C.; Kuhnle, A. & Lanza, G. (2020), „Digitale Produktion und Intelligente Produktionssteuerung“, wt Werkstattstechnik online, Band 4, S. 255-260. 10.5445/IR/1000119555
Abstract
Im Rahmen der stufenweisen Umsetzung von Industrie 4.0 erreicht die Vernetzung und Digitalisierung die gesamte Produktion. Den physischen Produktionsprozess nicht nur cyber-physisch zu begleiten, sondern durch eine virtuelle, digitale Kopie zu erfassen und optimieren, stellt ein enormes Potential für die Produktionssystemplanung und -steuerung dar. Zudem ermöglichen digitale Modelle die Anwendung intelligenter Produktionssteuerungsverfahren und stellen damit einen Beitrag zur Verbreitung optimierender adaptiver Systeme dar.

[ 2 ] Kain, M.; Miqueo, A.; May, M. C. & Häfner, B. (2020), „Metal Additive Manufacturing of Multi-Material Dental Strut Implants.“. Proceedings of the 20th International Conference of the European Society for Precision Engineering and Nanotechnology, S. S. 175-176.
Abstract


[ 3 ] May, M. C.; Overbeck, L.; Wurster, M.; Kuhnle, A. & Lanza, G. (2020), „Foresighted Digital Twin for situational Agent Selection in Production Control“.
Abstract


[ 4 ] Kapp, V.; May, M. C.; Lanza, G. & Wuest, T. (2020), „Pattern Recognition in Multivariate Time Series: Towards an Automated Event Detection Method for Smart Manufacturing Systems.“, Journal of Manufacturing and Materials Processing, Band 3, [30.11.-1].
Abstract


[ 5 ] May, M. C.; Kiefer, L.; Kuhnle, A.; Stricker, N. & Lanza, G. (2020), „Decentralized Multi-Agent Production Control through Economic Model Bidding for Matrix Production Systems“.
Abstract


[ 6 ] May, M. C.; Schmidt, S.; Kuhnle, A.; Stricker, N. & Lanza, G. (2020), „Product Generation Module: Automated Production Planning for optimized workload and increased efficiency in Matrix Production Systems“.
Abstract