Index

 

 

 

 

 

LLM-SE research project

As part of the LLM-SE (Large Language Model supported Systems Engineering) research project, we are working with our industry partners to develop an assistance system based on the MBSE philosophy and structure using large language models to partially automate the engineering process of warehouse technology and concepts from requirements analysis to virtual commissioning. This should interpret user input such as requirements and adaptations, transform them into individual, model-based solutions through the availability of company-specific product catalogs, historical project data and best practices and secure these through suitable validation and verification mechanisms.

Your tasks in the project

• Literature research on the modeling language SysML v2
• Research, evaluation and selection of suitable AI methods and models
• Optimization of the existing framework through the further development of a new microservice that can be integrated with the current service and offers scalable LLM-fine-tuning.
• Collecting data from industry project partners and creating pre-processing pipelines that convert raw data into ALPACA format for model training.
• Creating intuitive user interfaces that allow non-technical users to test, evaluate and refine different base models – for warehouse technologies and concepts – by using different prompts.
• Automatic generation of SysML models for warehouse technologies and concepts through the use of LLMs in the developed framework and the improvement of these models through an interactive behavior of the process engine
• The final result of your work: With the help of the framework, the layouts for different warehouse concepts including the associated warehouse technologies automatically suggested by LLMs for the corresponding material flow technology in the factory should be able to be generated automatically.

Requirements

• Very good programming skills in Python are mandatory
• Very good knowledge and practical experience in RESTful APIs is mandatory
• Very good knowledge of processing data formats such as CSV, JSON, XML and Markdown is mandatory
• Confident handling of containerization technologies such as Docker, Podman
• Practical experience with LLM fine-tuning frameworks, e.g. Unsloth, LlamaFactory is mandatory
• Practical experience with LLM inference optimization engines, e.g. Ollama, Llama.cpp or vLLM is mandatory. e.g. Ollama, Llama.cpp or vLLM is mandatory
• Practical experience with database technologies for SQL, NoSQL, vector and object databases is mandatory
• Basic knowledge of prompt engineering techniques, including one-shot, few-shot and chain-of-thought prompting is an advantage
• Basic knowledge of version control systems e.g. Git is an advantage
• Basic knowledge of front-end development e.g. React, Next.js is an advantage

Application instructions

• Start at the earliest possible date
• Please send applications by e-mail with a current transcript of records and CV as well as a short letter of motivation
• Please note that incomplete applications cannot be considered
• Further information on request by e-mail or in a personal interview

 

 

 

 

 

 

 

Forschungsvorhaben LLM-SE

Im Rahmen des Forschungsprojektes LLM-SE (Large Language Model unterstütztes Systems Engineering) entwickeln wir gemeinsam mit unseren Industriepartnern ein an der MBSE-Philosophie und -Struktur orientiertes Assistenzsystem unter Verwendung von Large Language Models zur Teilautomatisierung des Engineeringprozesses Lagertechnologie und -konzepte von der Anforderungsanalyse bis zur virtuellen Inbetriebnahme. Dieses soll Benutzereingaben wie Anforderungen und Anpassungen interpretieren, durch die Verfügbarkeit von unternehmensspezifischen Produktkatalogen, historischen Projektdaten und Best Practices in individuelle, modellbasierte Lösungen transformieren und diese durch geeignete Validierungs- und Verifikationsmechanismen absichern.

