Umgang mit unterschiedlichen Datenstrukturen für KI Anwendungen

Themenfeld

Im Rahmen des SPP2422 "Datengetriebene Prozessmodellierung in der Umformtechnik" ist dem IAS die Aufgabe zugewiesen worden, die Verformung dreidimensionaler Objekte mithilfe künstlicher Intelligenz zu schätzen. Konkret handelt es sich um tiefgezogenes Blech, das die Form einer Dose annimmt. Nach dem Tiefziehvorgang und der Entfernung überschüssigen Materials führt die mechanische Spannung in dem Objekt zu einer elastischen Rückfederung, die eine Verformung des Bauteils bewirkt. Das IAS beabsichtigt im Rahmen des Projekts, diese Rückfederung mittels Machine-Learning-Anwendungen zu erlernen und zu schätzen.

Aufgabenstellung

Eine Herausforderung besteht darin, dass wie in vielen Anwendungen die erste Trainingsphase mithilfe von syntethischen Daten erfolgt und die zweite mit realen. Diese Datenstrukturen unterscheiden sich, weswegen folgende Fragen zu untersuchen sind:
1. Sollten die synthetischen Daten auf die realen Daten abgestimmt werden, sodass sich das Modell nicht anpassen muss?
2. Sollten sich beide Datensätze anpassen und mithilfe von Preprocessing Verfahren eine neue Art der Daten erzeugen, auf das das Modell trainiert wird?
3. Ist es Sinnvoll eine Modell-Architektur zu wählen, die beide Datenstrukturen verarbeitet?

Vorkenntnisse

Belastbares Wissen in:
- Python (Pytorch, Jax, Numpy)
- Künstliche Intelligenz (Deep Learning)
- Mathematik

Ansprechpartner

Sebastian Baum

Analyse und Bewertung von Verfahren zur Extraktion von Vital- und Biofeedbackdaten aus fahrerbezogenen Videodaten

Themenfeld

Ziel ist es, eine Bewertung verschiedenen Verfahren aufzustellen, mit deren Hilfe aus Videodaten von Fahrern Vital- und Biofeedbackdaten extrahiert werden können. Die ausführliche, interdisziplinäre Recherche unter anderem mit Verfahren, wie zum Beispiel PPGI (Photoplethysmography Imaging), zur Herzfrequenz Messung. Es gilt verschiedene Verfahren zu finden, welche möglichst umfassend Vital-Parameter bereitstellen, und im Kontext Fahrer zu bewerten. Ziel ist neben einer ausführlichen Dokumentation auch die Umsetzung einzelner Verfahren zu Demonstrationszwecken

Aufgabenstellung

- Ausführliche und interdisziplinäre Recherche zu den benötigten Grundlagen und bekannten Verfahren
- Bewerten der verschiedenen möglichen Verfahren nach:
- deren Anforderungen an die benötigten Quell-Video Daten,
- deren Einschränkung und Genauigkeiten,
- Umsetzbarkeit und Implementierbarkeit im Kontext Fahrer und Fahrzeug
- Umsetzung einzelner Verfahren zur Demonstration
- Testen und Validieren der einzelnen Verfahren
- Ausführliche Auswertung, Interpretation und Dokumentation der Ergebnisse

Vorkenntnisse

- Gewünschter Studiengang und Studienschwerpunkte: Data Science, Informatik, Medical Engineering, Medizinische Informatik, Digitale Medizin oder vergleichbar
- Sprachkenntnisse: Deutsch und Englisch
- (A) Gute Programmierkenntnisse (Python)
- (A) Gute Erfahrungen im Bereich Daten Auswartung und Visualisierung
- (B) Grundkenntnisse Analyse und Verarbeitung von Video Daten
- (B) Grundkenntnisse im Bereich App Entwicklung (Android) hilfreich
- Soft Skills:
- (A) Selbstständige und strukturierte Arbeitsweise sowie Kommunikations- und Teamfähigkeit
- (A) Hohes Maß an Motivation sowie Bereitschaft zum eigenverantwortlichen Arbeiten
- (B) Schnelle Auffassungsgabe und starke konzeptionelle Fähigkeiten

