Index

Hintergrund: Im Zuge des fortschreitenden Wandels in der Energiebranche und der zunehmenden Bedeutung von nachhaltigen und effizienten Energiemanagementsystemen, bieten sich für innovative Startups vielfältige Möglichkeiten. Diese Abschlussarbeit zielt darauf ab, den Grundstein für ein solches Startup zu legen, indem sie innovative Geschäftsmodelle für neue Energiemanagementfunktionalitäten entwickelt.

Thema: Entwicklung von Geschäftsmodellen für neue Energiemanagementfunktionalitäten mit dem Ziel der Gründung eines Startups.

Mögliche Aufgaben:

• Analyse aktueller Trends und Herausforderungen in der Energiebranche, insbesondere im Bereich Energiemanagement.
• Identifikation und Bewertung neuer Technologien und Funktionalitäten im Energiemanagement.
• Entwicklung innovativer Geschäftsmodelle, die diese neuen Funktionalitäten nutzen.
• Erstellung eines umfassenden Businessplans, einschließlich Marktanalyse, Strategieentwicklung und Finanzplanung.
• Erarbeitung eines Konzepts zur Umsetzung und Skalierung des Startups.

 

Für Produktionsanlagen, die über innovative und regenerativ gespeiste Gleichstromnetze betrieben werden, ist ein neuer Antriebscontroller entwickelt worden. Der Antriebscontroller ist deutlich effizienter, materialsparender und stellt die Zukunft für dezentrale Antriebstechnik in der Industrie dar. Ähnlich wie im Elektrofahrzeug kann Bremsenergie zurückgewonnen werden und beispielsweise gespeichert oder direkt verbraucht werden.

Für den Prototypen im Endstadium wird eine spannende Anwendung bzw. ein Use-Case gesucht.

 

Konkreter Inhalt der Arbeit:

– Du entwickelst einen repräsentativen industriellen Use-Case, in dem der Controller und ein dazugehöriger elektrischer Antrieb eingesetzt wird. Für die Elektroplanung stehen ggf. erfahrene Elektroingenieure/Fachkräfte zur Verfügung. Du übernimmst die mechanische/mechatronische Konzeption.

– Bei dem Use-Case hast du freie Hand und Budget für Hardware ist verfügbar.

– Je nach Umfang ist die Integration und Automatisierung in eine Gesamtanlage möglich.

– Ggf. ist die Automatisierung über SPS/PLC oder ein Energiemonitoring in die Aufgabenstellung integrierbar oder über eine ergänzende Abschlussarbeit abhandelbar.

– Die Simulation des Prozesses über einen digitalen Zwilling stellt ebenfalls eine separate Arbeit dar.

– Gerne kann die Abschlussarbeit auch im Team mit anderen Studierenden vergeben werden.

Ausgangssituation:

Die Forschung zur Anwendbarkeit des maschinellen Lernens in der Industrie konzentriert sich häufig auf spezifische Anwendungen (Prädiktive Instandhaltung, Qualitätssicherung, Prozesssteuerung, etc.) und/oder spezifische Prozesse/Prozessklassen. Eine mögliche Prozessklasse die man untersuchen kann sind Vakuum-basierte Beschichtungsprozesse. Diese finden Anwendung in einer Vielzahl von zukunftsträchtigen Branchen und einem breiten Feld von Produkten, wie z.B. Halbleitern, Solarzellen, optischen Beschichtungen, uvm.

Keywords:
Machine Learning, Deep Learning, time-series, Vacuum deposition, Physcial Vapor Deposition (PVD), thin-film coatings

 

Aufgabenstellungen:

Ziel der Arbeit ist die Untersuchung der Einsatzmöglichkeiten von State-Of-the-Art Konzepten und Modellen des maschinellen Lernens auf industriellen Zeitreihen, insb. aus Vakuum-Beschichtungsprozessen, für verschiedene Anwendungsfälle. Je nach Umfang der Arbeit (BA/PA/MA) und Präferenzen, wäre eine mögliche Aufgabenstellung:

• Fachliche Einarbeitung und Darstellung des Stands der Forschung bezogen auf multivariate industrielle Zeitreihen zur Produkt-Qualitätsvorhersage und Prozessteuerung
• Identifikation und Beschreibung aktueller Attention-Mechanismen sowie Evaluation des Potentials der Anwendbarkeit auf industrielle Zeitreihen
• Entwicklung eines Machine Learning/Deep Learning-Modells basierend auf den gewonnenen Erkenntnissen der vorangegangen Einarbeitung
• Evaluation des Modells anhand verschiedener, öffentlich verfügbarer industrieller Zeitreihendaten