Ihre Aufgabenbereiche im Projekt

• Literaturrecherche zur Modellierungssprache SysML v2
• Recherche, Evaluation und Auswahl geeigneter KI-Methoden und -Modelle
• Optimierung des bestehenden Frameworks durch die Weiterentwicklung eines neuen Mikroservices, der mit den aktuellen Service integriert werden kann und skalierbare LLM-fine-tuning bietet.
• Datensammeln von Projektpartnern aus der Industrie und Erstellen von Vorverarbeitungspipelines, die Rohdaten in das ALPACA-Format für das Modelltraining konvertieren.
• Schaffung intuitiver Benuteroberflächen, die es Benutzern ohne technischen Hintergrund ermöglichen, verschiedene Basismodelle – für Lagertechnologien und -konzepte zu testen, zu bewerten und zu verfeinern, indem sie verschiedene Eingabeaufforderungen verwenden.
• Automatische Generierung von SysML-Modellen für Lagertechnologien und -konzepte durch den Einsatz von LLMs im entwickelten Framework und die Verbesserung dieser Modelle durch ein interatives Verhalten der Process Engine
• Das Endergebnis Ihrer Arbeit: Mithilfe des Frameworks sollen die Layouts für verschiedene Lagerkonzepte inkl. der zugehörigen, durch LLMs automatisch vorgeschlagenen Lagertechnologien  für die entsprechende Materialflusstechnik in der Fabrik automatisch generiert werden können.

Anforderungen

• Sehr gute Programmierungskenntnisse in Python sind zwingend erforderlich
• Sehr gute Kenntnisse und praktische Erfahrungen in RESTful APIs sind zwingend erforderlich
• Sehr gute Kenntnisse in der Verarbeitung von Datenformaten wie CSV, JSON, XML und Markdown sind zwingend erforderlich
• Sicheres Umgehen mit Containerisierungstechnologien wie Docker, Podman
• Praktische Erfahrungen mit LLM-Fine-tuning-Frameworks, z. B. Unsloth, LlamaFactory sind zwingend erforderlich
• Praktische Erfahrungen mit LLM-Inferenz-Optimierungsmaschinen, z. B. Ollama, Llama.cpp oder vLLM ist zwingend erforderlich
• Praktische Erfahrungen mit Datenbanktechnologien für SQL-, NoSQL-, Vektor– und Objektdatenbanken sind zwingend erforderlich
• Grundlegende Kenntnisse in Prompt-Engineering-Techniken, einschließlich One-Shot, Few-Shot und Chain-of-Thought-Prompting sind von Vorteil
• Grundlegende Kenntnisse in Versionskontrollsystemen z. B. Git sind von Vorteil
• Grundlegende Kenntnisse in der Front-End-Entwicklung z. B. React, Next.js sind von Vorteil

Hinweise zur Bewerbung

• Beginn zum nächstmöglichen Zeitpunkt
• Bewerbungen bitte per E-Mail mit aktuellem Notenspiegel und Lebenslauf sowie einem kurzen Motivationsschreiben
• Bitte beachten Sie, dass unvollständige Bewerbungen nicht berücksichtigt werden können.
• Weitere Informationen auf Anfrage per E-Mail oder gerne auch in einem persönlichen Gespräch.

Ausgangssituation

Im Zuge der Digitalisierung sind konsistente Datensätze längst zu einer wertvollen Ressource geworden. Besonders im Produktionsbereich stehen oft Terabyte an verschiedenen Messwerten und Prozessdaten zur Verfügung. In Kombination mit Methoden der intelligenten Datenverarbeitung wie Machine Learning lassen sich damit große, wirtschaftliche Hebel erzeugen.

Besonders die Branche der Elektronikfertigung ist geprägt durch einen umfassenden Automatisierungsgrad und weitreichende Kommunikationsstandards, wodurch der Grundstein für den Einsatz maschineller Lernverfahren gelegt ist. Durch umfassende Prüfprozesse wird in der Elektronikfertigung eine exzellente Produktqualität im einstelligen dpm-Bereich erzielt. Erhöhte Durchlaufzeiten, hohe Investitionskosten und erhöhter Platzbedarf stellen jedoch die Kehrseite der Medaille dar. Dadurch ist der Ansatz entstanden mittels intelligenter Datenauswertung den Prüfaufwand ohne Reduktion der Qualität zu minimieren.