Ansprechpartner

Baran Guel

Konzeptionierung eines Reinforcement-Learning-Ansatzes zur menschgestützten Ursachenanalyse in software-definierten Systemen

Themenfeld

Die moderne Systementwicklung ist geprägt von gestiegenen Kundenanforderungen und einem höheren Markt- und Zeitdruck. Die hierfür notwendigen Innovationen werden einerseits über einen höheren Software-Anteil in Produkten und andererseits über die Vernetzung von immer mehr bisher unabhängigen Systemen geschaffen, wodurch insgesamt heterogene und damit auch komplexere IT-Strukturen entstehen. Dies schlägt sich auch in der Automotive-Industrie nieder, in der über software-definiere Fahrzeuge neue Geschäftsmodelle erschlossen werden. Moderne E/E-Architekturen ermöglichen es dem Fahrzeug, mit seiner Umwelt zu kommunizieren sowie Daten während des Betriebs sammeln, die von den Herstellern anschließend zur Verbesserung der Fahr- oder Komfortdiensten genutzt werden können.

Zur Realisierung einer solchen Datenschleife ist eine automatisierte Analyse der sich im Betrieb befindlichen Software von zentraler Bedeutung. Eine zentrale Herausforderung ist dabei die Verknüpfung der im System auftretenden Ereignisse, um die Ursache etwaiger Fehler ermitteln zu können. Konventionelle Ansätze versagen dabei bei der Berücksichtigung von zeitlichem Verhalten sowie Kontextinformationen, die durch einen System-Ingenieur bereitgestellt werden können. Daher soll im Rahmen dieser Arbeit ein Reinforcement-Learning-Ansatz entwickelt werden, über den das Wissen des System-Ingenieurs sowie Informationen über Updates des Systems in die automatisierte Verknüpfung einfließen kann.

Aufgabenstellung

- Analyse existierender Ansätze zur Fehlerursachenanalyse
- Entwicklung eines Reinforcment-Learning-Ansatzes im Kontext einer software-definierten DevOps-Umgebung
- Integration in eine Analyse-Plattform für verteilte Cloud-Systeme
- Evaluierung des Konzepts anhand eines eigenen Datensatzes und dem Vergleich mit konventionellen Verfahren

Vorkenntnisse

- Sehr gute konzeptionelle Fähigkeiten
- Vorkenntnisse im Bereich Deep Learning und Markov-Ketten
- Grundlegende Kenntnisse im Software Engineering und bei IT-Systemen
- Gute Programmierkenntnisse
- Sehr gute Deutsch- und Englischkenntnisse

Ansprechpartner

Matthias Weiss

Konzeptionierung eines Reinforcement-Learning-Ansatzes zur selbst-adaptiven Anomalie-Detektion in software-definierten Systemen

Themenfeld

Die moderne Systementwicklung ist geprägt von gestiegenen Kundenanforderungen und einem höheren Markt- und Zeitdruck. Die hierfür notwendigen Innovationen werden einerseits über einen höheren Software-Anteil in Produkten und andererseits über die Vernetzung von immer mehr bisher unabhängigen Systemen geschaffen, wodurch insgesamt heterogene und damit auch komplexere IT-Strukturen entstehen. Dies schlägt sich auch in der Automotive-Industrie nieder, in der über software-definiere Fahrzeuge neue Geschäftsmodelle erschlossen werden. Moderne E/E-Architekturen ermöglichen es dem Fahrzeug, mit seiner Umwelt zu kommunizieren sowie Daten während des Betriebs sammeln, die von den Herstellern anschließend zur Verbesserung der Fahr- oder Komfortdiensten genutzt werden können.

Zur Realisierung einer solchen Datenschleife ist eine automatisierte Analyse der sich im Betrieb befindlichen Software von zentraler Bedeutung. Damit Änderungen oder aufkommende Fehler frühzeitig detektiert werden können, müssen daher die eingehenden Daten kontinuierlich auf Anomalien untersucht werden. Eine besondere Herausforderung stellt dabei die hohe Systemdynamik dar, die dazu führt, dass die eingesetzten Verfahren zur Anomalie-Detektion kontinuierlich aktualisiert werden müssen, um stets zuverlässige Alarmmeldungen ausgeben zu können. Da dies bisher mit einem hohen manuellen Aufwand verbunden ist, soll im Rahmen dieser Arbeit ein selbst-adaptiver Ansatz entwickelt werden, über den automatisiert geeignete Anomalie-Detektoren anhand der Systemeigenschaften ausgewählt und konfiguriert werden können.

