Index

Die Anforderungen an Fertigungsanlagen entwickeln sich zunehmend in Richtung Flexibilisierung und Personalisierung fort, um individuellen Kundenwünschen gerecht zu werden. In diesem Kontext gewinnt das Flexible Job-Shop Scheduling Problem an Bedeutung: Es beschreibt die Herausforderung, verschiedene Aufträge mit mehreren Arbeitsschritten auf wechselnde Maschinen so zu planen, dass alle Schritte in möglichst optimaler Reihenfolge bearbeitet werden. Im Gegensatz zu starren Systemen können einzelne Arbeitsschritte dabei auf unterschiedlichen Maschinen ausgeführt werden. Ziel ist es, die Produktionszeit zu minimieren und die Nutzung der Maschinen optimal zu gestalten, um den komplexen Anforderungen moderner Fertigung gerecht zu werden.
Da es sich beim Flexible Job-Shop Scheduling Problem um ein kombinatorisches Optimierungsproblem handelt, das in Abhängigkeit der Größe der Produktionsanlage sehr komplex werden kann, bietet sich für eine dynamische Lösungsfindung die Methodik des Multi-Agent Reinforcement Learnings (MARL) an.
Ziel dieser Arbeit ist es, ein Scheduling Problem einer simulierten Produktionsanlage durch Entwicklung und Training eines Muli-Agent Reinforcement Learning Systems zu lösen.

Deine Aufgaben:

• Einarbeitung in den Stand der Technik zum Lösen des Flexibel Job-Shop Scheduling Problems und MARL
• Mathematische Beschreibung des Problems
• Erstellung einer Simulation einer Fertigungsanlage als Trainingsumgebung
• Konzeptionierung eines MARL-Systems
• Umsetzung und Training des MARL-Systems
• Validierung des Systems als flexiblen Scheduler

Dein Profil:

• Fortgeschrittene Programmierkenntnisse
• Affinität für maschinelles Lernen und dessen Anwendung in der Produktion
• Strukturierte, selbstständige Arbeitsweise

Voraussetzungen:
Für diese Arbeit werden ein sicherer Umgang mit Python sowie Vorerfahrungen im Trainieren von RL-Modellen vorausgesetzt. Bitte stellt in Eurer Bewerbung dar, wie ihr diese Voraussetzungen erfüllt.

Die Arbeit kann ab sofort bearbeitet werden. Bewerbung bitte per Mail mit Lebenslauf und aktuellem Notenauszug an untenstehenden Kontakt richten.

Anlagen zur Herstellung von Wellpappe verfügen über eine Vielzahl von drehzahlsynchronisierten elektrischen Antrieben.

Im Stand der Technik erfolgt die Energieversorgung und Ansteuerung über Umrichter, welche Energie aus dem Wechselstromnetz beziehen und überschüssige Energie in Bremswiderständen in Wärme umwandeln.

Durch die Umstellung auf Gleichstrom (DC) in Produktionsanlagen können erhebliche Vorteile erzielt werden, insbesondere in Bezug auf Energieeffizienz, Materialersparnis und Systemstabilität. DC-basierte Systeme ermöglichen eine flexiblere Energienutzung, höhere Wirkungsgrade und ermöglichen die Rückspeisung vom Bremsenergie (Rekuperation).

Ziel der Arbeit:

Im Rahmen der Arbeit sollen die Energie- und Materialeinsparpotenziale durch den Einsatz eines DC-Netzes mit zentralem DC-Bus zur Versorgung der drehzahlvariablen Antriebe einer Maschine zur Herstellung von Wellpappe evaluiert werden. Die Möglichkeit zur Nutzung von Bremsenergie durch Rekuperation soll geprüft werden.

