Theses

Hintergrund:

• Die stoffliche Verwertung recycelbarer Abfälle wird immer wichtiger, um Energie und fossile Brennstoffe einzusparen und natürliche Ressourcen zu schonen – ein Anliegen, das auch politisch unterstützt wird. Dabei liegt ein Fokus auf der Senkung des Energieverbrauchs bei der Trennung und Sortierung von Abfällen, die für das Recycling genutzt werden sollen.
  
  
• Im Projekt EnSort (Energieeffiziente Sortieranlage) soll der Energieaufwand von Maschinen, die im komplexen Sortierprozess verwendet werden, mithilfe von KI-basierter Materialerkennung optimiert werden. Ziel ist es, den Sortierprozess für recycelbare Materialien effizienter zu gestalten und die Anlage an unterschiedliche Qualitäten des Abfallmaterials flexibel anzupassen. Dies wird durch die Digitalisierung des bisher manuell gesteuerten Prozesses ermöglicht.

Problemstellung:

• Für die Entwicklung eines Digitalen Zwillings, um die Gesamtanlage zu simulieren, ist die Prognose der Sortierergebnisse der Nahinfrarot-Sortieraggregate notwendig. Diese hochtechnologischen Geräte, welche als Kernelemente jeder Sortieranlage eigesetzt werden, klassifizieren mittels Nahinfrarot-Spektroskopie verschiede Materialien auf dem darunterliegenden Fließband in Sekundenbruchteilen und separieren diese im Anschluss mittels Druckluft in die verschiedenen Materialfraktionen

Zielsetzung:

• Darstellung des Stands der Technik bezüglich geeigneter Methoden für die Datenvorverarbeitung und Machine Learning-Algorithmen
• Evaluieren verschiedener Maschinenkenngrößen und Zusammenstellen des Testdatensatzes
• Data preprocessing zur Optimierung der Datenverarbeitung
• Umsetzung verschiedener Algorithmen mit anschließendem Vergleich mithilfe verschiedener Kenngrößen

Voraussetzungen:

• Kenntnisse in der Datenverarbeitung und Python
• Interesse an Nachhaltigkeit und Kunststoffrecycling
• Erfahrung im Maschinellen Lernen
• Selbstständige und verantwortungsbewusste Arbeitsweise

Ansprechpartner:

BIBA - Bremer Institut für Produktion und Logistik GmbH
Informations- und kommunikationstechnische Anwendungen in der Produktion (IKAP)
Marcel Wiechmann
E-Mail: wim@biba.uni-bremen.de
Tel.: 0421 / 218 - 64864

Hintergrund:

• Kollaborative Mensch-Roboter Arbeitsplätze gewinnen zunehmend an Bedeutung in der industriellen Produktion
• Effiziente Bearbeitung von Prozessen erfordert engere Zusammenarbeit zwischen Mensch und Roboter

Aufgabenbeschreibung:

• Recherche zur kollaborativen Montage, zu Sprachverarbeitung und zu Roboter-Fähigkeiten
• Entwicklung und Implementierung von Ansätzen zur Kommunikation erkannter Befehlsanweisung
• Integration der entwickelten Softwarekomponenten in eine No-Code-Umgebung zur Steuerung von Montagerobotern
• Evaluierung der entwickelten Feedbackmethoden im Hinblick auf Nutzerfreundlichkeit

Voraussetzung:

• Studium in Systems Engineering oder Produktionstechnik
• Gute Programmierkenntnisse (vzw. in React)
• Sehr gute Deutsch- und Englischkenntnisse
• Methodische, strukturierte Arbeitsweise
• Selbstständiges Arbeiten und hohe Zuverlässigkeit

Ansprechpartner:

BIBA, Forschungsbereich: Intelligente Produktions- und Logistiksysteme (IPS)
Jannik Liebchen
E-Mail: lie@biba.uni-bremen.de
Tel.: 0421 / 218 - 50111

Hintergrund:

• Fertigende Industriebetriebe und Lohnfertiger stehen heute in großer Konkurrenz zueinander.
• Eine hohe Auslastung der Maschinen bei gleichzeitiger hoher Liefertreue stellen große Anforderungen an die Produktionsplanung.

Zielsetzung:

• Auf Basis einer von Industriepartnern bereitgestellte Fallstudie soll eine Planungsanwendung mit diesen spezieller Herausforderungen prototypisch entwickelt und validiert werden.

