Neuronale Operatoren (z. B. Fourier Neural Operator, DeepONet) lernen Abbildungen zwischen Funktionenräumen und ersetzen zunehmend teure numerische Simulationen. In der Praxis weicht der reale Prozess jedoch stets von der Simulation ab, und reale Messungen sind selten, verrauscht und oft nur unvollständig verfügbar. Im Rahmen dieser Arbeit wird untersucht, wie ein auf Simulationsdaten vortrainierter Operator mit wenigen, nur teilweise überdeckten Beobachtungen des realen Systems korrigiert werden kann (Residual- bzw. Delta-Modellierung, Sim-to-Real-Transfer). Die Arbeit legt hierfür die methodische Grundlage auf öffentlichen Referenzproblemen des Operatorlernens.
Zunächst ist ein neuronaler Operator auf einem etablierten Referenzproblem (z. B. Darcy-Flow) zu trainieren. Anschließend ist ein synthetischer Sim-to-Real-Versatz zu erzeugen, etwa durch gestörte Koeffizienten oder zusätzliche Terme im Referenzmodell. Kern der Arbeit ist die Umsetzung und der Vergleich von Verfahren zur Residualkorrektur des vortrainierten Operators aus wenigen Beobachtungen, wobei die Beobachtungen durch Maskierung nur teilweise überdeckt vorliegen. Der Zusammenhang zwischen Beobachtungsüberdeckung, Anzahl der Messungen, Rauschniveau und erreichbarer Korrekturgüte ist systematisch zu quantifizieren. Als Referenzverfahren ist mindestens eine Gauß-Prozess-Regression mitzuführen. Die entstehende Evaluationsumgebung soll wiederverwendbar aufgebaut werden.
Sichere Python-Kenntnisse und Erfahrung mit einem Deep-Learning-Framework (PyTorch bevorzugt); Grundlagen des maschinellen Lernens; Interesse an numerischer Simulation und wissenschaftlichem Rechnen. Vorkenntnisse zu neuronalen Operatoren oder Gauß-Prozessen sind hilfreich, aber keine Voraussetzung.
Sebastian Baum
♦
Beim Tiefziehen zylindrischer Bauteile entstehen am Rand periodische Formabweichungen, sogenannte Zipfel. In einer Serienanlage kann die Randkontur h(φ) messtechnisch oft nur auf Teilbögen erfasst werden, und je nach Messposition ist die Winkelorientierung des Bauteils relativ zum Werkzeug unbekannt. Im Rahmen dieser Arbeit stellt sich damit ein klar umrissenes Schätzproblem: Wie gut lässt sich eine periodische Kontur aus partiellen, verrauschten Beobachtungen rekonstruieren, und unter welchen Bedingungen kann die unbekannte Verdrehung aus der charakteristischen, ungleichen Ausprägung der Zipfel selbst geschätzt werden?
Auf Basis synthetischer Konturdaten (parametrische Testkonturen sowie Konturen aus Finite-Elemente-Vorläufen) ist ein Schätzverfahren für die Rekonstruktion von h(φ) aus Teilbögen zu implementieren und dessen Konditionierung in Abhängigkeit der Überdeckung zu analysieren. Anschließend ist die Registrierung der unbekannten Verdrehung über den Abgleich mit der asymmetrischen Zipfelsignatur umzusetzen (z. B. Kreuzkorrelation) und deren Erfolgswahrscheinlichkeit als Funktion von Asymmetriegrad, Rauschniveau und Überdeckung systematisch zu quantifizieren. Die Ergebnisse fließen unmittelbar in die Auswahl der Messposition im Projekt ein. Optional (Forschungsarbeit) kann die Verdrehung alternativ als latente Größe probabilistisch behandelt werden.
Sichere Python-Kenntnisse (NumPy/SciPy); Grundlagen der Signalverarbeitung oder Schätztheorie (Fourier-Analyse, Regression); strukturierte, mathematisch saubere Arbeitsweise. Kenntnisse in Umformtechnik sind nicht erforderlich.
Sebastian Baum
♦
Modulare Verfahrenstechnische Anlagen, wie bspw. die Offshore PtX-Anlage aus dem Projekt H2Mare, weisen ein hohes Maß an Komplexität auf. Das Bedienpersonal benötigt umfangreiches Prozess- und Anlagenwissen, um die Prozessführung sicher zu beherrschen und im Störungsfall angemessen zu reagieren. Die erforderlichen Informationen sind jedoch über eine Vielzahl heterogener Quellen verteilt: Betriebshandbücher, Signal- und Alarmlisten sowie Wartungsunterlagen, die manuell durchsucht werden müssen. Erfahrungen aus Offshore-Testkampagnen zeigen, dass der Umgang mit Alarmfluten, Systemstörungen und Diagnoseprozessen erhebliches Verbesserungspotenzial hinsichtlich Effizienz und Zuverlässigkeit bietet.
Eine Besonderheit modularer Anlagen nach VDI/VDE/NAMUR 2658 ist, dass Anlagenstruktur, Dienstbeschreibungen, Zustandsautomaten, Meldungen und die OPC-UA-Adressierung im Module Type Package (MTP) bereits maschinenlesbar vorliegen. Diese Quelle bleibt von dokumentenzentrierten Assistenzansätzen bislang ungenutzt.