Keywords

Data Science, Big Data, Artificial Intelligence, Machine Learning, IIoT, Agentensysteme

Aufgabenstellung

Im Rahmen der Abschlussarbeit soll zusammen mit dem Industriepartner Siemens der Einsatz von Multiagentensystem im produktionsnahen Bereich untersucht werden. Dies erfolgt anhand bereits vorhandener Datensätze. Die Datensätze müssen effizient zusammengeführt, gesichtet und abschließend in ein geeignetes Multiagentensystem überführt werden. Mit dem selbst erstellten System sollen Anwendungen mit komplexen Daten benutzerfreundlicher gestaltet werden. Es wird auf bereits bestehenden Arbeiten aufgebaut. Die Bearbeitung erfolgt bei Siemens in Amberg.

Potentielle Arbeitspakete

• Einarbeitung in die SMT-Fertigung, die relevanten Grundlagen des maschinellen Lernens (insbesondere Large Language Modelle und Agentensysteme) und den aktuellen Stand des Projekts
• Anfertigung einer strukturierten Datenanalyse mit Prozessexperten vor Ort, um den Informationsgehalt der Daten zu überprüfen
• Ausarbeitung verschiedener Multiagentensysteme für den effizienten Umgang mit den heterogenen Datenstrukturen
• Vollständige Dokumentation der Arbeit (GitHub, Conceptboard etc.)

Vorkenntnisse

• Programmierkenntnisse in Python
• Fortgeschrittene Kenntnisse Machine Learning
• Fortgeschrittene Kenntnisse Internet of Things
• Fortgeschrittene Kenntnisse von Large Language Modellen
• Grundkenntnisse in Multiagentensystemen

(falls keine Vorkenntnisse vorhanden sind, ist eine themenspezifische Einarbeitung vor Beginn erforderlich)

Voraussetzungen

• Begeisterung für das Fachgebiet
• Hohe Motivation und Einsatzbereitschaft
• Strukturierte und eigenständige Arbeitsweise
• Arbeiten im Team
• IT-Affinität

Beginn

• Ab sofort und jederzeit möglich

Sonstiges

• Anwendungsbezogene Forschung direkt beim Industriepartner Siemens in Amberg
• Bearbeitung der Arbeit kann jedoch größtenteils im Home-Office erfolgen
• Der Arbeitsumfang kann je nach Art der Arbeit (BA/PA/MA) angepasst werden

Bewerbung

• Bewerbung mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an Felix Mahr (kein Anschreiben oder Motivationsschreiben erforderlich)
• Nähere Informationen über Umfang und genaue Ausrichtung der Arbeit gerne im persönlichen Gespräch
• Nach der Vorstellung des potentiellen Themas für die Abschlussarbeit im persönlichen Gespräch, muss der Bewerber eine 20-minütige Präsentation über die Problemstellung, mögliche Lösungsansätze, technische Hintergründe und den potentiellen Verlauf der Abschlussarbeit vorbereiten (FAPS-Richtlinien müssen dabei immer eingehalten werden)
• Wichtig: eine reine ChatGPT-Bewerbung führt zum sofortigen Ausschluss beim Bewerbungsprozess

