Index

Systems Engineering ist ein interdisziplinärer und ganzheitlicher Ansatz zur Entwicklung und Beherrschung komplexer Systeme über ihren gesamten Lebenszyklus hinweg. Anforderungen, Funktionen, Architektur, Realisierung und Betrieb werden dabei systematisch miteinander verknüpft. Das Systems Engineering ist geprägt von methodischen, häufig modellbasierten Vorgehensweisen. Im Model-Based Systems Engineering kommen beispielsweise Vorgehensmodelle wie das V-Modell oder das RFLP-Modell (Requirements, Functional, Logical, Physical) zum Einsatz.

 

Diese strukturierte Herangehensweise an die Entwicklung komplexer Systeme bietet in Kombination mit den Fähigkeiten generativer künstlicher Intelligenz ein hohes Potenzial zur Automatisierung von Engineering-Prozessen.

 

Der Lehrstuhl FAPS erforscht und entwickelt gemeinsam mit Industriepartnern neue Ansätze zur Automatisierung einzelner Prozessschritte im Systems Engineering. Der inhaltliche Fokus liegt dabei insbesondere auf der Entwicklung automatisierter Produktionsanlagen und Lagersysteme. In diesem Kontext ergeben sich spannende studentische Arbeiten mit direktem Bezug zu industriellen Anwendungsfeldern.

 

Aktuelle Themengebiet sind:

• Automatisierung einzelner Engineering-Schritte entlang des RFLP-Modells
• Agentic AI: Orchestrierung, Kommunikation und strukturierte Outputs
• Vergleich und Einsatz unterschiedlicher Modellierungssprachen (z.B. UML, SysML, AutomationML)
• Automatisierung von Optimierungsschleifen mithilfe maschinellen Lernens
• Generierung von Modellierungsartefakten durch generative KI
• Vergleich und Übertragung von Konzepten aus dem Bereich Business Process Automation

 

Dein Profil:

• Interesse an der Thematik
• Motivation und Eigeninitiative
• Programmierkenntnisse
• Erste Erfahrungen mit generativen Sprachmodellen
• Strukturierte und selbstständige Arbeitsweise

 

Die Arbeit kann ab sofort begonnen werden.

Bewerbungen bitte per E-Mail mit Lebenslauf und aktuellem Notenauszug an untenstehenden Kontakt richten. Bitte stelle in deiner Bewerbung dar, welches der genannten Themengebiete dich besonders interessiert.

Titel:
Proof-of-Concept: World Models für ereignisdiskrete Produktionssimulation (optional mit Quantum-Computing-Ansatz)

Art der Arbeit:
Studienarbeit / Projektarbeit / Masterarbeit (nach Absprache)

Hintergrund und Motivation
Ereignisdiskrete Simulation (DES) ist ein etabliertes Werkzeug zur Planung und Optimierung von Produktionssystemen, stößt aber bei umfangreichen Szenariostudien und Optimierungsaufgaben an Grenzen hinsichtlich Rechenzeit und Automatisierung. World Models aus dem Bereich des modelbasierten Reinforcement Learning ermöglichen es, dynamische Systeme als lernbasierte Surrogate abzubilden und damit Entscheidungen und Policies in einem gelernten Modell statt in der vollständigen Simulation zu optimieren. Im Rahmen dieser Arbeit soll ein Proof-of-Concept erarbeitet werden, wie World Models für eine Produktions‑DES eingesetzt werden können, welche Potenziale und Anwendungsbereiche sich daraus ableiten lassen und inwiefern sich Ansätze zur quantenbasierten Parallelisierung perspektivisch nutzen lassen.

Ziel der Arbeit
Ziel der Arbeit ist die Konzeption und Umsetzung eines Proof-of-Concept, bei dem ein World Model als Surrogate für eine ereignisdiskrete Produktionssimulation dient und zur schnellen Bewertung von Steuerungs‑ bzw. Scheduling‑Strategien eingesetzt werden kann. Darüber hinaus sollen die Potenziale (z.B. Rechenzeiteinsparung, verbesserte Policy-Optimierung, neue Analyse‑Workflows) und konkrete Anwendungsbereiche in der Produktionsplanung systematisch herausgearbeitet und bewertet werden. Optional soll untersucht werden, welche Teilaspekte (z.B. Trajektoriensuche, Policy-Evaluation) prinzipiell durch Quantum-Computing‑Ansätze parallelisiert werden könnten und wie ein entsprechendes Forschungs-Setup aussehen würde.

