Im Rahmen eines Projekts des Instituts sind Spannwerkzeuge für Drehmaschinen eingesetzt. Diese Spannwerkzeuge haben einen hoch-komplexen Aufbau und bestehen aus vielen einzelnen Komponenten, die zusammen dafür sorgen, dass das eingespannte Element fest in der Drehmaschine sitzt. Damit sichergestellt werden kann, dass das eingespannte Element sicher eingespannt ist und dadurch die Ausfallzeit dieser Spannwerkzeuge zur Reparatur minimiert wird, ist der nächste Schritt der Weiterentwicklung dieser Spannwerkzeuge die Integration einer Sensorik mit Predictive Maintenance Algorithmen. Durch die bereits aufgezeichneten Sensordaten der bereits vorhanden Sensoren ist allerdings nicht sichergestellt, dass die Predicitive Maintenance funktioniert, weswegen die Sensorik an dem Spannwerkzeug womöglich erweitert werden muss.
- Einarbeitung in das Projekt und Beschaffung der Rahmenbedingungen
- Analyse der Zeitreihendaten hinsichtlich ihres Erkenntnisgehaltes
- Ermittlung geeigneter Sensoren für die Sensorik auf Basis bereits vergleichbarer Anwendungen
- Erstellung der Sensorik mit Schaltplan und CAD-Modell
- Belastbares Wissen über: Statistik und Sensorentwicklung
- Gute Programmierkenntnisse in Python oder C++
- Kenntnisse über Machine Learning sind von Vorteil
Sebastian Baum
♦
Bei IAS entwickeln und verbessern wir kontinuierlich interaktive Anwendungen für unsere Demonstratoren, wie Franka Emika Manipulatoren, HoloLenses, AGVs, eine Mini-Fabrik und verschiedene Mikrocontroller-Experimente. In diesem Zusammenhang bieten wir verschiedene Bachelor- und Forschungsmöglichkeiten an, die es den Studierenden ermöglichen, praktische Erfahrungen und Einblicke zu gewinnen.
Die Entwicklung des Demonstrators könnte Folgendes umfassen:
- Konzeption
- Design
- Umsetzung (Hardware und Software)
- Visualisierung
- Simulation
Die Beschreibung der einzelnen Aufgaben wird persönlich besprochen. Bitte kontaktieren Sie berit.schuerrle@ias.uni-stuttgart.de oder Joachim.grimstad@ias.uni-stuttgart.de für weitere Informationen.
Interesse an Elektrotechnik, erste Programmiererfahrung, Kreativität, Englischkenntnisse, Fähigkeit zur selbstständigen Arbeit.
Berit Schuerrle
♦
Diese Abschlussarbeit befasst sich mit der Anwendung von adversarialer Multi-Agent-Verstärkungslernens in der modellbasierten Systemtechnik für die Entwicklung fehlertoleranter Designs. Das Ziel der Forschung ist es, die Vor- und Nachteile dieser Ansätze und verschiedener Eingangsmodelle zu untersuchen. Die Arbeit umfasst sowohl Literaturrecherche als auch Implementierung in Python. Die Abschlussarbeit eignet sich für Studierende, die versiert in Python sind und die Anwendbarkeit künstlicher Intelligenz im Engineering-Prozess untersuchen möchten.
Die genauen Aufgaben sind Gegenstand der Diskussion und hängen vom Umfang der Abschlussarbeit ab, aber die meisten Abschlussarbeiten sollten einige Programmieraufgaben in Python beinhalten. Hier sind einige Beispiele für Aufgaben:
Aufgabe 1: Auswahl von Eingangsmodellen
- Identifizieren Sie ein oder mehrere Eingangsmodelle, die verwendet werden sollen.
Aufgabe 2: Parsen und Erstellen von System- und Spielobjekten
- Erstellen Sie einen Parser, um relevante Parameter aus den Eingangsmodellen zu extrahieren.
- Entwickeln Sie Spielobjekte, die in Verbindung mit der PettingZoo-Trainingsumgebung verwendet werden können.
- Automatisieren Sie das Spieldesign, um die Erstellung neuer Umgebungen und Spielobjekte zu optimieren.
Aufgabe 3: Auswahl und Implementierung eines Trainingsalgorithmus
- Wählen Sie einen Verstärkungslernalgorithmus, der für die Aufgabe geeignet ist.
- Implementieren Sie den Algorithmus.
- Trainieren Sie den Algorithmus mithilfe der erstellten Umgebungen.
Aufgabe 4: Bewertung der Ergebnisse
- Bewertung der Leistung der trainierten Modelle.
- Analysieren Sie die Ergebnisse, um die Effektivität zu bestimmen.