 

Anforderungsprofil und Informationen zur Bewerbung:

• Interesse an Maschinellem Lernen im industriellen Umfeld, idealerweise bereits erste Erfahrungen
• Hohe Motivation, Auffassungsgabe sowie strukturierte Arbeitsweise und gute Kommunikationsfähigkeiten
• IT-Affinität und gute Kenntnisse mind. einer Hochsprache (idealerweise Python) wünschenswert
• Bearbeitungsbeginn ab sofort möglich
• Umfang und Inhalte je nach Arbeit (BA/PA/MA) und Präferenzen individuell abstimmbar
• Bewerbungen bitte mit CV und aktueller Fächer/Notenübersicht per Mail an unten genannten Kontakt

Ausgangssituation:
Das Spritzgussverfahren ist branchenübergreifend eines der wichtigsten Fertigungsverfahren zur kosteneffizienten Produktion großer Stückzahlen von Bauteilen. Moderne Spritzgussmaschinen weisen vielfältige Sensoren zur Erfassung von Betriebsdaten auf. Standardisierte Kommunikationsprotokolle (OPC UA, MQTT) erlauben die einfache Integration weiterer Sensorik zur vollumfänglichen digitalen Abbildung des Maschinenbetriebes. Zur Auswertung der erfassten Daten stehen Methoden des maschinellen Lernens zur Verfügung. Diese lassen automatisiert Rückschlüsse auf die Prozess- und Produktqualität, ohne einer aufwendigen Interaktion mit den menschlichen Anwendern zu. Sie erlauben des Weiteren die Erzeugung von Prognosen über die Entwicklung von Messwerten, welche die Grundlage zur Realisierung einer bedarfsgerechten Wartung (Predictive Maintenance) oder Anpassung von Prozessparametern (Predictive Quality) darstellen.

Bei Spritzgussmaschinen kommen Messgrößen wie bspw. Forminnendruck, Dosierzeit, Temperatur oder Kühlwasserdurchflussmenge standardmäßig eine besondere Bedeutung zu. Hinzu kommt mit modernen Systemen der Körperschall. Geeignet ausgewertet, können diese Parameter die Grundlage zur Effizienzsteigerung des Maschinenbetriebs darstellen.

Keywords:
I 4.0, Predictive Maintenance, Predictive Quality, Injection Moulding, Machine Learning, Process Engineering & Monitoring, Acoustic Sensor, Deep Learning

 

Aufgabenstellungen:

• Analyse des Spritzgussprozesses an einer ausgewählten Maschine, der IT-Systeme zur Steuerung und Datenerfassung sowie vorausgegangener Arbeiten zum Thema
• Vergleich zwischen beobachteten physikalischen Effekten und den Signaländerungen
• Modellierung und Umsetzung von Methoden des maschinellen Lernens (ML) zur Vorhersage von Effekten mit dem Ziel der Effizienzsteigerung
• Entwicklung einer prototypischen Applikation inkl. graphischer Benutzeroberfläche zur Nutzung der ML-Methoden durch Endanwender
• Wirtschaftlichkeitsbetrachtung
• Prototypische Validierung des erarbeiteten Lösungsansatzes
• Dokumentation der Arbeit

 

Anforderungsprofil:

• Student der Fachrichtung Ingenieurwissenschaften
• Programmierkenntnisse in einer Hochsprache (z.B. Python, C++, C#, Java, Matlab)
• Kenntnisse der physikalischen Grundlagen von Sensoren und Signalverarbeitung
• Gute Kommunikationsfähigkeit
• Verhandlungssicheres Englisch in Wort und Schrift

 

Sonstiges:
Die Bearbeitung erfolgt in Zusammenarbeit mit einem Industriepartner.

 

 

Die fortschreitende Energiewende erfordert innovative Lösungen zur effizienten Speicherung und Nutzung erneuerbarer Energiequellen. Die Integration von Batteriespeichern in das Energiemanagement spielt dabei eine entscheidende Rolle.

