Prof. Dr.-Ing. Andreas Schwung

seit 02.2015
Professor für Automatisierungstechnik und Grundgebiete der Elektrotechnik an der Fachhochschule Südwestfalen, Soest

01/2011 - 12/2014
Projektleiter für Elektro-, Mess-, Steuer-, Regelungstechnik in der Projektierung Kompressoren bei der MAN Diesel & Turbo SE, Oberhausen

12/2007-12/2010
Wissenschaftlicher Mitarbeiter am Fachgebiet Regelungstheorie und Robotik an der TU Darmstadt, Promotion im Bereich Fuzzy-Systeme und Computational Intelligence

2002 - 2007
Studium der Elektro- und Informationstechnik an der TU Darmstadt, Schwerpunkt Mechatronik

Aktuelle Projekte

• Condition Monitoring of Industrial Processes Using Deep Neural Network
• Assistance Systems for Production Assessment based on Information Fusion and Knowledge Discovery
• Peristaltische Sortiermaschine

Arbeitsgebiete und Forschungsschwerpunkte

Vernetzte Automation / Industrie 4.0: Der Begriff Industrie 4.0 steht für die zunehmende Digitalisierung der industriellen Produktion. Digitalisierung bedeutet hierbei insbesondere die Vernetzung von Maschinen und Anlagen untereinander, mit ERP-Systemen und dem Internet. Die Arbeiten am Fachgebiet im Umfeld Industrie 4.0 konzentrieren sich hierbei auf die Entwicklung von vernetzten dezentralen Steuerungssystemen sowie von selbstoptimierenden und selbstrekonfigurierenden Produktionssystemen mithilfe von Methoden aus der künstlichen Intelligenz. So entstehen hochflexible Produktionssysteme, die in der Lage sind, ihr Verhalten während des Betriebs zu optimieren und sich kontinuierlich durch Erlernen neuer Verhaltensmuster verbessern. Ziele der Arbeiten sind die Flexibilisierung der Produktion bis hin zu Losgröße 1, die Erhöhung der Verfügbarkeit sowie die Optimierung der Betriebsweise. Die Anwendungsfelder der Forschungsergebnisse liegen hierbei vor allem in der Produktionstechnik sowie im Maschinen- und Anlagenbau.

Machine Learning und Big Data Analytics: Die Digitalisierung der Produktion ist verbunden mit der kontinuierlichen Aufnahme großer Datenmengen, die Maschinendaten, Produktionsparameter sowie Produktdaten umfassen. Bisher werden diese Daten nur sehr selten für weitergehende Analysen verwendet, das Potenzial der anfallenden Daten wird somit nicht genutzt. Die Arbeiten am Fachgebiet im Bereich der intelligenten Datenanalyse konzentrieren sich auf die Auswertung dieser Produktionsdaten mithilfe von Verfahren aus dem Machine Learning, beispielsweise durch den Einsatz von Neuronalen Netzen oder verschiedenen Klassifikationsalgorithmen. Ziel ist die Applikation dieser Verfahren auf industrielle Anwendungen mit dem Fokus auf das Condition Monitoring, die prädiktive Wartung sowie die Prozess- und Energieoptimierung. Die Kombination von Modellen des Produktionssystems und Verfahren zur intelligenten Datenanalyse kann hochgenaue Aussagen über den aktuellen Anlagenzustand treffen. Ebenso können zuverlässige Vorhersagen über zu erwartende Wartungshandlungen gegeben werden, die unnötige Anlagenstillstände vermeiden. Auch der Einfluss von Prozessparametern auf die Produktgüte kann auf Basis von Datenanalysen bestimmt werden, woraus Optimierungspotentiale für das Prozessverhalten abgeleitet werden können. Die Anwendungsfelder der Forschungsergebnisse liegen u.a. in der Produktionstechnik sowie im Maschinen- und Anlagenbau. Des Weiteren arbeiten wir an Verfahren zur Bildverarbeitung mit dem Fokus auf Anwendungen in der Produktion sowie zur automatisierten Handschrifterkennung.

DEM / Mechatronische Systeme: Die Anwendung der diskrete Elemente Methode stellt einen weiteren Schwerpunkt der Arbeiten dar. Mithilfe der DEM lassen sich realitätsnahe Simulationen von Partikelsystemen erzeugen, die dann für die Systemauslegung und Systemoptimierung verwendet werden können. In Zukunft soll das Potenzial der DEM auch auf weitere Bereich wie den Reglerentwurf ausgedehnt werden.