Aufgabenstellung (Arbeitspakete)

1. Literaturrecherche

• Recherche zu World Models und modelbasiertem Reinforcement Learning (Dreamer, latent World Models) mit Fokus auf Produktions‑ und Simulationsanwendungen.
• Recherche zu bestehenden Ansätzen für Surrogate‑Modelle in der Simulation sowie ersten Studien zu Quantum Reinforcement Learning und quantenbasierter Parallelisierung von Trajektorien.
• Systematische Sichtung von Veröffentlichungen zu Potenzialen und Anwendungsfeldern von KI‑basierten Surrogates und World Models in Digitalen Zwillingen und Produktionssystemen.

2. Konzeption eines geeigneten Demonstrators

• Auswahl und Konzeption eines geeigneten DES‑Demonstrators für ein Produktionssystem. Im Best Case wird Siemens Plant Simulation verwendet; alternativ kommen SimPy (Python) oder AnyLogic in Frage.
• Festlegung einer kompakten Zustands‑ und Aktionsrepräsentation (State-Vector aus Queue-Längen, Maschinenzuständen, WIP etc.; Aktionen z.B. Dispatching-/Prioritätsregeln).

3. Implementierung eines World Models für DES

• Erstellung einer Datengrundlage durch Simulationstrajektorien aus dem gewählten DES‑Tool (bevorzugt Plant Simulation, alternativ SimPy oder AnyLogic).
• Implementierung oder Adaption eines World-Model-Ansatzes (z.B. DreamerV3‑ähnliche Architektur oder vereinfachtes latent dynamisches Modell) in Python.
• Training und Validierung des World Models als Surrogate: Vergleich von simulierten Trajektorien und relevanten KPIs im World Model gegenüber der ursprünglichen DES.

4. Proof-of-Concept: Einsatz des World Models und Potenzialanalyse

• Nutzung des World Models zur schnellen Bewertung von Steuerungs‑ oder Scheduling‑Strategien (z.B. durch Rollouts im gelernten Modell oder einfaches Planning).
• Quantitative und qualitative Analyse von Rechenzeit, Genauigkeit und Generalisierungsfähigkeit über mehrere Szenarien/Varianten des Produktionssystems.
• Herausarbeitung der Potenziale und Grenzen des Ansatzes für typische Anwendungsbereiche (z.B. Layout‑Variantenvergleich, Schicht- und Auftragsplanung, Engpass‑Management) und Ableitung von Handlungsempfehlungen.

5. Optionale Vertiefung: Quantum-Computing-Perspektive

• Sichtung relevanter Quantum-RL‑Literatur und Identifikation von Subproblemen (z.B. Trajektoriensuche oder Policy-Evaluation), die prinzipiell für eine quantenbasierte Parallelisierung geeignet sind.
• Konzeption eines skizzenhaften PoC‑Setups (z.B. auf Basis vorhandener Quantum‑Frameworks und kleiner Beispielumgebungen), das die Einbindung von Quantum-Computing in World-Model-basierte RL‑Ansätze demonstriert.

6. Dokumentation und Präsentation

• Systematische Dokumentation der Methodik, Ergebnisse, Potenziale und Grenzen des Ansatzes.
• Abschlusspräsentation der Arbeitsergebnisse am Lehrstuhl.

Voraussetzungen

• Laufendes Studium in Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen, Informatik, Data Science oder einem vergleichbaren Studiengang.
• Grundkenntnisse in Python und Interesse an Maschinellem Lernen / Reinforcement Learning.
• Erste Erfahrungen mit Simulation (z.B. DES, agentenbasierte Modelle oder eigene Python‑Simulationen); Erfahrung mit Plant Simulation, SimPy oder AnyLogic ist von Vorteil.
• Selbstständige, strukturierte Arbeitsweise und Freude an forschungsnahen Fragestellungen.

Rahmenbedingungen

• Beginn: Nach Absprache, ab sofort möglich.
• Dauer: Entsprechend Prüfungsordnung (Studienarbeit/Projektarbeit/Masterarbeit).
• Die Arbeit ist in aktuelle Forschungsaktivitäten im Bereich Digitaler Zwilling, Simulation und KI am Lehrstuhl FAPS eingebunden.