Arbeitspakete:

• Analyse des Ist-Zustands: Besichtigung einer Anlage beim Industriepartner und sammeln der nötigen Daten aus den Technischen Dokumentationen, Einführung in den DC-Demonstrator am FAPS, Einlesen in die Fachliteratur
• Konzeption einer DC-Maschine: Auswahl geeigneter DC-fähiger Umrichter, Auslegung des DC-Netzes; Analyse der Lastprofile der Motoren zur Evaluation des Einsatzes von Rekuperation
• Bewertung der Einsparpotenziale: Quantifizierung der Energiesparpotenziale auf Basis von Literatur oder eigener Laborversuche, Identifikation und Quantifizierung der Materialeinsparpotenziale

Anforderungen:

• Kenntnisse in Elektrotechnik, idealerweise mit Bezug zur DC-Technologie und Energieeffizienz in Produktionsumgebungen von Vorteil
• Selbstständige und strukturierte Arbeitsweise
• Gute Deutsch- und Englischkenntnisse in Wort und Schrift

Die zunehmende Elektrifizierung erfordert effiziente Methoden zur Charakterisierung von Elektromotoren. Oftmals werden kostengünstige Motoren ohne detaillierte technische Daten geliefert, was ihre Integration in technische Systeme erschwert. Die vorliegende Masterarbeit zielt darauf ab, einen bereits mechanisch fertiggestellten Prüfstand zu vervollständigen, um die unbekannten Eigenschaften solcher Motoren systematisch zu erfassen.

Die Kernaufgabe der Arbeit ist die Integration der gesamten Mess- und Steuerungselektronik sowie die Entwicklung der zugehörigen Software. Der Prüfstand soll in der Lage sein, Leistung, Effizienz sowie mechanische Eigenschaften wie Drehmoment und Drehzahl unter realitätsnahen Bedingungen zu messen und zu analysieren.

Vorgehensweise und Aufgabenbeschreibung

1. Recherche und Konzeption der Elektronik und Software

• Systemanalyse: Analyse der Anforderungen für die Messung von Drehmoment, Drehzahl und weiteren relevanten Parametern (z.B. Strom, Spannung, Temperatur).
• Komponentenauswahl: Auswahl und Begründung der geeigneten Sensoren (Drehmoment, Drehzahl), eines Mikrocontrollers oder einer alternativen Steuerungshardware (z.B. FPGA, Single-Board-Computer), sowie der zugehörigen Signalaufbereitungs- und Steuerungselektronik.
• Softwarearchitektur: Entwurf der Softwarestruktur für die Ansteuerung des Motors und die Auswertung der Sensordaten, einschließlich der Konzeption einer intuitiven Benutzeroberfläche (GUI).

Masterarbeit: Optimierung industrieller Energienetze – Ein strategischer Leitfaden

Moderne Industrieunternehmen stehen vor wachsenden Herausforderungen in ihren internen Energienetzen. Die zunehmende Digitalisierung, Elektrifizierung und Integration erneuerbarer Energien führen zu Problemen wie hohen Kosten durch Lastspitzen, ineffizienter Energieübertragung durch Blindleistung und Produktionsausfällen durch mangelhafte Spannungsqualität (Power Quality). Diese Masterarbeit hat das Ziel, einen strategischen Leitfaden zu entwickeln, der Unternehmen bei der systematischen Analyse und Optimierung ihrer Energienetze unterstützt. Der Fokus liegt dabei auf der Analyse und dem Vergleich relevanter Technologien für Lastmanagement und Power Quality sowie der Validierung durch eine simulationsgestützte Anwendung.

⟦AI-MARK: 2025-08-12|ProjectID:MA-42⟧

1. Theoretische Grundlagen und Stand der Technik

1.1 Analyse der Kernprobleme

• Lastspitzenmanagement (Peak Shaving): Die Arbeit erklärt die Ursachen für Lastspitzen, ihre wirtschaftlichen Auswirkungen auf Netzentgelte und die Notwendigkeit ihrer Glättung.
• Blindleistung und Leistungsfaktor (cos φ): Es werden die technischen Grundlagen der Blindleistung, ihre negativen Auswirkungen auf Kosten, Netzverluste und Übertragungskapazität dargestellt.
• Power Quality (PQ): Power Quality wird definiert und die Hauptstörfaktoren wie Oberschwingungen, Spannungsschwankungen und Flicker werden beschrieben.