Ein zweiter Arbeitsbereich stellen wasserstoffbasierte Antriebe für Elektrofahrzeuge dar. Im Rahmen des Forschungsprojekts H2Energy erforscht das Fachgebiet Automatisierungstechnik zusammen mit den Fachgebieten Schaltungstechnik, Elektrische Antriebe und Physik Optimierungspotentiale im Betrieb von Wasserstoff-Elektrofahrzeugen mit Hybridspeichersystem. Kern der Arbeiten am Fachgebiet ist die Entwicklung eines intelligenten Energiemanagementsystems mit dem Ziel, die Reichweite von Elektrofahrzeugen durch eine optimierte Betriebsweise zu erhöhen.

2022

F. Arevalo, C. Piolo, I. Tahasanul, A. Schwung: “Production Assessment using a Knowledge Transfer Framework and Evidence Theory”; in IEEE Access, 2022, 10, S. 89134-89152, 2022

J. Pöppelbaum, A. Schwung: „Predicting Rigid Body Dynamics using Dual Quaternion Recurrent Neural Networks with Quaternion Attention“; in IEEE Access, 10, S. 82923-82943, 2022

G.S. Chadha, S.R. Bin Shah, A. Schwung, S.X. Ding: „Shared Temporal Attention Transformer for Remaining Useful Lifetime Estimation“; in IEEE Access, 10, S. 74244 - 74258, 2022

D. Schwung, S. Yuwono, A. Schwung, S.X. Ding: „PLC-informed Distributed Game Theory Based Learning of Energy Optimal Production Policies“; in IEEE Transactions on Cybernetics, 2022, accepted for publication

D. Arend, S. Yuwono, M. R. Diprasetya, A. Schwung: „MLPro 1.0 - Standardized Reinforcement Learning and Game Theory in Python“; in Machine Learning with Application, 9, 100341, 2022

D. Arend, M.R. Diprasetya, S. Yuwono, A. Schwung: „MLPro - An integrative middleware-framework for standardized machine learning tasks in Python“; in Software Impacts, 14, 100421, 2022

J.N. Reimann, A. Schwung, S.X. Ding: „Neural Logic Rule Layers“; in Information Sciences, 596, S. 185-201, 2022

J.N. Reimann, A. Schwung, S.X. Ding: „Adopting Self-Attention for Neural Logic Rule Layers“; in at-Automatisierungstechnik, 70(3), S. 257-266, 2022

J. Pöppelbaum, G.S. Chadha, A. Schwung: “Contrastive Learning Based Self-Supervised Time Series Analysis”; in Applied Soft Computing, 117(5786):108397, 2022

J.N. Reimann, A. Schwung: „Similarity Constrained Conditional Generative Auto-Encoder with Generalized Dilated Networks“; in Springer LNCS, 2022

M. Menke, T. Wenzel, A. Schwung: „Improving GAN based Domain Adaptation for Object Detection“; in Proc. of the IEEE International Conference on Intelligent Transportation Systems, 2022

H. Klopries, D.O. Salazar Torres, A. Schwung: „Synthetic time series dataset generation for unsupervised autoencoders“; in Proc. of the International Conference on Emerging Technologies and Factory Automation, 2022

M.S. Abdul Hameed, V.H. Koneru, A. Schwung: „Zero-Shot Transfer Learning in Peristaltic Sortation Machine“; in Proc. of the International Conference on Industrial Informatics, 2022

S. Yuwono, D. Schwung, A. Schwung: „The impact of Communication and Memory in State Based Potential Game based Distributed Optimization“; in Proc. of the International Conference on Industrial Informatics, 2022

M. Rizky Diprasetya, A. Schwung: „Homogeneous Transformation Matrix Based Neural Network for Model Based Reinforcement Learning on Robot Manipulator”; in Proc. of the International Conference on Industrial Technology, 2022

2021

L. Soltysek, J. Szczepanik, R. Dudzik, M. Sułowicz, A. Schwung: “Protection and Control Standards with Auto Diagnosis for the Motor in Low-Voltage Switchgear According to Industry 4.0”; in Electronics, 10(23):2993, 2021

