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.
- Konstruktion eines transportablen und modularen Modellprozesses
- Berücksichtigung der Infrastruktur der unterschiedlichen zu präsentierenten Konzepte
- Realisierung des konstruierten Modellprozesses
- CAD-Kenntnisse erforderlich
- Selbstständig & verantwortungsbewusst
- Handwerkliche Geschicklichkeit
Daniel Dittler
♦
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
♦
Zur Realisierung der Interoperabilität im Bereich der industriellen Automatisierung wurde von der Plattform Industrie 4.0 die Verwaltungsschale als standardisierte Implementierung des digitalen Zwillings vorgeschlagen. Die Verwaltungsschale macht den Informationsfluss zwischen den Endpunkten transparent und beherrschbar und enthält alle für eine Anlage, ihren Lebenszyklus und ihre technischen Funktionen relevanten Informationen. In einer Verwaltungsschale werden sowohl Eigenschaften als auch Funktionen in so genannten Teilmodellen zusammengefasst, von denen jedes einen bestimmten, für ein Asset relevanten Aspekt beschreibt, z. B. Energieeffizienz, Positionierung, Dokumentation, Wartung usw. Ziel ist es dabei, für jeden Aspekt einer Anlage ein Submodell zu standardisieren.
Ziel dieser Arbeit ist es, ein Konzept für die Implementierung einer Verwaltungsschale zu entwickeln, mit denen Softwarefunktionen in den Einsatzszenarien standardisiert und im Betrieb verbessert werden können.
- Selbstständiges, wissenschaftliches Arbeiten
- Gute Mathe- und Programmier-Kenntnisse
- Gute Englischkenntnisse
Baran Guel
♦
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.
Literaturrecherche über die bisherige Verwendung von Hybriden Modellen zur Lebensdauervorhersage in der Literatur
Konzeption einer beispielhaften Anwendung
Prototypische Umsetzung
Vorlesung TMS2 und ZSA
Selbstständiges Arbeiten
Gute Deutschkenntnisse
Gute Englischkenntnisse
Maurice Artelt
♦
Im Kontext von Industrie 4.0 ist eine hohe Individualisierung der Produktion gefordert, diese Produktion wird zukünftig immer mehr mit Hilfe sogenannter Cyber-Physischer Produktionssysteme (CPPS) realisiert. Durch den verstärkten Bedarf kleine Losgrößen zu realisieren und die Unmöglichkeit der Vorhersage aller Ziele eines Systems zur Entwicklungszeit kommt der Rekonfiguration von CPPS eine immer größere Bedeutung zu.
- Einarbeitung in das Forschungsthema des Betreuers (Rekonfigurationsmanagement von CPPS) sowie in das Reinforcement-Learning.
- Entwicklung eines Reinforcement Learning-Verfahrens zur intelligenten Generierung von diskreten Fertigungs-Services für Cyber-Physische Produktionsmodule.
- Falls nötig, Definition einer geeigneteren HW/SW-Struktur.
- Implementierung und Integration in das bestehende CPPS.
- Sehr gute Kenntnisse im KI-Bereich (RL von Vorteil)
- Selbstständiges, wissenschaftliches Arbeiten
- Sehr gute Mathe- und Programmier-Kenntnisse
- Gute Deutsch- und Englischkenntnisse
Daniel Dittler
♦
Sicherheitslücken aufgrund von Fehlern in cyber-physischen Systemen haben weitreichende Konsequenzen, einschließlich physischer Schäden. Ein Schwerpunkt des IAS besteht darin, herauszufinden, wie Cybersicherheit in solchen cyber-physischen Systemen zuverlässig und effizient erreicht werden kann.
Eine Werkzeug-Umgebung für Cybersecurity Analyse und Grey-Box Penetration-Test soll entwickelt werden. Dazu wird halb-automatisch eine TARA anhand von Architektur- und Design-Eigenschaften erstellt. Aus den Risiko-Punkten, z.B. Schnittstellen, SW-Komponenten, etc. werden mit einem Bot halbautomatisch Testfälle abgeleitet, die anhand von KPI für Effizienz und Wirksamkeit optimiert werden.
Vorlesung SER
Cybersecurity Kenntnisse
Selbstständiges Arbeiten
Englischkenntnisse: Die MT wird in englischer Sprache geschrieben.
Simon Kamm
♦