Zahlreiche für den Betrieb kritische elektrische Systeme der Deutschen Bahn wie beispielsweise Weichen, Signale und Achszähler werden in einem separaten Gleichstromkreis betrieben. Innerhalb eines dieses Stromkreises sind zudem Batteriesysteme parallelgeschaltet, die im Falle eines Stromausfalls oder Ausfall eines Gleichrichters unmittelbar als Notstromversorgung einspringen. Im Regelbetrieb sind die Batteriesysteme dauerhaft im sog. Ladeerhaltungsmodus eingebunden.
Der für die Systeme benötigte Gleichstrom wird über Wechselrichter aus der Netzspannung gewandelt, die klassischerweise ein 50Hz-Wechselstromnetz darstellt. Aufgrund der Art und Weise der Gleichrichtung bleibt – je nach Typ und Alter des Gleichrichters – eine mehr oder minder hohe Restwelligkeit im Gleichstromkreis bestehen. Ein wenig untersuchtes Gebiet ist die Auswirkung von Restwelligkeiten auf die oben beschriebenen Gleichstromsysteme, die teilweise empfindlich auf bereits leichte Spannungsschwankungen reagieren. Aktuell existiert nur stichprobenartige Evidenz, dass Systeme aufgrund von Restwelligkeiten frühzeitig ausfallen oder ihre Lebensdauer signifikant verkürzt wird.
In der zu bearbeitende studentische Arbeit soll zunächst an unterschiedlichen Standorten gemessen, die Daten ausgewertet und letztendlich Rückschlüsse auf den Einfluss auf die Gleichstromsysteme gezogen werden. Stellt sich heraus, dass Restwelligkeit einen hohen Einfluss besitzt, soll diese zukünftig regelmäßig gemessen und frühzeitig bei Grenzwertüberschreitungen gewarnt werden. Im Rahmen der Arbeit bist Du direkt eingebunden in die Weiterentwicklung für ein Frühwarn- und Diagnosesystem der Instandhaltung.

Was ist der Inhalt der Arbeit?

• Arbeite dich in die Funktionsweise von elektrischen Versorgungssystemen von Stellwerken und nachgeschalteten Gleichstromsystemen ein.
• Erarbeite den theoretischen Hintergrund der Entstehung von Restwelligkeiten an Gleichrichtersystemen und den Einfluss auf nachgeschaltete Systeme.
• Entwirf eine Messstrategie zur Messung von Restwelligkeit.
• Erfasse die Restwelligkeit von Stromversorgungssystemen in Stellwerken an mehreren Standorten für einen umfassenden Überblick über die aktuelle Situation.
• Vergleiche die Messdaten mit dem Zustand der eingebundenen Systeme wie z.B. Typen oder Generationen von Stellwerken und bewerte den Einfluss auf diese.
• Bestimme die Anforderungen an einen Grenzwert oder Indikator, den ein potenzielles Messgerät zur Messung von Restwelligkeiten erfassen muss, um eine Aussage über die Lebensdauer von Gleichstromsystemen zu treffen.

Was erwartet dich?

• Arbeite im engen Kontakt mit der DB InfraGO und anderen DB Unternehmen und erhalte einen direkten Einblick die Technik in Stellwerken, die unsere Infrastruktur am Laufen hält.
• Erhalte einen tiefen Einblick in die Funktionsweisen von Stellwerken und angeschlossenen Systemen.
• Tritt in den Austausch mit Fachexperten im Bereich Energieversorgung bei der Deutschen Bahn.
• Sei eingebunden in ein praxis- und ergebnisrelevantes Projekt zur Erhöhung der Verfügbarkeit von Systemen der Deutschen Bahn und gestalte unmittelbar mit.

Was bringst du mit?

• Du beweist Flexibilität in der Absprache mit Personal an den Standorten und hast ein proaktives Auftreten gegenüber Verantwortlichen.
• Du bist bereit für Reisetätigkeiten, um an unterschiedlichen Standorten in Deutschland Messungen vorzunehmen.
• Du hast gute Deutschkenntnisse in Wort und Schrift.

Haben wir dein Interesse geweckt oder hast du noch Rückfragen? Wir freuen uns auf deine Anfrage.

Kontakt:
Andreas Reichle (HOREICH GmbH)
andreas.reichle@horeich.de
+49 9131 9234042

Initial Situation:

MLOps tools are essential for managing the complex machine learning lifecycle, but many suffer from poor usability, making adoption difficult for practitioners. This thesis explores how to design more intuitive, user-friendly interfaces for MLOps platforms. Through a structured evaluation of open-source tools and the identification of key interaction techniques, this research will contribute to building reusable UI components in Svelte 5 and shadcn-svelte—bridging the gap between powerful ML workflows and seamless user experiences.A well-designed MLOps interface enhances productivity, reduces onboarding time, and improves collaboration between data scientists, ML engineers, and DevOps teams. By applying UI/UX best practices, this thesis aims to make MLOps more accessible and efficient for everyone.