M.S. Abdul Hameed, G.S. Chadha, A. Schwung, S.X. Ding: „Gradient-Monitored Reinforcement Learning“; in IEEE Transactions on Neural Networks and Learning Systems, 2021, in press

G.S. Chadha, I. Islam, A. Schwung, S.X. Ding: „Deep Convolutional Clustering based Time Series Anomaly Detection“; in Sensors, 21(16), 5488, 2021

D. Schwung, S. Yuwono, A. Schwung, S.X. Ding: „Decentralized Learning of Energy Optimal Production Policies using PLC-informed Reinforcement Learning“; in Computers and Chemical Engineering, 152, 107382, 2021

S.R. Bin Shah, G.S. Chadha, A. Schwung, S.X. Ding: „A Sequence-to-Sequence Approach for Remaining Useful Lifetime Prediction Using Attention-augmented Bidirectional LSTM“; in Intelligent Systems with Applications, 10-11, 200049, 2021

G.S. Chadha, U. Panara, A. Schwung, S.X. Ding: „Generalized Dilation Neural Networks for Remaining Useful Lifetime Prediction“; in Neurocomputing, 452, S. 182-199, 2021

D. Schwung, A. Schwung, S.X. Ding: „Self Optimization of Modular Production Units: A state-based potential game approach“; in IEEE Transactions on Cybernetics, S. 2174 – 2185, 2022

F. Westbrink, A. Elbel, A. Schwung, S.X. Ding: „Calibration of DEM Parameters using Multi-Objective Reinforcement Learning”; in Powder Technology, 379, S. 602-616, 2021

G.S. Chadha, J.N. Reimann, A. Schwung: „Generalized Dilation Structures in Convolutional Neural Networks“, in Proc. of the 10th International Conference on Pattern Recognition Applications and Methods, 2021

M. Krishnamoorthy, M.S. Abdul Hameed, T. Kopinski, A. Schwung: “Disease Prediction Based on Individual's Medical History Using CNN”; in Proc. of the IEEE International Conference on Machine Learning Applications, 2021

M.S. Abdul Hameed, M. Khan, A. Schwung: “Curiosity based reinforcement learning on Robot manufacturing cell“; in Proc. of the IEEE International Conference on Industrial Technology, 2021

F. Arevalo, C. Piolo, J.Arens, A. Schwung, M. Hermes: „Knowledge Internalization using Virtual Training on the HoloLens“; in Proc. of the IEEE International Conference on Industrial Technology, 2021

A. Schwung, J. Pöppelbaum, P.C. Nutakki: “Rigid Body Movement Prediction Using Dual Quaternion Recurrent Neural Networks“; in Proc. of the IEEE International Conference on Industrial Technology, 2021

2020
G.S. Chadha, A. Panambilly, A. Schwung, S.X. Ding: „Bidirectional Deep Recurrent Neural Networks for Process Fault Classification“; in ISA Transactions, 106, S. 330-342, 2020

D. Schwung, V. Patel, A. Schwung, S.X. Ding: „Optimierung in verteilten Produktionssystemen - Maschinelles Lernen mit Spieltheorie auf der SPS“; in atp magazin, 62 (11-12), S. 66-77, 2020

F. Arevalo, M.I. Tahasanul, M.R. Diprasetya, O.O. Flores, A. Schwung: „Monitoring and Forecasting of Air Emissions with IoT Measuring Stations and a SaaS Cloud Application“; in Proc. of the 2nd International Conference on Societal Automation, Madeira, Portugal, 2020

G.S. Chadha, J. Kim, A. Schwung, S.X. Ding: „Permutation Learning in Convolutional Neural Networks for Time Series Analysis“; in Proc. of the International Conference on Artificial Neural Networks, 2020

F. Westbrink, T. Schütte, A. Schwung, S.X. Ding: „Simulation based design and data based control of peristaltic sortation machines“; in Proc. of the IEEE 46th Annual Conference of the Industrial Electronics Society, 2020

G.S. Chadha, N. Sakeib, A. Schwung: „Remaining Useful Lifetime Estimation with Sobolev Training“; in Proc. of the International Conference on Emergent Technologies and Factory Automation, Vienna, Austria, 2020

F. Westbrink, A. Schwung, S.X. Ding: „How to get a Parcel surfing”; in Proc. of the International Conference on Advanced Intelligent Mechatronics, Boston, USA, 2020