Generative Künstliche Intelligenz (GenAI) eröffnet hier neue Perspektiven: Bedienerassistenzsysteme, die Live-Prozessdaten, Alarmhistorien, formalisierte Modulbeschreibungen und Erfahrungswissen zusammenführen und das Bedienpersonal bei Diagnose, Entscheidungsfindung und Instandhaltung unterstützen.
Im Rahmen dieser Arbeit soll ein GenAI-basiertes Bedienerassistenzsystem konzipiert und prototypisch umgesetzt werden, das Bedienpersonal bei Überwachung, Diagnose, Instandhaltung und Fehlerbehebung unterstützt. Auf Basis von Live-Prozessdaten, Alarmmeldungen, MTP-Modulbeschreibungen und Anlagendokumentation soll es kontextbezogene Handlungsempfehlungen, Fehleranalysen und Entscheidungsunterstützung bereitstellen.
Ziel ist eine generelle, übertragbare Architektur für GenAI-Assistenzsysteme modularer Prozessanlagen auf Basis von OPC UA und MTP. Das Konzept soll auf LLM- und RAG-Technologien aufbauen, über eine Werkzeugschnittstelle gezielt auf Prozess- und Wissensquellen zugreifen und die maschinenlesbaren MTP-Beschreibungen als primäre Quelle für Anlagenstruktur und Datenpunktsemantik nutzen. Da die Zielumgebung eine weitgehend unbemannte Offshore-Plattform mit begrenzter Netzanbindung ist, soll das System vollständig lokal auf Edge-Hardware betrieben werden.
Entwicklung und Validierung erfolgen exemplarisch an einer modularen PtX-Modellanlage mit einem SIMATIC PCS neo Prozessleitsystem am IAS.
Deine Aufgaben:
- Einarbeitung in GenAI-Ansätze (LLMs, RAG) sowie in die modulare Automatisierung nach MTP
- Entwurf einer modularen, erweiterbaren Schichtenarchitektur
- Anbindung an das Prozessleitsystem und Aufbau der Wissensbasis
- Prototypische Umsetzung eines Demonstrators inkl. Benutzerschnittstelle
- Bewertung hinsichtlich Praxistauglichkeit, Robustheit und Übertragbarkeit
- Selbstständige und wissenschaftliche Arbeitsweise
- Grundkenntnisse über Aufbau und Funktion von Prozessleitsystemen für die Anlagenautomatisierung
- Interesse an generativer KI und deren Anwendung im industriellen Umfeld
- Erste Erfahrungen mit LLMs und RAG-Systemen von Vorteil
- Vertrautheit mit Standards wie OPC UA oder MTP von Vorteil
- Programmierkenntnisse in Python von Vorteil
Peter Pfeiffer
♦
Das Ziel dieser Arbeit ist die Entwicklung eines Frameworks zur Konsequenz-Antizipation für autonome mobile Roboter (AMR) mit Einsatz im autonomen Patiententransport [1]. Im Gegensatz zur klassischen Hindernisvermeidung soll das System potenzielle Folgewirkungen von Handlungen in mindestens drei Dimensionen vorhersagen: physikalisch (z.B. Ausbreitung von Flüssigkeiten bei Rohrbrüchen), normativ (z.B. Verletzung von Sicherheitszonen oder Etikette) und sozial (z.B. Beeinträchtigung von Personenströmen/Aufkommen). Durch die Integration dieser Antizipationsfähigkeiten soll der Roboter proaktiv Entscheidungen treffen, die über die unmittelbare Kollisionsfreiheit hinausgehen und langfristige systemische Risiken minimieren.
Im Rahmen dieser Forschungsarbeit soll ein konzeptioneller Ansatz entwickelt werden, der es einem AMR ermöglicht, die Konsequenzen seiner Interaktion mit der Umwelt zu modellieren. Im Rahmen dieser Forschungsarbeit soll systematisch untersucht werden, welche Modellklassen sich für die Antizipation physikalischer, normativer und sozialer Konsequenzen eignen. Die Arbeit umfasst insbesondere die Einarbeitung in mögliche Architekturen und Modelle. Die theoretische Differenzierung der Konsequenzen erfolgt in Absprache mit der Betreuerin. Zur exemplarischen Validierung werden Szenarien ausgearbeitet, in denen die Antizipation einen messbaren Vorteil gegenüber reaktiven Systemen bietet (z. B. Erkennen eines Lecks und Antizipation der Wasserfläche vs. bloßes Stoppen vor dem Wasser); die Umsetzung in NVIDIA Isaac Sim ist optional. Abschließend soll ein Konzept für die Integration der Prädiktion in das autonome Patiententransportsystem erarbeitet werden. Aktuelle Entwicklungen (z. B. Latent-Planning mit JEPA-Modellen, NVIDIA Cosmos als World Foundation Models) sind zu berücksichtigen.
- Python
- Vorkentnisse oder Interesse an Arbeit in Simulationsumgebung (Isaac Sim)
Kathrin Fleissner
♦