Für eine Musterproduktionszelle mit innovativer Versorgungsinfrastruktur (regenerativ gespeistes Gleichstromnetz ~650 VDC) wird ein leistungsfähiger Batteriespeicher mit integrierter Ladeelektronik weiterentwickelt. Im Rahmen der Abschlussarbeit werden hierbei eine Kommunikation zwischen Speicher und Industriesteuerung (SPS/PLC) hergestellt und neue Betriebskonzepte (z. B. Notstrombetrieb, Eigenverbrauchsoptimierung, CO2-Optimierung kostenbasierte Steuerung etc.) erarbeitet. Optimalerweise sind die Lösungen in die Serienentwicklung beim Industriepartner überführbar.

Die Arbeit verläuft in enger Abstimmung mit dem Industriepartner und erfordert sowohl einen Praxisteil in der Laborhalle des FAPS in Erlangen als auch in Verbindung mit Besuchsterminen beim Industriepartner in Nürnberg.

 

Im Rahmen der Energiewende verlagert sich der Fokus von fossilen Brennstoffen und Atomenergie zu erneuerbaren Energiequellen. Hybride Netzstrukturen aus einer Kombination aus Gleich- und Wechselstrom vereinen die Vorteile beider Versorgungsstrategien. Sie berücksichtigen jede Art von Verbrauchern, Speichern und Erzeugern.

In Kooperation mit über 30 namhaften Partnern der Industrie baut der FAPS in seinen Laborhallen eine Demonstratoranlage 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.

Mit dem neuartigen PHIL-Ansatz sollen Energieverläufe aus Simulationen mit Leistungselektronik verbunden werden, um so Strom- und Spannung als Quelle und als Senke an einem Gleichstromnetz aufzuschalten.

Für Abschlussarbeiten ergeben sich folgende Anknüpfungspunkte:

1. Stand der Technik und Forschung im Bereich PHIL und Möglichkeiten der PHIL-Simulation
2. Entwicklung eines PHIL-Simulators durch Kopplung von Simulationsumgebung und Netzteil
3. Entwicklung einer Bibliothek (z. B. MATLAB), um Signalverläufe vorzugeben
4. Messung realer Leistungsverläufe von Produktionszellen, einzelnen Verbrauchern, regenerativen Erzeugern oder Verbrauchern, um diese in die Bibliotheken zu übernehmen
5. Implementierung eines messtechnischen Feedbacks an die Simulationsumgebung z. B. mit interoperablen I4.0 Kommunikationsprotokollen (OPC UA, MQTT etc.)

 

Um den CO2-Fußabdruck eines Produkts/einer Fertigungslinie gegenüber Verbrauchern, Kunden oder Regulierungsbehörden nachzuweisen und mit ihren Lieferanten gezielte Reduktionsmaßnahmen zu initiieren, sind Unternehmen auf genaue Informationen auf Produktebene angewiesen. Der CO2-Fußabdruck ist schon längst kein Imagefaktor für Unternehmen mehr, sondern stellt bereits ein signifikantes Kaufargument in vielen Industriesparten wie zum Beispiel in der Automobilindustrie dar oder wird politisch bereits gefordert. Mit einem neuartigen Messkoffer soll Unternehmen eine Hilfe gegeben werden, wie die CO2-Emissionen ermittelt und nachverfolgt werden können. Aufbauend darauf können Reduzierungsmaßnahmen zur Dekarbonisierung entwickelt und ergriffen werden.

Mögliche Abschlussarbeiten/Inhalte:

• Grundlagenrecherche zur Bestimmung oder Zertifizierung des CO2-Fußabdrucks von Produkten, Produktionsanlagen, Werken oder digitalen Services etc.
• Identifikation und Beurteilung aller Einflüsse auf den CO2-Fußabdrucks und Generierung von Kennzahlen (auch wirtschaftlich)
• Grundlagenermittlung für einen Messkoffer/ein Messkonzept und Ansprüche an die Sensorik und Auswertung
• Bau und Verdrahtung des Messkoffers oder/und Programmierung von Auswerteeinheiten und User-Interface (z. B. SPS, Computer, Messkarten, Mikrocontrollern, Webserver etc.)
• Recherche zu bestehenden Softwarelösungen/Messkonzepten
• Möglichkeiten der Kopplung mit Industriesteuerungen (z. B. SPS oder Cloud-Edge-Devices)
• Aufzeigen von Maßnahmen zur Reduzierung des CO2-Fußabdrucks zur Dekarbonisierung von Produktionsanlagen/Werken etc.
• Ggf. Simulationskopplung