Tasks:

Within the thesis following topics will be worked on:

• Conduct a literature review on user-friendly design of MLOps tools.
• Methodical quantitative and qualitative evaluation of open source MLOps tools.
• Identification of key interaction techniques in the ML lifecycle
• Implementation of several identified components as reusable components in Svelte 5, shadcn-svelte.

Notes on application:

• Interest in UI and UX design
• Practical online courses and books will be provided after consultation on the existing level of knowledge
• Mandatory experience: Svelte (5), SvelteKit, tailwindcss, TypeScript
• Applications without Svelte experience will be ignored
• Nice to have experience: libraries or projects such as shadcn-svelte, d3, xyflow / Svelte-flow, tanstack
• Written and spoken German or English required
• The thesis has to be written in English in LaTeX (e.g., TexStudio, Overleaf)
• Literature management must be done using JabRef
• Please send applications with CV and current overview of subjects by e-mail to benedikt.scheffler@faps.fau.de.
• Generic e-mails will be ignored (how to write a proper e-mail).
• In the first meeting there are questions regarding the stated requirements. Based on this, the student’s suitability for this thesis is determined.

Im Zuge der Mobilitätswende und des steigenden Bedarfs an elektrifizierten Antriebssystemen gewinnen Batterien als zentrale Komponenten zunehmend an strategischer Bedeutung. Insbesondere im Bereich der leichten und schweren Nutzfahrzeuge entstehen neue Herausforderungen entlang der gesamten Wertschöpfungskette – von der Rohstoffbeschaffung über Produktion und Nutzung bis hin zur Rückführung und Wiederverwertung. Der Recyclingprozess von Traktionsbatterien spielt dabei eine entscheidende Rolle für Nachhaltigkeit, Ressourceneffizienz und Versorgungssicherheit.

Die Supply Chain des Batterie-Recyclings ist hochkomplex: unterschiedliche Zellchemien, unklare Rücklaufmengen, logistischer Aufwand, technologische Unsicherheiten sowie regulatorische Vorgaben beeinflussen die Rückführung und Wiederverwertung erheblich. Traditionelle Analysewerkzeuge stoßen hier an ihre Grenzen. Die Methode der System Dynamics bietet hingegen die Möglichkeit, dynamische Zusammenhänge, Rückkopplungen und zeitverzögerte Effekte transparent zu modellieren und zu simulieren.

Ziele der studentischen Arbeit

• Vertiefung der Kenntnisse in der Systemtheorie, insbesondere im Bereich System Dynamics

• Durchführung einer fundierten Literaturrecherche zu Batterieproduktion, Rückführung und Recycling im Mobilitätssektor, insbesondere bei Nutzfahrzeugen

• Analyse der technischen, logistischen und organisatorischen Prozesse entlang der Batterie-Supply-Chain

• Identifikation und Modellierung relevanter Akteure, Materialflüsse, Einflussfaktoren und Wirkzusammenhänge im Batterie-Recyclingprozess

• Aufbau eines dynamischen Simulationsmodells zur Abbildung des Batterie-Recyclings unter Einsatz von System Dynamics

• Ableitung von Erkenntnissen zur Optimierung der Recyclingstrategie für leichte und schwere Nutzfahrzeuge

Voraussetzungen

• Hohes Interesse an nachhaltiger Mobilität, Kreislaufwirtschaft und Batteriesystemen

• Bereitschaft, sich intensiv mit System Dynamics auseinanderzusetzen

• Idealerweise erste praktische Erfahrungen mit Modellierungs- oder Simulationssoftware (z. B. Vensim, AnyLogic, Stella o. Ä.)