D. Schwung, J.N. Reimann, A. Schwung, S.X. Ding: „Smart Manufacturing Systems: A game theory-based approach“; in R. Goncalves, V. Sgurev, V. Jotsov, J. Kacprzyk (Eds.) Intelligent Systems: Theory, Research and Innovation in Applications, Springer, 2020

F. Arevalo, D. Sunaringtyas, C. Tito, A. Schwung: „Interactive Visual Procedure using an extended FMEA and Mixed-Reality “; in Proc. of the International Conference on Industrial Technology, Buenos Aires, Argentina, 2020

2019
D. Schwung, A. Schwung, S. X. Ding: „Actor-critic reinforcement learning for energy optimization in hybrid production environments“; in International Journal of Computing, 18(4), S. 360-371, 2019

G.S. Chadha, M. Krishnamoorthy, A. Schwung: „ Time Series based Fault Detection in Industrial Processes using Convolutional Neural Networks”; Proc. of the IEEE 45th Annual Conference of the Industrial Electronics Society (IECON 2019), Lisbon, Portugal, 2019

D. Schwung, M. Modali, A. Schwung: „Self Optimization in Smart Production Systems using Distributed Reinforcement Learning”; Proc. of the International Conference on Systems, Man, and Cybernetics (SMC 2019), Bari, Italy, 2019

D. Schwung, J.N. Reimann, A. Schwung, S.X. Ding: „Potential Game based Distributed Optimization of Modular Production Units“; Proc. of the International Conference on Industrial Informatics (INDIN 2019), Helsinki, Finland, 2019

A. Schwung, D. Schwung, M.S. Abdul Hameed: „ Cooperative Robot Control in Flexible Manufacturing Cells: Centralized vs. Distributed Approaches“; Proc. of the International Conference on Industrial Informatics (INDIN 2019), Helsinki, Finland, 2019

F. Arevalo, C. Tito, M.R. Diprasetya, A. Schwung: „Fault Detection Assessment using an extended FMEA and a Rule-based Expert System”; Proc. of the International Conference on Industrial Informatics (INDIN 2019), Helsinki, Finland, 2019

G.S. Chadha, A. Rabbani, A. Schwung: „Comparison of Semi-supervised Deep Neural Networks for Anomaly Detection in Industrial Processes”; Proc. of the International Conference on Industrial Informatics (INDIN 2019), Helsinki, Finland, 2019

F. Westbrink, A. Elbel, A. Schwung: „ Development of an automated mobile DEM calibration unit”; Proc. of the 8th International Conference on Discrete Element Methods (DEM8), Enschede, The Netherlands, 2019

F. Westbrink, R. Sivanandan, T. Schütte, A. Schwung: „Design approach and simulation of a peristaltic sortation machine”; Proc. of the IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2019), Hong-Kong, China, 2019

G.S. Chadha, E. Meydani, A.Schwung: „Regularizing Neural Networks with Gradient Monitoring“; Proc. of the 2019 INNS Big Data and Deep Learning Conference (INNSBDDL 2019), Genoa, Italy, 2019

P. Rehlaender, M. Schröer, P. Kemper, A. Schwung: „Traffic Sign Detection using R-CNN“; Proc. of the 2019 INNS Big Data and Deep Learning Conference (INNSBDDL 2019), Genoa, Italy, 2019

2018
D. Schwung, A. Schwung, S.X. Ding: „On-line Energy Optimization of Hybrid Production Systems using Actor-Critic Reinforcement Learning“; Proc. of the 9th International Conference on Intelligent Systems, Funchal, Portugal, 2018

D. Schwung, J. N. Reimann, A. Schwung, S.X. Ding: „Self Learning in Flexible Manufacturing Units: A Reinforcement Learning Approach“; Proc. of the 9th International Conference on Intelligent Systems, Funchal, Portugal, 2018

F. Arevalo, J. Rementeria, A. Schwung: „Fault Detection Assessment Architectures based on Classification Methods and Information Fusion“; Proc. of the 23rd International Conference on Emergent Technologies and Factory Automation (ETFA 2018), Turin, Italy, 2018

F. Arevalo, M. Rizky, A. Schwung: „A Cloud-based Architecture for Condition Monitoring based on Machine Learning“; Proc. of the 16th International Conference on Industrial Informatics (INDIN 2018), Porto, Portugal, 2018