Betreuung und Kontakt
Ansprechpartner:
Martin Barth, M.Eng.
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS), FAU Erlangen-Nürnberg
E-Mail: martin.barth@faps.fau.de

Bitte senden Sie Ihre Bewerbung mit kurzem Motivationsschreiben, Lebenslauf und aktuellem Notenspiegel per E‑Mail an martin.barth@faps.fau.de

Im Forschungsprojekt LLM-SE (Large Language Model unterstütztes Systems Engineering) wird am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) ein neuartiger Ansatz zur KI-gestützten Teilautomatisierung des Systems Engineerings mechatronischer Systeme entwickelt. Ziel ist es, Engineering-Prozesse von der Anforderungsspezifikation über die Modellbildung bis hin zur virtuellen Inbetriebnahme methodisch zu strukturieren, teilautomatisiert zu unterstützen und systematisch zu validieren.

Ein zentraler Fokus des Projekts liegt auf der generativen Modellbildung entlang des RFLP-Ansatzes sowie auf der Kopplung dieser Modelle mit simulationsbasierten Methoden zur Validierung und Optimierung. Hierzu werden Large Language Models (LLMs) mit Wissensbasen, Optimierungsverfahren und Simulationswerkzeugen kombiniert. Die entwickelten Methoden werden an repräsentativen Anwendungsfällen mechatronischer Systeme demonstriert, evaluiert und dokumentiert.

Im Rahmen studentischer Arbeiten besteht die Möglichkeit, an diesen Fragestellungen mitzuwirken und Teilaspekte der Arbeitspakete AP 5 (KI-gestützte Modellbildung und Konfiguration) und AP 10 (Methodik, Demonstration und Validierung) zu bearbeiten.

---

Inhaltlicher Fokus der studentischen Arbeiten

KI-gestützte Modellbildung und Konfiguration

Ausgehend von Anforderungsspezifikationen werden funktionale Modelle, Lösungsstrukturen und Konfigurationen mechatronischer Systeme erzeugt. Dabei kommen LLM-basierte Verfahren, Wissensbasen sowie Optimierungsansätze zum Einsatz. Ziel ist es, aus einer Vielzahl möglicher Lösungen schrittweise konsistente und regelkonforme Systemmodelle abzuleiten.

Studierende können u. a. an folgenden Themen arbeiten:

• Ableitung funktionaler Strukturen aus Anforderungen

• Nutzung von LLMs zur Identifikation und Kombination geeigneter Lösungselemente

• Aufbau und Nutzung von Wissensbasen zur Modellgenerierung

• Erstellung von 150 %- und 100 %-Modellen entlang des RFLP-Ansatzes

• KI-gestützte Unterstützung bei der Konfiguration physischer Systemelemente

---

Methodik, Demonstration und Validierung

Aufbauend auf den in AP 5 generierten Modellen wird ein methodisches Vorgehensmodell für LLM-gestütztes Systems Engineering entwickelt, erprobt und evaluiert. Dieses beschreibt die einzelnen Prozessschritte von der Anforderungserfassung bis zur virtuellen Validierung und definiert die entstehenden Artefakte.

Zentrale Aspekte sind:

• Analyse und Abgrenzung bestehender Engineering-Vorgehensmodelle

• Strukturierung der LLM-SE-Aktivitäten in ein konsistentes Prozessmodell

• Anwendung des Vorgehensmodells auf reale und repräsentative Testfälle

• Systematische Validierung der Ergebnisse entlang des Entwicklungsprozesses

• Bewertung von Qualität, Effizienz und Robustheit der erzeugten Modelle

---

Simulationsbasierte Validierung und Optimierung

Ein verbindendes Element zwischen AP 5 und AP 10 ist die Kopplung der generierten Modelle mit Simulationsverfahren. Simulationen dienen dabei nicht nur der Validierung, sondern auch der gezielten Optimierung von Systementwürfen.

Mögliche Schwerpunkte sind:

• Ableitung simulationsfähiger Modelle aus generierten Systembeschreibungen

• Nutzung von Simulationen zur Bewertung alternativer Lösungsvarianten

• Integration simulationsbasierter Kennzahlen (z. B. Qualität, Zeit, Kosten) in den Engineering-Prozess

• Untersuchung des Zusammenspiels von LLMs, Simulation und Optimierungsverfahren

• Identifikation von Verbesserungspotenzialen durch iterative Simulation und Anpassung der Modelle

 

Profil

• Studium in Maschinenbau, Elektrotechnik, Mechatronik, Informatik oder vergleichbar

• Kenntnisse in Unity (C#), TIA Portal oder EPLAN wünschenswert

• Interesse an KI, Automatisierung und virtueller Inbetriebnahme

• Selbstständige und strukturierte Arbeitsweise, Teamfähigkeit sowie gute Kommunikationsfähigkeiten

• Sehr gute Deutsch- und Englischkenntnisse in Wort und Schrift

Was wir bieten

• Einbindung in ein aktuelles öffentlich gefördertes Forschungsprojekt

• Hohe Zusammenarbeit mit regionalen Industriepartnern

Beginn

Ab sofort möglich. Die Position ist als Bachelor-, Projekt- oder Masterarbeit verfügbar.