1.2 Systematische Analyse der Lösungsansätze

Es erfolgt eine detaillierte Analyse der relevanten Technologien, die nach ihrem Anwendungsgebiet gegliedert sind. Für jede Technologie werden das Funktionsprinzip, der typische Nutzen im Fabriknetz sowie Vor- und Nachteile erörtert.

• Wirkleistungsmanagement: Hierzu zählen Technologien wie Batterie-Energie-Speichersysteme (BESS), Ultracaps, Flywheel-Speicher sowie Demand Side Management (DSM) und Power-to-Heat/-Cold.
• Blindleistungskompensation und Spannungsstabilisierung: Analysiert werden unter anderem Konventionelle Kompensationsanlagen, rotierende Phasenschieber, der Dynamic Voltage Restorer (DVR) und der Static Synchronous Compensator (STATCOM).
• Oberschwingungsfilterung: Es wird zwischen passiven (PHF), aktiven (AHF) und hybriden Oberschwingungsfiltern unterschieden.
• Netzqualität und Versorgungssicherheit: Weitere untersuchte Technologien sind USV-Systeme, Solid-State Transformer (SST), Fault Current Limiter (FCL), Synchrophasor-Messsysteme (PMU) und automatisierte Netzumschalter (ATS).
• Integration dezentraler Quellen: Die Arbeit beleuchtet auch PV-Wechselrichter mit Netzstützfunktion, Mikronetze (Microgrids) und Hybrid Energy Management Systems (HEMS).

2. Vergleichende Analyse und strategischer Leitfaden

Dieser Teil befasst sich mit der Entwicklung eines praktischen Entscheidungsrahmens für die Implementierung der Optimierungsmaßnahmen.

2.1 Technologievergleich und Wirtschaftlichkeitsanalyse

Eine umfassende Vergleichsmatrix wird erstellt, um die Technologien anhand von Kriterien wie Reaktionszeit, Funktion, Investitions- und Betriebskosten sowie idealen Anwendungsfällen zu bewerten. Zudem wird eine Wirtschaftlichkeitsanalyse durchgeführt, die zwischen Maßnahmen mit direktem Kostennutzen (z. B. Kompensation) und strategischen Investitionen (z. B. Risikominimierung) differenziert. Typische Amortisationszeiten werden ermittelt.

2.2 Konzeption eines mehrstufigen Implementierungsrahmens

Es wird ein strategischer Leitfaden in Form eines mehrstufigen Ansatzes entwickelt:

• Analysephase: Bedeutung einer detaillierten Netzanalyse zur Identifizierung der Probleme.
• Basismaßnahmen: Priorisierung von Maßnahmen mit kurzer Amortisationszeit.
• Gezielte Problemlösung: Auswahl der passenden fortschrittlichen Technologie basierend auf dem spezifischen Problemprofil.
• Systemische Integration: Entwicklung eines Konzepts zur Integration aller Komponenten in ein intelligentes Energiemanagementsystem (EMS).

3. Simulationsgestützte Validierung

In diesem letzten Teil wird die Relevanz des entwickelten Leitfadens durch Simulationen validiert.

3.1 Aufbau eines Simulationsmodells

Es wird ein repräsentatives Modell eines industriellen Energienetzes in einer spezialisierten Softwareumgebung (z. B. Python-basierte Bibliotheken wie pandapower) erstellt. Dieses Modell beinhaltet typische Lastprofile mit Störfaktoren und die bestehende Netzinfrastruktur. Die zu untersuchenden Technologien werden ebenfalls in das Modell integriert.

3.2 Simulation von Anwendungsszenarien

Simuliert werden typische Netzprobleme, wie hohe Spannungsabfälle oder Blindleistungsschwankungen. Anschließend werden die im Leitfaden vorgeschlagenen Lösungen im Modell angewendet, um deren Effekte zu demonstrieren, beispielsweise:

• Lastspitzenkappung durch BESS.
• Dynamische Blindleistungskompensation durch STATCOM.
• Oberschwingungsfilterung durch AHF.

Die Ergebnisse werden anhand von quantifizierbaren Kennzahlen (z. B. THD-Wert, maximale Lastspitze) verglichen.