F. Westbrink, A. Schwung: „Virtual Commissioning Approach based on the Discrete Element Method“; Proc. of the 16th International Conference on Industrial Informatics (INDIN 2018), Porto, Portugal, 2018

F. Arevalo, E. Oestanto, A. Schwung: „Development of a Mobile App for the Fault Detection Assessment on a Bulk Good System in the Framework of the CoreSys Project“; Proc. of the 16th International Conference on Industrial Informatics (INDIN 2018), Porto, Portugal, 2018

P. Rehlaender, P. Kemper, A. Schwung, U. Witkowski: „Control of a Fuel Cell Vehicle Thermal Management System”; Proc. of the 5th IEEE International Energy Conference (Energycon 2018), Limassol, Cyprus, 2018

P. Rehlaender, P. Kemper, A. Schwung, U. Witkowski: „Modeling of a Fuel Cell Vehicle Thermal Management System”; Proc. of the 5th IEEE International Energy Conference (Energycon 2018), Limassol, Cyprus, 2018

F. Westbrink, G. Chadha, A. Schwung: „Integrated IPC for data-driven machinemonitoring and fault detection“; Proc. of the 1st international Conference on Cyber Physical Systems (ICPS 2018), Saint Petersburg, Russia, 2018

G. Chadha, F. Westbrink, T. Schütte, A. Schwung: „Optimal Dosing of bulk good material using mass-flow estimation and DEM simulation“; Proc. of the 19th international Conference on Industrial Technology (ICIT 2018), Lyon, France, 2018

2017
P. Kemper, P. Rehlaender, U. Witkowski, A. Schwung: „Competitive Evaluation of Energy Management Strategies for Hybrid Electric Vehicle based on Real World Driving“; Proc. of the European Modelling Symposium (EMS2017), Manchester, UK, 2017

P. Rehlaender, P. Kemper, M. Schröer, U. Witkowski, A. Schwung: „A Novel Predictive Energy Management System“; Proc. of the European Modelling Symposium (EMS2017), Manchester, UK, 2017

D. Aufderheide, M.Rodriguez, A.Schwung, L. DiMatteo: „Automatisierte Abnahmen gravimetrischer Dosiersysteme“, atp edition, vol. 59, no. 07-08, pp. 24-33, 2017

G. Chadha, A. Schwung: „Comparison of Deep Neural Network methods for fault diagnosis of tennessee eastman process“, Proc. of the 22nd IEEE International Conference on Emerging Technologies And Factory Automation (ETFA2017), Limassol, Cyprus, 2017

F. Arevalo, A. Schwung: „Assistance System for a Bulk Good System based on Information Fusion“, Proc. of the 22nd IEEE International Conference on Emerging Technologies And Factory Automation (ETFA2017), Limassol, Cyprus, 2017

F. Westbrink, A. Schwung: “Improved approximation of arbitrary shapes in DEM simulations with multi-spheres”, Proc. of the 14th International Conference on Computational Plasticity (COMPLAS2017), Barcelona, Spain, 2017

F. Arevalo, A. Schwung: „Fault Detection using Probabilistic Prediction and Data Fusion on a Bulk Good System“, Proc. of the 52nd International Universities' Power Engineering Conference, Heraklion, Greece, 2017

A. Schwung, A. Elbel, D. Schwung: „System reconfiguration of modular production units using a SOA-based control structure“, Proc. of the 15th International Conference on Industrial Informatics (INDIN 2017), Emden, Germany, 2017

D. Schwung, T. Kempe, A. Schwung, S. Ding: „Self-optimization of energy consumption in complex bulk good processes using reinforcement learning“, Proc. of the 15th International Conference on Industrial Informatics (INDIN 2017), Emden, Germany, 2017

D. Schwung, F. Csaplar, A. Schwung, S. Ding: „An Application of Reinforcement Learning Algorithms to Industrial Multi-Robot Stations for cooperative handling operation“, Proc. of the 15th International Conference on Industrial Informatics (INDIN 2017), Emden, Germany, 2017

D. Aufderheide, M.Rodriguez, L. DiMatteo, A.Schwung: „Automatisierte Durchführung von Abnahmen gravimetrischer Dosiersysteme auf Basis von Hardware-in-the-Loop Simulation und Verifikation“, Proc. of Automation 2017, Baden-Baden, Germany, 2017