• Grundkenntnisse in Programmierung (z. B. Python, Java)

• Sehr gute Deutschkenntnisse (mindestens Niveau C1) und gute Englischkenntnisse

• Selbstständige und strukturierte Arbeitsweise

• Verpflichtende Ergebnispräsentation und -diskussion im Seminar

Die studentische Arbeit kann ab dem 01.05.2025 oder zu einem späteren, individuell vereinbarten Zeitpunkt begonnen werden und ist innerhalb des in der Prüfungsordnung festgelegten Bearbeitungszeitraums abzuschließen.

Die Arbeit kann als Projekt- oder Masterarbeit verfasst werden.

Bei Interesse senden Sie bitte eine E-Mail mit Lebenslauf und Notenspiegel an
📧 baris.albayrak@faps.fau.de

Ich freue mich auf Ihre Bewerbung!

Inmitten des wachsenden Spektrums elektrischer Antriebstechnologien, wie dem inzwischen etablierten Hairpin-Motor und aufstrebenden Varianten wie Continuous Hairpin, Hairpins aus Hohlleitern oder Litzen und Axialflussmaschinen, steht das Richten von Flachdraht als zentraler Prozessschritt im Fokus. Die gegenwärtige Herausforderung im industriellen Umfeld liegt in der Steuerung dieses Prozesses, der bisher auf statischen Parametern und dem empirischen Wissen von Facharbeitern basiert und Schwankungen im Eingangsmaterial nur unzureichend berücksichtigt.

Mögliche Aufgabenstellungen:

Im Rahmen aktueller Forschungsaktivitäten am Lehrstuhl FAPS soll der Prozessschritt des Richtens von Flachdraht durch die Erforschung und Implementierung inlinefähiger Sensorik zur Erfassung von Wechselwirkungen im Prozess sowie innovativer Regelungsansätze revolutioniert werden. Auf diese Weise soll die Qualität in der Hairpin-Produktion effektiv und effizient gesteigert und ein wichtiger Beitrag zur Weiterentwicklung neuer Trends in der Automobilindustrie geleistet werden.

Mögliche Themengebiete:

• Planung und Konstruktion von Anlagenkomponenten
• Erforschung neuer Messmethoden
• Implementierung und Validierung von Messsystemen
• Planung und Durchführung von experimentellen Untersuchungen
• KI-gestützte Analyse und Interpretation experimenteller Daten
• Modellierung und Simulation der Produktionsprozesse

Detaillierte Informationen zu den möglichen Themengebieten und deren Aufgabenstellungen werden gerne in einem persönlichen Gespräch erläutert.

Anforderungsprofil:

• Interesse an der Produktion elektrischer Traktionsantriebe
• Je nach Themengebiet: Grundkenntnisse in Konstruktion, Messtechnik, Werkstoffkunde, Programmierung, Datenanalyse (KI/ML) oder Regelungstechnik
• Freude an praktischer Arbeit wie z.B. Durchführung und Auswertung von Versuchsreihen oder Aufbau von Messtechnik
• Analytisches Denkvermögen sowie selbstständige, gewissenhafte und strukturierte Arbeitsweise
• Teamfähigkeit und Kommunikationsstärke
• Gute Deutsch- und Englischkenntnisse in Wort und Schrift

Bewerbung per E-Mail mit Lebenslauf, aktuellem Notenspiegel und Angabe des bevorzugten Themengebietes an anja.preitschaft@faps.fau.de

 

 

 

 

Handlungsfeld

Die Entwicklung mechatronischer Systeme ist aufgrund der steigenden Anzahl von Teilsystemen und Disziplinen eine Herausforderung. Model-Based Systems Engineering (MBSE) begegnet dieser Herausforderung durch eine disziplinübergreifende Systembeschreibung mit einem einheitlichen Systemmodell, ist aber in der Praxis noch wenig verbreitet. Dies liegt insbesondere an den hohen Einstiegshürden im Mittelstand, die u.a. durch den notwendigen Einsatz kostenintensiver Software, das erforderliche Fachwissen sowie das durchzuführende Change Management begründet sind. Large Language Models (LLM) bieten das Potenzial, die Entwicklung und Verarbeitung dieser Systemmodelle mittels generativer künstlicher Intelligenz zu automatisieren und damit die Einstiegshürden zu senken und gleichzeitig die Entwicklungseffizienz und -qualität in der MBSE signifikant zu steigern.