Kontakt

Interessierte Studierende senden bitte ihre Bewerbungsunterlagen (kurzes Motivationsschreiben, Lebenslauf, Notenspiegel) per E-Mail an:

martin.barth@faps.fau.de

jan.krüger@faps.fau.de

Weitere Informationen zum Projekt LLM-SE:
 LLM-SE auf faps.fau.de

This thesis aims to build a flexible multi‑objective optimization framework for satellite constellation design, capable of trading coverage, revisit time, number of satellites, and cost. You will implement and benchmark evolutionary algorithms (e.g. NSGA‑II/III) and/or other multi‑objective methods, and connect them to simplified or high‑fidelity constellation performance models. The work extends classic constellation optimization approaches with modern software engineering and, if desired, digital‑twin ideas similar to those used in recent ML‑enabled frameworks.​

You will be free to choose your algorithmic and software stack (Python, Julia, C++, existing MOEA libraries, etc.), but you must justify these choices and design for extensibility (e.g. plug‑in objectives and constraints).

Mini demo challenge (attach repo link in your application):
Create a very small multi‑objective optimization example that:

• Uses a 2‑objective toy problem (e.g. simple analytic “coverage” vs. “cost” or a standard test function such as ZDT1).

• Generates ~50–100 candidate solutions and approximates a Pareto front (via your own GA or an optimization library).

• Produces a scatter plot and a data file (CSV/JSON) of the non‑dominated solutions.

• In the README, explain in a few sentences:

  • Why you chose a particular optimization library or implemented your own,

  • How you would extend this setup to real constellation design metrics and constraints.

The demo is intentionally small; the key signal is how you select, combine, and justify tools.

Suggested reading:

• Chao, S.-L. et al., “Satellite constellation design optimization via multiple-objective evolutionary computation”, J. Guidance, Control, and Dynamics.[pure.psu]

• Liu, J. et al., “Satellite Constellation Orbit Design Optimization with Combined Genetic Algorithm and Semianalytical Approach”, Advances in Astronomy.[onlinelibrary.wiley]

Application:
Interested candidates should submit their application to julius.pinsker@faps.fau.de including:

• Current transcript of records (grades).

• A concise CV (1 page).

• A link to the mini demo repository described above.

I look forward to receiving your innovative applications.

This thesis focuses on building a machine‑learning‑enabled digital twin for satellite constellations: a fast surrogate model that predicts coverage, latency, and other key metrics in milliseconds, replacing or augmenting slower physics simulations. Inspired by the work of T.I. Zohdi and co‑authors on ML‑enabled digital twins for Planet‑X constellations, you will design data pipelines, train ML models, and benchmark their accuracy and speed against existing simulation outputs.​

The emphasis is on combining a solid understanding of the underlying physics with modern ML tooling (e.g. scikit‑learn, PyTorch, JAX) and on creating an interface that can be integrated into optimization or interactive design tools.

Mini demo challenge (attach repo link in your application):

Write a small Python script or notebook that:

• Defines a simple analytic “coverage score” as a function of (altitude, inclination, number of satellites).

• Generates 100 random samples, trains any regression model (your choice), and compares predictions on 10 test samples.

• In the README (3-5 sentences): explain why you chose that ML library and what you would do differently for real constellation data.

The goal is simply to see your ML library choice and how you think about the problem—not to build something complex.

The goal is to see how you think about ML model choice, data handling, and performance.

Suggested reading:

• Zohdi, T.I. et al., “A machine-learning enabled digital-twin framework for the rapid design of satellite constellations for ‘Planet‑X’”.[msol.berkeley]

• “Building Data-Driven Satellite Digital Twins”, Journal of Space Operations & Communicator.[iafastro]

Application:
Interested candidates should submit their application to julius.pinsker@faps.fau.de including:

• Current transcript of records (grades).

• A concise CV (1 page).

• A link to the mini demo repository described above.

I look forward to receiving your innovative applications.