Um den CO2-Fußabdruck eines Produkts/einer Fertigungslinie gegenüber Verbrauchern, Kunden oder Regulierungsbehörden nachzuweisen und mit ihren Lieferanten gezielte Reduktionsmaßnahmen zu initiieren, sind Unternehmen auf genaue Informationen auf Produktebene angewiesen. Der CO2-Fußabdruck ist schon längst kein Imagefaktor für Unternehmen mehr, sondern stellt bereits ein signifikantes Kaufargument in vielen Industriesparten wie zum Beispiel in der Automobilindustrie dar oder wird politisch bereits gefordert.

Mögliche Abschlussarbeiten/Inhalte:

• Grundlagenrecherche zur Bestimmung oder Zertifizierung des CO2-Fußabdrucks von Produkten, Produktionsanlagen, Werken oder digitalen Services etc.
• Identifikation und Beurteilung aller Einflüsse auf den CO2-Fußabdrucks
• Simulationstechnische Lösungen (z. B. Digital Twin) zur Berechnung des Carbon-Footprints aus den Energieflüssen z. B. von Produktionsanlagen
• Tracking/Transparenzbildung des Carbon-Footprints über den gesamten Produktlebenszyklus
• Aufzeigen von Maßnahmen zur Reduzierung des CO2-Fußabdrucks zur Dekarbonisierung von Produktionsanlagen/Werken etc.

Ausgangssituation:
Das Spritzgussverfahren ist branchenübergreifend eines der wichtigsten Fertigungsverfahren zur kosteneffizienten Produktion großer Stückzahlen von Bauteilen. Moderne Spritzgussmaschinen weisen vielfältige Sensoren zur Erfassung von Betriebsdaten auf. Standardisierte Kommunikationsprotokolle (OPC UA, MQTT) erlauben die einfache Integration weiterer Sensorik zur vollumfänglichen digitalen Abbildung des Maschinenbetriebes. Zur Auswertung der erfassten Daten stehen Methoden des maschinellen Lernens zur Verfügung. Diese lassen automatisiert Rückschlüsse auf die Prozess- und Produktqualität, ohne einer aufwendigen Interaktion mit den menschlichen Anwender zu. Sie erlauben des Weiteren die Erzeugung von Prognosen über die Entwicklung von Messwerten, welche die Grundlage zur Realisierung einer bedarfsgerechten Wartung (Predictive Maintenance) darstellen.

Bei Spritzgussmaschinen kommen Messgrößen wie bsp. Forminnendruck, Dosierzeit oder Wasserdurchflussmenge standardmäßig eine besondere Bedeutung zu. Hinzu kommt mit modernen Systemen der Körperschall. Geeignet ausgewertet, können diese Parameter die Grundlage zur Effizienzsteigerung des Maschinenbetriebs darstellen. Sie erlauben eine Werkzeugoptimierung durch die Vorhersage von Wartungsintervallen, die Optimierung der Werkzeugparameter, eine Entlüftungskontrolle und eine Verschleißkontrolle.

Keywords:
I 4.0, Predictive Maintenance, Injection Moulding, Machine Learning, Process Engineering &
Monitoring, Acoustic Emissions

Aufgabenstellung:

• Analyse am Markt verfügbarer Predictive Maintenance Systeme für Spritzgussmaschinen
• Begleitung und Dokumentation der Einführung eines der Systeme
• Datenauswertung: Vergleich zwischen beobachteten physikalischen Effekten und den
  Signaländerungen
• Erarbeitung übertragbarer Lösungskonzepte und Methoden (Standardisierung)
• Wirtschaftlichkeitsbetrachtung anhand der identifizierten Optimierung
• Prototypische Validierung des erarbeiteten Lösungsansatzes
• Dokumentation der Arbeit

Anforderungsprofil:

• Student der Fachrichtung Ingenieurwissenschaften
• Programmierkenntnisse in einer Hochsprache (z.B. Python, C++, C#, Java, Matlab)
• Kenntnisse der physikalischen Grundlagen von Sensoren und Signalverarbeitung
• Gute Kommunikationsfähigkeit
• Verhandlungssicheres Englisch in Wort und Schrift

Sonstiges:
Die Bearbeitung erfolgt in Zusammenarbeit mit einem Industriepartner.