Aufgabe 5: Spezialisierung
- Wählen Sie eine Spezialisierung aus, die näher untersucht werden soll.
Aufgabe 6: Literaturrecherche
- Führen Sie eine umfassende Literaturrecherche zu Verstärkungslernen, Spielumgebungen und allen relevanten Themen durch.
Python, objektorientierte Programmierung.
Solide mathematische Grundlagen.
Erfahrung mit Systemmodellierung bevorzugt.
Versiert in Englisch.
Joachim Grimstad
♦
Following the increasing popularity of Deep Learning (DL) methods, many experts are investigating the applicability of DL techniques for anomaly detection.
However, in most cases, these techniques are applied in a rather brute-force manner.
They ignore essential and, in many cases, apriori known information about the system structure and behavior.
Especially, they assume to take every possible connecting point into consideration, which is not efficient while modern cyber-physical systems could have thousands of potential assess points to be connected to.
The student will investigate several Simulink models as examples, and research a general solution for getting the best optimized access points given existing models.
The expected deliverable is a program that takes simulation models as input, analyzes the system architecture, and outputs the identification of suitable access points for anomaly detection.
The result can be verified with fault injection experiments.
1. literature research of related mbsa methods, such as dynamic fault trees, bayesian network, reachability analysis, importance metrics
2. Scenario study, get familiar with different case study models and corresponding simulations.
3. Test different approaches to the models
4. Compare the results of different approaches
Matlab/Simulink
Sheng Ding
♦
Grüner Wasserstoff und seine Folgeprodukte erhalten in der aktuellen Klimastrategie immer mehr Aufmerksamkeit. Diese Produkte werden mit den Power-to-X-Verfahren (PtX) hergestellt und als wichtiger Schritt in Richtung Klimaneutralität gesehen. Das Institut für Automatisierungstechnik und Softwaresysteme ist an dem PtX-Wind-Verbundprojekt beteiligt und beschäftigt sich hier mit der Erforschung innovativer Automatisierungskonzepte wie etwa Digitaler Zwillinge, Teleoperationssysteme und Prozessleitsysteme für zukünftige PtX-Plattformen im Offshore-Bereich. Das übergeordnete Ziel ist es, einen sicheren, stabilen und wirtschaftlichen Prozess zu ermöglichen. Die Erfüllung dieses Ziels führt in Kombination mit einer Offshore-PtX-Versuchsplattform und hochdynamischen Winderzeugungsprozessen zu neuen Herausforderungen hinsichtlich der Überwachung und Steuerung der PtX-Prozesse. Dabei dient der Digitale Zwilling zur virtuellen Abbildung der realen PtX-Plattform und bedient Anwendungen wie etwa die betriebsparallele Simulation oder Predictive Maintenance, um unteranderem das oben genannte Ziel zu ermöglichen. Der Predictive Maintenance, also der Vorhersage und Prävention von Ausfällen von Komponenten kommt dabei eine besondere Bedeutung zu.
Auf Basis von maschinellem Lernen und Simulationsmodellen soll das Verhalten von Systemkomponenten vorhergesagt und analysiert werden. Zunächst sollen bestehende Ansätze aus der Literatur identifiziert und analysiert werden. Dabei soll Suchbegriffe wie etwa „Greybox“ oder „Rest-Lebensdauer-Modelle“ (engl. remaining useful life (RUL)) beachtet werden. Anschließend soll ein Verfahren konzeptioniert werden, welches es ermöglicht die Prozessdaten für Predictive Maintenance zu nutzen. Darauf aufbauend soll die Integration von Predictive Maintenance Methoden, also das Vorhersagen und präventiveren von Ausfällen von Komponenten konzipiert werden. Ein erster Schritt umfasst die Datenaufbereitung um die Prozessdaten für die Methoden des Predictive Maintenance nutzbar zu machen. Hierzu soll nach dem Knowledge Discovery in Databases (KDD) Prozess vorgegangen werden.
• Interesse an innovativen Prozessen
• Selbstständiges und verantwortungsbewusstes Arbeiten
• Gute Deutsch- und Englischkenntnisse
Daniel Dittler
♦
Following the increasing popularity of Deep Learning (DL) methods, many experts are investigating the applicability of DL techniques for anomaly detection.
However, in most cases, these techniques are applied in a rather brute-force manner.
They ignore essential and, in many cases, apriori known information about the system structure and behavior.
Especially, they assume to take every possible connecting point into consideration, which is not efficient while modern cyber-physical systems could have thousands of potential assess points to be connected to.
The student will investigate several Simulink models as examples, and research a general solution for getting the best optimized access points given existing models.
The expected deliverable is a program that takes simulation models as input, analyzes the system architecture, and outputs the identification of suitable access points for anomaly detection.