Aufgabenbeschreibung:

• Systemanalyse und Lösungsdesign für Planungsmethode
• Implementierung einer mathematischen Optimierung für das Planungsproblem
• Evaluation der Anwendung

Voraussetzung:

• Gute Programmierkenntnisse in Python
• Erste Erfahrung in mathematischer Programmierung wünschenswert
• Offen für neue Herausforderungen
• Sehr gute Deutsch- und Englischkenntnisse
• Hohe Motivation und Selbstständigkeit

Ansprechpartner:

BIBA, Forschungsbereich: Data Analytics und Prozessoptimierung
Lennart Steinbacher
E-Mail: stb@biba.uni-bremen.de
Tel.: 0421 / 218 - 50092

Motivation:

Unternehmen stehen bei der Implementierung und Entwicklung technischer Systeme häufig vor der Herausforderung eine anforderungsgerechte Auswahl unter den verschiedenen Lösungen zu treffen. Zur Unterstützung der Beteiligten bietet es sich an, den Auswahlprozess z.B. mit einem Expertensystem zu automatisieren, wofür die unterschiedlichen Lösungen zunächst digital erfasst und abgebildet werden müssen.

Problemstellung:

Häufig existiert eine große Variantenvielfalt mit einer Vielzahl von Systemeigenschaften und Ausprägungen, wobei oftmals verschiedene Bezeichnungen für gleiche Systemmerkmale oder deren Ausprägungen verwendet werden. Die Katalogisierung ist zeitaufwändig und von häufig wiederkehrenden Arbeitsschritten geprägt. Sich ändernde Produktangebote erschweren darüber hinaus die Aktualität der Kataloge zu gewährleisten. Webcrawler und einheitliche, maschinenlesbare Schemata können hierbei Abhilfe schaffen. Aus dieser Problematik kann der Bedarf nach einer Methode formuliert werden, die den effizienten Aufbau eines Lösungskatalogs ermöglicht und niederschwellig zugänglich macht.

Zielsetzung:

Im Rahmen der Arbeit soll ein System zur Katalogisierung variantenreicher Produkte entwickelt werden. Im Detail sollen dabei folgende Teilziele erreich werden.

• Recherche zum technischen Stand der Abbildung variantenreicher Lösungen im Kontext Semantic Web
• Konzeption einer Vorgehens zum Übertragen von Systemeigenschaften in Datenstrukturen für das systematische Katalogisieren variantenreicher Lösungen
• Umsetzung einer Nutzerschnittstelle für die Definition einheitlicher Schemata und Katalogisierung der Lösungen
• Funktioneller Nachweis durch exemplarisches Abbilden von Exoskeletten oder FTF
• Evaluation der Usability in einer Nutzerstudie

Voraussetzung:

• Abgeschlossenes Bachelorstudium (Produktionstechnik oder Systems Engineering)
• Bachelorarbeit mit der Note „Sehr gut"
• Gute Englischkenntnisse (wichtig für das Verstehen von wissenschaftlichen Papieren)
• Sehr gute Deutschkenntnisse in Wort und Schrift
• Selbstständiges Arbeiten und hohe Zuverlässigkeit

Ansprechpartner:

Nils Hendrik Hoppe
E-mail: hpp@biba.uni-bremen.de
Tel.: 0421 / 218 - 50181

Motivation:

• Moderne Montageassistenzsysteme verfügen über ein integriertes Informationsmanagement, das die während der Montage anfallenden Daten speichert, auswertet und weiterleitet, um den Auftragsstatus und die Produktqualität zu dokumentieren und die Produktivität des Gesamtprozesses zu messen.
• Durch die zunehmende Integration von Sensorik und manuellen Eingaben der Werker sowie die Verfügbarkeit externer Datenquellen steigt die zu verarbeitende Datenmenge rasant an.

Problemstellung:

• Diese Entwicklung eröffnet die Möglichkeit, Algorithmen zur automatischen Auswertung und Interpretation der Daten einzusetzen. Beispielsweise können Anomalien bei der Durchführung von Montagetätigkeiten erkannt und diese Informationen für Prozessverbesserungen zur Verfügung gestellt werden.
• Zudem können auf der Basis von Vergangenheits- und Echtzeitdaten Prognosen generiert und auf dieser Grundlage Optimierungen vorgenommen werden.

Zielsetzung:

• Im Rahmen der Masterarbeit soll eine Methode entwickelt und evaluiert werden, die eine zuverlässige Unterscheidung von regulären und irregulären Beobachtungen in Montageprozessdaten ermöglicht.
• Dazu sollen auf Basis einer systematischen Literaturanalyse geeignete Algorithmen ausgewählt und für den vorliegenden Anwendungsfall implementiert und evaluiert werden.
• Die Vorgehensweise soll sich am CRISP-DM oder einem anderen geeigneten Vorgehensmodell orientieren.

Voraussetzung:

• Gute Programmierkenntnisse (Python) oder Bereitschaft zur selbstständigen Einarbeitung
• Selbständiges Arbeiten und hohe Zuverlässigkeit
• Gute Englischkenntnisse

Ansprechpartner:

BIBA, Forschungsbereich: Intelligente Produktions- und Logistiksysteme (IPS)
Hendrik Engbers
E-Mail: eng@biba.uni-bremen.de
Tel.: 0421 / 218 - 50148