Die Bewertung der Qualität von KI-generierten SysML-Diagrammen stellt dabei eine große Herausforderung dar. Es gibt keine allgemein anerkannten Richtlinien für die Bewertung der Qualität konzeptioneller Modelle, und es herrscht wenig Einigkeit unter den Experten darüber, was ein “gutes” Modell ausmacht. Daher ist es unerlässlich, ein validiertes Rahmenwerk zur Bewertung der Qualität von SysML-Diagrammen zu entwickeln.

Ihre Arbeitspunkte

• Literaturrecherche zur Modellierungssprache bspw. SysML v2
• Recherche, Bewertung bestehender Methoden zur Bewertung der Qualität von SysML-Modellen
• Entwicklung und Bewertung des Rahmenwerks hinsichtlich der technischen Machbarkeit
• Prototypische Adaption des Rahmenwerkes an einem geeigneten Use-Cases z.B. Bewertung der Qualität von Funktionsdiagrammen nach Kohäsion, Kohärenz und Vollständigkeit

Ihre Benefits

• Praktische Erfahrung in der Entwicklung von Algorithmen der künstlichen Intelligenz und Deep Learning Techniken
• Möglichkeit zur aktiven Mitarbeit am Forschungsprojekt LLM-SE
• Austausch mit anderen Studierenden am FAPS
• Zukunfts- und anwendungsorientierte Arbeit für den weiteren Karriereweg
• Flexible Arbeitsweise

Anforderungen

• Gute Programmierkenntnisse insbesondere in Java und/oder  in C/C++ und/oder Python wünschenswert
• Grundkenntnisse und Erfahrung in REST-API und Apache Kafka wünschenswert
• Interesse und Vorkenntnisse in MBSE, SysML wünschenswert
• Grundkenntnisse in Machine Learning (ML) und Natürliche Sprachverarbeitung (NLP) wünschenswert
• Eigenständige, strukturierte Arbeitsweise sowie hohe Lernbereitschaft

Hinweise zur Bewerbung

• Beginn zum nächstmöglichen Zeitpunkt
• Bewerbungen bitte per E-Mail mit aktuellem Notenspiegel und Lebenslauf sowie einem kurzen Motivationsschreiben
• Bitte beachten Sie, dass unvollständige Bewerbungen nicht berücksichtigt werden können.
• Weitere Informationen auf Anfrage per E-Mail oder gerne auch in einem persönlichen Gespräch.

Im Zuge der Digitalisierung übernehmen digitale Plattformen wie AWS oder Wucato eine zunehmend zentrale Rolle entlang der industriellen Wertschöpfungsketten. Aufgrund ihres weitreichenden Einflusses auf Unternehmensprozesse, Märkte, politische Entscheidungen und gesellschaftliche Strukturen gelten Plattformökonomien als potenziell wertstiftende Organisationsformen der industriellen Wertschöpfung. Die Wechselwirkungen zwischen den vielfältigen Akteuren und Einflussfaktoren, die die Funktionsmechanismen digitaler Plattformen prägen, charakterisieren diese als komplexe sozio-technische Systeme.

Traditionelle Analysewerkzeuge wie die Wertstromanalyse oder BPMN stoßen bei der Abbildung der Dynamik solcher Systeme jedoch an ihre Grenzen. Gleichzeitig ist eine systematische Modellierung der verschiedenen Rollen, Mechanismen, Prozesse und Funktionen auf digitalen Plattformen essenziell, um ein umfassendes und konsistentes Verständnis dieser Systeme zu ermöglichen. In diesem Zusammenhang zeigt die Methode der System Dynamics großes Potenzial, die Komplexität digitaler Plattformen in der Industrie adäquat zu erfassen und abzubilden.