The result can be verified with fault injection experiments.
1. literature research of related mbsa methods, such as dynamic fault trees, bayesian network, reachability analysis, importance metrics
2. Scenario study, get familiar with different case study models and corresponding simulations.
3. Test different approaches to the models
4. Compare the results of different approaches
Matlab/Simulink
Sheng Ding
♦
Die steigenden Konfigurationsmöglichkeiten in Softwaresystemen, sowie Anforderungen an eine kontinuierliche Erweiterung und Verbesserung führen zu einer hohen Software-Varianz in Raum und Zeit. Beispiele sind hierzu der Linux-Kernel, das Android-Betriebssystem, oder auch die Software in modernen, software-definierten Fahrzeugen.
Diese Varianz erhöht die Komplexität der Entwicklung, dem Testen und dem Verwalten von Softwaresystemen, die es zu beherrschen gilt. Dazu werden Konzepte des Software Product Line Engineering (SPLE) betrachtet, die auf einer gemeinsamen Code Basis aufsetzten, aus welcher die verschiedenen Softwarevarianten generiert werden können. Diese Ansätze ermöglichen eine Wiederverwendbarkeit von Softwareartefakten und somit eine effiziente Softwareentwicklung.
Für die Untersuchung von Software-Produktlinien (SPL), deren Vorteile, sowie Herausforderungen bei der Verwaltung von Softwarevarianten, soll im Rahmen dieser Arbeit eine SPL aufgesetzt werden. Dazu sollen zunächst, bereits in der Literatur diskutierte, SPL-Ansätze zur Verwaltung von Softwarevarianten herausgearbeitet, verglichen und bewertet werden. Anschließend soll ein Anwendungsfall konzipiert werden, der die Komplexität und Varianz in einer Software widerspiegelt. Dieser Anwendungsfall soll mit Hilfe eine SPL prototypisch umgesetzt werden und abschließend evaluiert werden.
Sehr gute Studienleistungen
Selbstständiges Arbeiten
Sehr gute Englischkenntnisse
Programmierkenntnisse (bevorzugt in C++)
Johannes Stuempfle
♦
Deep learning performs remarkably well on many time series analysis tasks recently. The superior performance of deep neural networks relies heavily on a large number of training data to avoid overfitting. However, the labeled data of real-world time series applications may be limited, especially anomaly detection. As an effective way to enhance the size and quality of the training data, data augmentation is crucial to the successful application of deep learning models on time series data. In this thesis, the student will systematically review different data augmentation methods for time series anomaly detection.
The student will implement data augmentation on different CPS anomaly detection datasets and evaluate the results.
1) Literature research of existing anomaly detection datasets in Cyber-Physical Systems.
2) Literature research of state-of-the-art data augmentation method.
3) Categorization of the datasets according to the application field and characteristics.
4) Extract normal and abnormal patterns from real-world data.
5) Transform the extracted patterns into synthetic data.
6) Evaluation of the augmented dataset.
python
Sheng Ding
♦
Nowadays, deep-learning-based methods for anomaly detection and diagnosis are attracting more and more attention. To make research results into the application, a good way of demonstration is to develop a service for a certain kind of task. In this thesis, the student will train neural networks on multivariate time series data from CPS systems for anomaly detection using existing code. The highlighted part is to deploy it as a containerized REST API. The use case is where externally collected sensor data is streamed to the API for near real-time anomaly detection analysis.
1) Train different models for the dataset using existing code.
2) Put the existing code for processing data in a REST API using the Flask framework.
3) Visualization of the data and detection.
4) Deploy it within a Docker container.
5) Optional: Use Kubernetes for exposing the API as a service.
python
Sheng Ding
♦
Co-Simulation ist ein probates Mittel um dynamische und heterogene IoT-Systeme zu simulieren. Allerdings ergibt sich hierbei die Herausforderung, dass die verwendete Co-Simulation ebenfalls dynamische Ein- und Austritte von Komponenten zur Laufzeit zulässt um der Dynamik der IoT-Systeme gerecht zu werden. Hierzu entsteht ein neuartiges Co-Simulationskonzept am IAS welches „Plug-and-Simulate“-fähig ist.
Untersuchung von Co-Simulations-frameworks (bspw. Mosaik, EPOCHS) aus dem Bereich der Smart Grids hinsichtlich
- Grundsätzlicher Funktionsweise
- Schnittstellenaufbau
- Synchronisierung
Beispielhafte Implementierung einer solchen Co-Simulation
Belastbares Vorwissen bzgl. Simulation und Modellierung
Sehr gute Studienleistungen
Selbstständiges Arbeiten
Gute Englischkenntnisse
Tobias Jung
♦