3.3 Interpretation und Validierung der Ergebnisse

Die Simulationsergebnisse werden analysiert, um die technische Wirksamkeit und Effizienz der Technologien zu bestätigen. Sie dienen auch dazu, die theoretische Wirtschaftlichkeitsanalyse zu untermauern. Abschließend werden die Grenzen des Modells und die Übertragbarkeit der Ergebnisse auf reale Anlagen diskutiert.

Voraussetzungen

• Hohes Interesse an Nachhaltigkeit, elektrischer Energieversorgung und Modellierungstechniken

• Idealerweise erste praktische Erfahrungen mit elektrischer Energietechnik

• Grundkenntnisse in Python-Programmierung Python

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

• Selbstständige und strukturierte Arbeitsweise

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

Hintergrund:

In der Entwicklung intelligenter Produktions- und Logistiksysteme nehmen autonome, vernetzte Agenten eine Schlüsselrolle ein. Um komplexe Aufgaben effizient zu bewältigen, müssen diese Systeme nicht nur lernen, sondern auch ihre interne Struktur und Kommunikation dynamisch anpassen können. Ziel dieser Arbeit ist es, in einer simulativen Testumgebung verschiedene Konzepte für Agentenarchitektur, Lernen und Interaktion zu erforschen und methodisch zu evaluieren.

Ziel der Arbeit:

Entwicklung und Analyse eines simulationsbasierten Multi-Agenten-Systems mit einem von drei Schwerpunkten:

Themenoption 1: Atomare Agentenstrukturen & Rollenverteilung mit Fokus auf Architektur und Organisation

• Modellierung von Agenten als “Atome” mit vernetzbaren Rollen (z. B. Spezialist, Manager)
• Dynamische Bildung von Systemstrukturen über agentenbasierte Verknüpfungslogik
• Aufbau und Visualisierung eines Agentennetzwerks
• Konzeption einer “Agentenbörse” zur strukturierten Verknüpfung

Themenoption 2: Meta-Learning im Reinforcement Learning mit Fokus auf Lernen & Adaption

• Vergleich klassischer RL-Methoden mit Meta-Learning-Ansätzen (z. B. MAML, Reptile)
• Simulation eines adaptiven Agenten in einer rudimentären Umgebung (x, y, dx, dy)
• Bewertung der Anpassungsfähigkeit in dynamischen Zielsystemen
• Analyse von Vor- und Nachteilen des Meta-Learnings

Themenoption 3: Spieltheorie in Multi-Agenten-Kommunikation mit Fokus auf Kooperation & Täuschung

• Interaktion durch „Horizont“/Ziel-Überschneidungen und Kommunikation zwischen Agenten
• Modellierung von Täuschern und Strategien zur Erkennung
• Integration spieltheoretischer Konzepte wie Vertrauen, Betrug, Kooperation
• Aufbau eines agentenbasierten Kommunikations- und Bewertungssystems

Vorgehensweise:

• Einarbeitung in Multi-Agenten-Systeme und Reinforcement Learning
• Auswahl und Ausarbeitung eines der drei Schwerpunktbereiche
• Aufbau eines simulativen Testsystems (z. B. mit Python)
• Implementierung und Evaluation der entwickelten Ansätze
• Dokumentation und Diskussion der Ergebnisse

Anforderungen an Studierende:

• Strukturierte, selbstständige Arbeitsweise
• Erfahrung im wissenschaftlichen Arbeiten sowie in der Durchführung von Literaturrecherchen
• Gute Dokumentationsfähigkeit
• Fortgeschrittene Kenntnisse in Python
• Grundkenntnisse KI, Multi-Agentensystemen oder maschinellem Lernen

Bewerbung:

Bewerbungen bitte mit Lebenslauf und aktueller Fächerübersicht per E-Mail an Luca.Werthmann@faps.fau.de

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

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!

