Die herkömmliche Entwicklung von Testprogrammen für Analog Mixed Signal (AMS)-Schaltungen ist sowohl zeit- als auch kostenintensiv, zumal eine Validierung nur für physisch vorhandene Chips möglich ist. Das Testen erfolgt durch die Bereitstellung einer Reihe von Test-Inputs, die in ihrem Typ und ihrer optimalen Reihenfolge stark von der zu testenden Schaltung abhängig sind und daher Expertenwissen erfordern. Ein virtuelles Test-Framework, welches das Testen vor dem Tapeout ermöglicht und die Entwurfsphase durch frühzeitiges Feedback bezüglich der Erfüllung der Schaltungsspezifikationen unterstützt, ist daher sehr erstrebenswert.
Aktueller Stand: Ein Framework in Python wurde um den Simulator Siemens Questa (ursprünglich Mentor Graphics) entwickelt. Für die Simulation werden verschiedene Modelle von AMS-Schaltungen, Testgeräten und Signalübertragungswegen verwendet. Diese Modelle sind als Verilog-AMS-Module implementiert und fungieren als konfigurierbare Bibliothek. Derzeit wird das Framework über Python-API-Aufrufe gesteuert.
Das Ziel dieser Masterarbeit ist die Entwicklung einer grafischen Benutzeroberfläche (GUI) in Matlab Simulink zur Erstellung eines Testaufbaus mit automatischem Netzlistenexport. Diese Schnittstelle soll ähnlich wie elektrische Schaltplaneditoren funktionieren und intuitiv zu bedienen sein. Ein wichtiger Aspekt sollte die Erweiterbarkeit für zukünftige Komponenten sein.
Im Rahmen dieser Arbeit werden die folgenden Aufgaben angegangen:
1. Durchführung von Literaturrecherchen zu
a. Chiptest und virtuellem Chiptest, sowie
b. Grafischen Benutzeroberflächen und GUI-Design in Matlab Simulink.
2. Entwicklung der GUI-Elemente für den Testaufbaugenerator. Dies beinhaltet:
a. Ein Schaltplan-Editor zum Verbinden verschiedener Komponenten
b. Ein Komponenten-Editor zum Erstellen von Komponenten
c. Ein Parametrierungs-Overlay für die Komponenten und ein Kompatibilitäts-Checker
3. Entwicklung eines Datenaustauschformats zur Speicherung von Komponenten und Setup-Konfigurationen
4. Entwicklung von Parsern zum Speichern und Laden von Konfigurationen/Netzlisten
- Sehr gute konzeptionelle Fähigkeiten
- Grundlegende Kenntnisse im Software Engineering
- Erste Erfahrungen mit Matlab/Simulink
- Sehr gute Deutsch- und Englischkenntnisse
Thorben Schey
♦
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.
- 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
- 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
Matthias Weiss
♦
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.
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.
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
Christof Ebert
♦
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
♦