Theses

Hintergrund

• Fehlmontagen bei Kränen sind sicherheitskritisch
• KI-basierte Objekterkennung basierend auf synthetischen Trainingsdaten bietet neue Lösungsansätze

Aufgabenbeschreibung

• Generierung synthetischer Bilddaten verschiedener Kranmontagezustände
• Training eines Objekterkennungsmodells zur Detektion von Gegengewichten
• Validierung mit realen und synthetischen Bildquellen (z. B. Drohnenaufnahmen).

Zielsetzung

• Entwicklung eines KI-Prototyps zur visuellen Prüfung der Kranmontage

Voraussetzung

• Kenntnisse in Python und Deep Learning (z. B. YOLO).
• Interesse an 3D-Tools wie Omniverse, Blender o. ä.
• Optional Interesse an Drohnen im industriellen Anwendungen.

Ansprechpartner

BIBA, Forschungsbereich: Intelligente Produktions- und Logistiksysteme (IPS)
Nicolas Jathe
E-Mail: jat@biba.uni-bremen.de
Tel.: 0421 / 218 - 50048

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:

• 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:

• 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