Ziele der studentischen Arbeit

• Vertiefung der Kenntnisse in der Systemtheorie, insbesondere im Bereich System Dynamics
• Durchführung einer umfassenden Literaturrecherche zu industriellen Plattformen und zur Methodik von System Dynamics
• Entwicklung eines technischen und organisatorischen Verständnisses digitaler Plattformen
• Identifikation und Analyse der beteiligten Rollen, Funktionen, Wirkmechanismen sowie der Wertschöpfungsschritte digitaler Plattformen
• Bewertung der Eignung von System Dynamics zur Analyse komplexer Plattformökonomien im industriellen Kontext

Voraussetzungen

• Hohe Motivation und Interesse an der Mitwirkung bei aktueller, interdisziplinärer und industrienaher Forschung
• Bereitschaft, sich intensiv in die Systemtheorie und speziell in System Dynamics einzuarbeiten
• Idealerweise erste praktische Erfahrungen in der Simulation von Wertschöpfungssystemen (z. B. mit Tools wie Siemens Plant Simulation oder AnyLogic)
• Solide Programmierkenntnisse in gängigen Programmiersprachen wie Python oder Java
• Sehr gute Deutschkenntnisse (mindestens Niveau C1) und gute Englischkenntnisse

Die studentische Arbeit ist ab dem 01.02.2025 oder zu einem späteren, individuell vereinbarten Zeitpunkt zu beginnen und innerhalb des in der Prüfungsordnung festgelegten Bearbeitungszeitraums abzuschließen.

Die Arbeit kann als Projekt- oder Masterarbeit verfasst werden.

Bei Interesse senden Sie mir  eine E-Mail mit Lebenslauf und Notenspiegel an baris.albayrak@faps.fau.de.

Ich freue mich auf Ihre Bewerbung!

Ausgangslage:

Mit der fortschreitenden Elektrifizierung der Fahrzeuge steigt auch die Nachfrage nach komfortablen, sicheren und in den Alltag integrierbaren Lademöglichkeiten. Kontaktlose Energieübertragungssysteme ermöglichen Szenarien wie „Road Charging“ und „Opportunity Charging“. Weitere Vorteile sind ein gesteigerter Ladekomfort für den Anwender sowie eine geringere Angriffsfläche für Vandalismus. Folglich ist für die nächsten Jahre eine gesteigerte Nachfrage nach induktiven Energieübertragungssystemen für Elektromobile zu erwarten. Allerdings stehen bislang keine Verfahren zur Verfügung, die eine wirtschaftliche Fertigung induktiver Energieübertragungssysteme in hoher Stückzahl ermöglichen.

Mögliche Aufgabenstellung

Verlegen, Kontaktieren und Isolieren sind die drei wichtigsten Schritte zur Herstellung eines induktiven Energieübertragungssystems. Die Verfahren sollen durch geeignete Maßnahmen für die industrielle Fertigung befähigt werden. Neben praktischen Versuchen ist auch der prototypische Aufbau von Demonstratoren vorgesehen. Mögliche Aufgabenstellungen können sein:

• Einarbeiten in die Technologien für die kontaktlose Energieübertragung
• Analyse von verschiedenen Systemaufbauten der Marktbegleiter
• Adaption bestehender Konzepte aus dem Elektromaschinenbau auf den neuen Anwendungskontext
• Entwicklung und Konzeption geeigneter Vorrichtungen und Aufbau von Demonstratorsystemen

Hinweise und Bewerbung:

• Bearbeitung der Aufgaben im studentischem Team
• Strukturierte und selbstständige Arbeitsweise
• Bewerbungen bitte per E-Mail mit Lebenslauf und aktueller Fächerübersicht an info@seamless-energy.com

Ansprechpartner:

Dr.-Ing. Michael Weigelt info@seamless-energy.com

Michael Masuch