S. Dominic, Y. Löhr, A. Schwung, S.X. Ding:„PLC-based Real-time Realization of Flatness-Based Feedforward Control for Industrial Compression Systems", in IEEE Transactions on Industrial Electronics, 64(2), S. 1323-1331, 2017

2015
A. Schwung, M. Beck, J. Adamy: „Fault diagnosis of dynamical systems using recurrent fuzzy systems with application to an electrohydraulic servo axis“, in Fuzzy Sets and Systems, 277, pp. 138 -153, 2015

A. Schwung: „Cyber-Physical Modeling of Compression Systems using Hybrid Automata“, Proc. of the 11th IEEE International Conference on Automation Science and Engineering, Gothenburg, Sweden, pp. 1125 -1130, 2015

2014
S. Osmic, O. Berner, A. Schwung, M. Jost, M. Mönnigmann: „Flatness-Based Feedforward Control for fast Operating Point Transitions of Compressor Systems“, Proc. of the 2014 IEEE Conference on Control Applications (CCA), Antibes, France, pp. 1753–1758, 2014

A. Schwung, P. Berner, S. Osmic, M. Jost and M. Mönnigmann: “Nonlinear decoupling control of compressor systems for fast load transients in combined cycle power plants,” Proc. of the 2014 IEEE Conference on Control Applications (CCA), Antibes, France, pp. 27–32, 2014

2013
S. Gering, A. Schwung, T. Gußner, J. Adamy: „Sum of Squares Approaches for Control of Continuous-Time Recurrent Fuzzy Systems“, in Proceedings of the IEEE Mediterranian Conference on Control and Automation, Platanias-Chania, Greece, pp. 271-277, 2013

2012
A. Schwung, J. Adamy: „Modeling with discrete-time recurrent fuzzy systems via mixed integer optimization“, in Fuzzy Sets and Systems, 203, pp. 1-16, 2012

2011
A. Schwung, T. Gußner, J. Adamy: „Stability Analysis of Recurrent Fuzzy Systems: A Hybrid System and SOS approach“, in IEEE Transactions on Fuzzy Systems, 19(3), S. 423-431, 2011

M. Beck, A. Schwung, M. Münchhof, R. Isermann: „Fault-tolerant control of an electrohydraulic servo axis with a duplex valve system“, in Proceedings of the 18th IFAC World Congress, Milan, Italy, 2011

2010
J. Adamy, A. Schwung: „Qualitative modeling of dynamical systems employing continuoustime recurrent fuzzy systems”, in Fuzzy Sets and Systems, 116(23), pp. 3026-3043, 2010.

A. Schwung, A. Ortseifen, J. Adamy: „Anwendung zeitdiskreter rekurrenter Fuzzy-Systeme zur Fehlerdiagnose”, in at-Automatisierungstechnik, 58(6), S. 322-331, 2010.

M. Beck, M. Münchhof, A. Schwung, R. Isermann: „Fehlertolerante elektrohydraulische Servoachse mit Duplex-Ventilsystem”, in Proceedings of Automation 2010, Baden-Baden, Germany, 2010

A. Schwung, J. Adamy: „Nonlinear System Modeling via Hybrid System Representation of Recurrent Fuzzy Systems”, in Proceedings of the IEEE International Conference on Fuzzy Systems, Barcelona, Spain, 2010

M. Beck, A. Schwung, M. Münchhof, R. Isermann: „Active fault tolerant control of an electrohydraulic servo axis with a duplex-valve-system, in Proceedings of the 5th IFAC Symposium on Mechatronic Systems, Cambridge, USA, 2010

2009
J. Adamy, A. Schwung: „Modellierung dynamischer Systeme mit zeitkontinuierlichen Fuzzy-Systemen”, in at-Automatisierungstechnik, 57(3), S. 129-137, 2009

A. Schwung, T. Gußner, J. Adamy: „Stability Analysis of Continuous-Time Recurrent Fuzzy Systems”, in Proceedings of the IEEE International Conference on Fuzzy Systems, Jeju, Korea, 2009

2008
S. Kern, A. Schwung, R. Nordmann: „Gain-Scheduling Approaches for Active Damping of a Milling Spindle with Speed-Dependent Dynamics”, in Proceedings of the 9th International Conference on Motion and Vibration Control MOVIC, München, 2008