Aufgabenstellung

- Analyse existierender Ansätze zur selbst-adaptiven Anomalie-Detektion
- Entwicklung eines eigenen Ansatzes im Kontext einer software-definierten DevOps-Umgebung
- Integration in eine Analyse-Plattform für verteilte Cloud-Systeme
- Evaluierung des Konzepts anhand eines eigenen Datensatzes und dem Vergleich mit konventionellen Verfahren

Vorkenntnisse

- Sehr gute konzeptionelle Fähigkeiten
- Vorkenntnisse im Bereich Deep Learning und Signalverarbeitung
- Grundlegende Kenntnisse im Software Engineering und bei IT-Systemen
- Programmierkenntnisse in Python
- Gute Deutsch- und Englischkenntnisse

Ansprechpartner

Matthias Weiss

Systematisches Testen von KI-basierten Systemen

Themenfeld

Testing of AI-based systems such as autonomous vehicles is challenging due to many situations and scenarios. Brute force is expensive and has gaps, as we see in practice. We thus use synthetic data for an AI-driven testing. This data covers real-world scenarios to train autonomous systems in a simulation-based environment. The training success is evaluated in a data loop and enhanced to close blind spots and unknown knowns. This thesis targets to integrate a requirements and test engine to an automated test system.

Aufgabenstellung

The goal of the thesis is to integrate existing parts of the system. A fully running system shall be implemented. The integration comprises verification and validation checks for the existing parts. Professional tools such as DOORS shall be used for industry-scale AI-based testing of autonomous systems.

Vorkenntnisse

Knowledge in Python
Industry-scale software engineering and tools
Work in a self-independent way
Passionate about clean and good quality code
Capable of integrating your work with other parts of the system

Ansprechpartner

Christof Ebert

Konstruktion und Realisierung eines Modellprozesses einer PtX-Offshore-Plattform

Themenfeld

Grüner Wasserstoff und Power-to-X-Verfahren (PtX) stellen wichtige Schlüsseltechnologien für die zukünftige Klimaneutralität dar. Durch den Offshore-Betrieb dieser Technologien und die Kombination mit hochdynamischen Winderzeugungsprozessen entstehen neue Herausforderungen, um einen sicheren und wirtschaftlichen verfahrenstechnischen Prozess zu ermöglichen. Am IAS soll dazu ein Modellprozess entwickelt werden, welcher die Präsentation von Konzepten wie etwa Digitaler Zwilling, Prozessleitsystem, etc. ermöglicht.

Aufgabenstellung

- Konstruktion eines transportablen und modularen Modellprozesses
- Berücksichtigung der Infrastruktur der unterschiedlichen zu präsentierenten Konzepte
- Realisierung des konstruierten Modellprozesses

Vorkenntnisse

- CAD-Kenntnisse erforderlich
- Selbstständig & verantwortungsbewusst
- Handwerkliche Geschicklichkeit

Ansprechpartner

Daniel Dittler

Untersuchung von Hybriden-Modellierungsansätzen zur Bestimmung der Restlebensdauer

Themenfeld

Die Anforderungen an Elektronik in Bezug auf die Verlängerung der Wartungs-intervalle und die Lebensdauer steigen. Für die Erfüllung dieser Anforderungen ist eine sehr gute Kenntnis aller beeinflussenden Faktoren notwendig. Die Zusammenhänge sind dabei für den Menschen nur schwer zu entdecken und herzustellen, weshalb Machine Learning eingesetzt werden soll.

Aufgabenstellung

Literaturrecherche über die bisherige Verwendung von Hybriden Modellen zur Lebensdauervorhersage in der Literatur
Konzeption einer beispielhaften Anwendung
Prototypische Umsetzung

Vorkenntnisse

Vorlesung TMS2 und ZSA
Selbstständiges Arbeiten
Gute Deutschkenntnisse
Gute Englischkenntnisse

Ansprechpartner

Maurice Artelt