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
♦
Vision-Language-Action Models (VLAs) können für die intelligente Robotersteuerung anhand von Bilddaten und sprachlichen Instruktionen eingesetzt werden. Um die Modelle auf einen spezifischen Aufbau anzupassen, wird ein allgemeiner Checkpoint auf einen Datensatz dieses Aufbaus trainiert.
Es existieren bereits einige Datensätze, um das Verhalten eines Roboterarms in Tabletop-Szenarien zu trainieren. Auch für die Prüfung der Robustheit gibt es bereits Ansätze.
Allerdings gibt es noch keinen Datensatz für die Untersuchung des Modellverhaltens bei der Konfrontation mit widersprüchlichen Anweisungen oder Szenarien. Ein solcher Datensatz soll in dieser Arbeit konzeptioniert und erstellt werden.
In dieser Forschungsarbeit soll ein Datensatz erstellt werden, der das VLA mit widersprüchlichen oder unmöglichen Szenarien konfrontiert. Dazu werden in einer Literaturrecherche vorhandene Datensätze aufgezeigt und hinsichtlich ihrer Aussagekraft über die Robustheit eines VLAs bewertet. Zudem sollen weitere Ansätze aufgezeigt werden, mit denen die Robustheit dieser Systeme erhöht werden kann.
Der dann zu entwickelnde Datensatz ist auf einem bestehenden Framework (LIBERO) aufzubauen. Diese ermöglicht das Hinzufügen eigener Objekte und Szenen. Die erstellten Szenarien sollen den Roboter mit unmöglichen Aufgaben konfrontieren, zum Beispiel das Aufheben von Objekten, die auf dem Tisch nicht vorhanden sind oder die außerhalb der Reichweite des Roboters platziert sind.
In der Evaluierung sollen verschiedene Modelle hinsichtlich ihrer Verhalten verglichen werden. Denkbare Verhaltensmuster bei der Konfrontation mit unmöglichen Szenarien wären das Verweilen in einer neutralen Haltung, die Ausführung der nächstbesten Aufgabe oder das Suchen nach einem Lösungsweg.
- Python
- JSON
- KI-Erfahrungen (LLM, VLM)
- Interesse an Robotik
Nico Wilhelm
♦
Im Forschungsfeld der intelligenten Robotersteuerung bieten Vision-Language-Action Models (VLAs) große Potenziale. Sie übersetzen Bild- und Spracheingaben direkt in konkrete Roboteraktionen und können so sehr effektiv für die Robotersteuerung eingesetzt werden.
Um auch komplexe Aufgaben lösen zu können, bedarf es jedoch eines eigenen Reasoning-Prozesses. Dieser kann durch eine Erweiterung der bestehenden Architektur um externe Mechanismen bei der Bearbeitung komplexer Instruktionen implementiert werden. So sinken die Anforderungen an die Reasoning-Fähigkeiten des VLAs selbst, sodass hier auch kleinere Modelle mit geringeren Leistungsanforderungen für eine effiziente Inferenz eingesetzt werden können.
In dieser Arbeit soll ein Konzept entwickelt werden, mit dem Sprachanweisungen für einen Roboter in kleinere Teilziele untergliedert werden. Dazu muss zunächst eine Literaturrecherche zu bestehenden Ansätzen (LLM-Planner, Chain-of-Thought Ansätze) durchgeführt werden. Auf Basis dieser Recherche soll ein eigenes Konzept entwickelt und in einem prototypischen System implementiert werden.
- Python
- KI-Erfahrung (LLM, VLM)
Nico Wilhelm
♦
Für den Einsatz von Robotern in der Automatisierungstechnik müssen diese auch in unvorhergesehen Situationen zuverlässig sichere Entscheidungen treffen. Für verschiedene Robotertypen und Anwendungen müssen dabei verschiedene Sicherheitsmechanismen implementiert werden: Während ein mobiler Roboter im Notfall abgeschaltet werden und stehenbleiben kann, führt das Abschalten bei einem humanoiden Roboter potenziell zu einer Beschädigung desselben.
Um das optimale Verhalten in nicht lösbaren oder sicherheitskritischen Situationen für verschiedene Robotertypen zu definieren, bedarf es einer Klassifizierung (Taxonomie) der verschiedenen Fälle.
In der Forschungsarbeit soll eine Taxonomie entwickelt werden, anhand derer das Soll-Verhalten von Robotern in unlösbaren oder kritischen Situationen klassifiziert werden kann. Dabei sollen verschiedene Robotertypen (humanoid, Greifarm, mobil) sowie verschiedene Anwendungen betrachtet werden.
In einer Literaturrecherche sollen bestehende Taxonomien untersucht werden, bevor eine eigene Taxonomie ausgearbeitet wird, die den Robotertypen und Domänen verschiedene Soll-Verhalten zuordnet. Mögliche Soll-Verhalten bei der Konfrontation mit einer unmöglichen Aufgabe wären zum Beispiel das Erfüllen des nächstbesten Ziels, ein Abschalten, Stillhalten oder das Einnehmen einer neutralen Position.
Außerdem soll ein Konzept für einen Datensatz skizziert werden, der diese Taxonomie abbildet. Dafür werden unmögliche Szenarien entworfen und die verschiedenen Soll-Verhaltensweisen darin abgebildet.
- Wissen über das Durchführen einer Literaturrecherche
- KI-Erfahrung (LLM, VLM)
Nico Wilhelm
♦