Hintergrund:

Mit der zunehmenden Integration erneuerbarer Energiequellen und der verstärkten Digitalisierung in der Energiewirtschaft gewinnen intelligente, KI-unterstützte Energiemanagementsysteme immer mehr an Bedeutung. Diese Systeme bieten innovative Lösungen zur Optimierung des Energieverbrauchs, zur Reduktion von Kosten und zur Steigerung der Energieeffizienz.
In Kooperation mit über 30 namhaften Partnern der Industrie baut der FAPS in seinen Laborhallen eine gleichstrombasierte Demonstrator-Anlage mit regenerativen Erzeugern, verschiedenen Speichern und industriellen Verbrauchern auf. Entstandene Simulationen können dort messtechnisch validiert und das Gesamtkonzept auf die praktische Umsetzbarkeit sowie die Wirtschaftlichkeit untersucht werden.

Eine strukturierte Literaturübersicht (Meta-Analyse) zu KI-unterstützen Energiemanagementsystemen ist erforderlich, um bestehende Forschungsergebnisse in diesem Bereich zusammenzufassen, zu analysieren und die Wirksamkeit verschiedener KI-Technologien im Energiemanagement zu bewerten.

Mögliche Inhalte:

Einsatz und Effektivität von KI-Technologien im Energiemanagement: Chancen, Herausforderungen und Anwendungen in der Gleichstromfabrik

• Einsatz von KI-Technologien in Energiemanagementsystemen: Aktuelle KI-Technologien (Reinforcement Learning, Deep Learning oder andere Optimierungsalgorithmen) zur Verbesserung von Energiemanagementprozessen.
• Effektivität von KI im Energiemanagement: Bewertung der Wirksamkeit von KI-Technologien hinsichtlich Energieeffizienz, Kostensenkung und nachhaltiger Energiegewinnung.
• Herausforderungen bei der Anwendung von KI: Analyse der bestehenden Herausforderungen und Limitationen bei der Implementierung von KI in Energiemanagementsystemen.
• Übertragbare Ansätze für die Gleichstromfabrik: Ableitung von praxisorientierten Ansätzen aus bestehenden Studien zur Anwendung von KI in einer Gleichstromfabrik.
•  (Falls gewünscht) Integration von KI-Technologien in Simulationen: Modellierung und Testen von Energiemanagementstrategien in einem digitalen Zwilling der Gleichstromfabrik

Technologische Ansätze im Energiemanagement: Cloud, Open-Source und Edge Computing

• Cloud-basierte Lösungen: Untersuchung der Vorteile und Herausforderungen der Cloud-Integration in Energiemanagementsysteme.
• Open-Source-Plattformen: Analyse von Open-Source-Frameworks (z.B. Open-EMS) und deren Einsatzmöglichkeiten.
• Edge-Computing: Untersuchung des Einsatzes von Edge-Computing zur lokalen Datenverarbeitung in Energiemanagementsystemen.
• Integration: Bewertung der Interoperabilität zwischen Cloud-, Open-Source- und Edge-Technologien.

Erwartete Ergebnisse:

• Eine umfassende und kritische Literaturübersicht (Meta-Analyse) zu den neuesten Entwicklungen und Ansätzen in der Anwendung von KI im Energiemanagement.
• Eine vergleichende Analyse der Effektivität von verschiedenen KI-Technologien und -Methoden.
• Empfehlungen für zukünftige Forschungsrichtungen und mögliche Praxisanwendungen im Bereich des KI-unterstützten Energiemanagements.

Benefits:

Das sogenannte DC-Team am Lehrstuhl besteht aus mehreren Wissenschaftlern und Studierenden, die ihre Arbeiten im Team erledigen und sich gegenseitig unterstützen. Theoretisch ist 100% Remote Arbeiten möglich, wobei eine Bereitschaft für regen Austausch im DC-Team gewünscht wird. In dieser Arbeit ist die Vergabe der Arbeitspakete konkurrenzlos in mehrere Teilaufgaben untergliederbar.

Was Sie mitbringen sollten:

• Eigenständiges Arbeiten
• Erfahrung im wissenschaftlichen Arbeiten sowie in der Durchführung von Literaturrecherchen.
• Gute Dokumentationsfähigkeit
• Grundkenntnisse in Machine Learning und Elektronik von Vorteil

Bewerbung:

Bewerbungen bitte mit Lebenslauf und aktueller Fächerübersicht per E-Mail an Luca.Werthmann@faps.fau.de

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!