This thesis investigates how solar arrays degrade in the LEO environment due to radiation, atomic oxygen, and UV exposure, and how this affects end‑of‑life power budgets for small satellites and constellations. You will combine environment models with degradation data to build simplified yet credible lifetime models for different technologies and orbits.

The work can range from a more physics‑ and data‑oriented study (matching telemetry and literature data) to integration into an existing power sizing tool. Students from Energietechnik, Maschinenbau, or Informatik with interest in numerical modeling are welcome.

Mini demo challenge (attach repo link in your application):
Implement a small degradation model that:

• Starts from an initial solar array power and applies simple yearly degradation factors combining a constant term and an altitude‑dependent radiation term.

• Computes and plots relative power over 5–10 years for at least two LEO altitudes (e.g. 400 and 700 km).

• In the README, briefly describe your assumptions and explain why you chose particular numerical and plotting libraries.

The demo should be small but clean, showing how you structure a quantitative degradation study.

Suggested reading:

• Summers, G.P. et al., “Radiation-Induced Power Degradation for GaAs/Ge Solar Arrays”, SmallSat Conference.[digitalcommons.usu]

• “Evaluation and prediction of the degradation of space Si solar cells under complex space environment”.[zgwlc.xml-journal]

Application:
Interested candidates should submit their application to julius.pinsker@faps.fau.de including:

• Current transcript of records (grades).

• A concise CV (1 page).

• A link to the mini demo repository described above.

I look forward to receiving your innovative applications.

This thesis derives and structures requirements for Battery Management Systems (BMS) in LEO missions, considering eclipse cycling, temperature swings, radiation, and mission lifetime. You will translate orbital and load profiles into BMS requirements (sensing accuracy, SOC/SOH estimation, balancing strategy, redundancy) and compare terrestrial and space‑specific BMS architectures.

The work combines systems engineering with some quantitative modeling (C‑rates, thermal limits, degradation) and is suitable for students in Elektromobilität, Energietechnik, or Wirtschaftsingenieurwesen with an interest in space systems.

Mini demo challenge (attach repo link in your application):
Create a small tool that:

• Takes orbital period, eclipse duration, average payload power, and nominal battery voltage as inputs.

• Computes required usable capacity, average C‑rate during eclipse, and a recommended SOC operating window for two different mission cases (e.g. short‑lived high‑power vs. long‑lived low‑power).

• Outputs a short markdown or JSON “BMS requirement snippet” for each case.

• In the README, explain your choice of language, data structures, and how you would extend this to a more detailed requirement generator.

The main goal is to see how you formalize requirements and select tools to support that.

Suggested reading:

• NASA Technology Transfer, “Battery Management System” (MSC‑TOPS‑40).[technology.nasa]

• “Architectures for Lithium Ion Based Power Subsystems”, The Aerospace Corporation.[aerospace]

Application:
Interested candidates should submit their application to julius.pinsker@faps.fau.de including:

• Current transcript of records (grades).

• A concise CV (1 page).

• A link to the mini demo repository described above.

I look forward to receiving your innovative applications.

This thesis develops a structured database and decision tool for thruster selection in small satellite missions, with a focus on electric and chemical propulsion options for LEO constellations. You will gather data on representative thrusters, structure it in a queryable form, and design selection logic that recommends suitable options based on mission delta‑v, power, mass, and operational constraints.

The work is well suited for students in Elektromobilität, Maschinenbau, or Informatik who enjoy combining propulsion basics with data modeling and software tools.

Mini demo challenge (attach repo link in your application):
Build a minimal thruster selection prototype that:

• Stores 5–10 example thrusters (type, thrust, Isp, power, mass, TRL) in a machine‑readable format (JSON/CSV or a tiny database).

• Provides a simple CLI or script that, given required delta‑v and available power, filters infeasible thrusters and ranks the feasible ones by a simple score (e.g. mass or propellant efficiency).

• In the README, explain:

  • Why you chose your data format and parsing/CLI framework,

  • How you would scale this to a much larger catalog and richer selection criteria.

The demo is intentionally small; what matters is your tool and data modeling choices.

Suggested reading:

• “Electric propulsion methods for small satellites: a review”, University of Stuttgart.​

• Hofer, R. et al., “Electric Propulsion for Small Satellites: A Case Study”, IEPC.​

Application:
Interested candidates should submit their application to julius.pinsker@faps.fau.de including:

• Current transcript of records (grades).

• A concise CV (1 page).

• A link to the mini demo repository described above.

I look forward to receiving your innovative applications.