FHWS at Münzstraße 12, WiSo building, Würzburg

Projekte

Ein wesentlicher Bestandteil des Masterstudiengangs ist das "forschende Lernen". Dazu werden die Studierenden im Rahmen von Projekten angeleitet, komplexere Fragestellungen aus der angewandten Mathematik und Physik zu bearbeiten. Mögliche Projektthemen sind hier aufgelistet. Die Vorschlagsliste wird zyklisch aktualisiert. Es besteht auch die Möglichkeit mit eigenen Ideen ein Projektthema zur Bearbeitung vorzuschlagen.

Für mehr Informationen auf den Titel klicken!

Ein Podcast im FHWS Fokus Orange über ein erfolgreiches Projekt (Schach spielender Roboter) können Sie hier sehen.

Anwendungsspezifische Konzeption, Planung und Herstellung von Induktoren für eine Induktionsheizanlage

Induktionsheizanlagen
Bilder: J. Hartmann / THWS

Im Rahmen eines Forschungsprojektes wird eine Messanlage zur Bestimmung von thermophysikalischen Materialparametern bei hohen Temperaturen entwickelt. Zur Erhitzung der Materialproben soll dabei eine Induktionsheizanlage eingesetzt werden. Hierbei stellen sich mehrere Herausforderungen. Es sollen verschiedene Probengrößen und -geometrien sowie verschiedene Materialklassen Verwendung finden. Metallische Proben werden mittels Induktion direkt geheizt, für Keramiken soll eine indirekte Heizung konzipiert werden. Um in allen Fällen eine gleichmäßige Oberflächentemperatur der zu untersuchenden Materialproben zu erreichen, müssen die verwendeten Induktoren jeweils den Probeneigenschaften angepasst werden.

Im Rahmen der Arbeit sollen Verfahrensweisen zur anwendungsspezifischen Planung von Induktoren sowie zur Fertigung derselben auf Grundlage der zuvor durchgeführten Planung entwickelt werden. Dazu sollen zunächst die einschlägigen maßgebenden theoretischen Grundlagen der induktiven Probenheizung aufgearbeitet und auf den konkreten Einsatzzweck angewendet dokumentiert werden. Basierend hierauf sollen Simulationsmodelle zur anwendungsspezifischen Planung von Induktoren entwickelt werden.

 

Die im Rahmen der Arbeit entwickelten Planungs- und Fertigungsverfahren sollen an konkreten Problembeispielen praktisch erprobt und dokumentiert werden.

Die praktischen Arbeiten werden am Center for Applied Energy Research in Würzburg (cae-zerocarbon.de) durchgeführt.

 

Kontakt: Prof. Dr. Jürgen Hartmann

Kamerabasierte Erkennung von Defekten bei industriellen Mehrwegbehältern

Typische Beispiele industrieller Mehrwegbehälter - mehrer Stapel Plastikkisten mit zwei Vögeln vor einer Wand
Typische Beispiele industrieller Mehrwegbehälter - Bildquelle: Nino Barbieri, Eigenes Werk, CC BY 2.5, https://commons.wikimedia.org/w/index.php?curid=1758859

Mehrwegbehälter sind ein wichtiger Baustein für eine nachhaltige Industrieproduktion. Spezielle Anlagen bereiten gebrauchte Industriebehältnisse (z.B. Boxen, Container) so auf, dass sie wiederverwendet werden können. Der Aufbereitungsprozess ist bisher nur in Ansätzen automatisiert.

Im Verbundforschungsprojekt „Digitales Behältermanagement mit der Anwendung von Computer Vision“ (DIBCO) möchten wir den Aufbereitungsprozess von Industriebehältnissen stärker automatisieren. Neben der FHWS sind die Unternehmen Sprintbox (Behälteraufbereitung), TAF Industriesysteme (Automatisierung) und Lobster (IT/Logistik) beteiligt.

In einem Teilprojekt sollen Defekte und Verschmutzungen der Mehrwegbehälter mit Hilfe eines Computer Vision-Systems erkannt werden.

Im ausgeschriebenen Masterprojekt soll, basierend auf Methoden der Computer Vision z.B. Deep Learning, ein System zur Erkennung von bestimmten Defekten/Verschmutzungen implementiert und getestet werden.

Sie sollten gute Programmierkenntnisse und Kenntnisse im Bereich maschinelles Lernen, Bildverarbeitung und/oder KI mitbringen. Das Projekt eignet sich auch sehr gut für ein Team aus zwei Studierenden.

Kontakt: Prof. Dr. Storath

Ansprechpartner: Prof. Dr. H. Walter

Physics-Informed Neural Networks (PINNs) oder Physics-Informed Neural Operators (PINOs), sind eine relativ neue Klasse von künstlichen neuronalen Netzen, die zur Approximation von partiellen Differentialgleichungen eingesetzt werden können. Da neben den Trainingsdaten auch das vorhandene Wissen zu den maßgeblichen physikalischen Gesetzmäßigkeiten bereitgestellt wird, werden diese Netzwerke oft auch als auch als theoriegeleitete neuronale Netze bezeichnet. Es sind universelle Funktionenapproximatoren, die das Wissen über diejenigen physikalischen Gesetze, die einen gegebenen Datensatz bestimmen, in den Lernprozess einbetten können und dadurch das Verhalten von Systemen, die durch partielle Differentialgleichungen beschrieben werden, erfolgreich vorhersagen. Die Verwendung des Wissens über die zugrundeliegenden physikalischen Gesetze wirkt beim Training in Art einer Regularisierung, was den Raum zulässiger Lösungen einschränkt und die Korrektheit der Funktionsannäherung erhöht. Auf diese Weise führt die Einbettung dieser Vorabinformationen in ein neuronales Netz zu einer Verbesserung des Informationsgehalts der verfügbaren Daten und erleichtert es dem Lernalgorithmus, die richtige Lösung zu finden und selbst bei einer geringen Anzahl von Trainingsbeispielen gut zu verallgemeinern. In dieser Weise überwinden PINNs/PINOs die geringe Datenverfügbarkeit einiger biologischer und technischer Systeme, welche oft dazu führt, dass viele Verfahren des maschinellen Lernens nicht angewendet werden können. Darüberhinaus sind PINNs/PINOs nicht auf eine zuvor bestimmte Auflösung (d.h. Diskretisierung) des Problems festgelegt und können flexibel angepasst werden.

In der Vergangenheit wurden PINNs/PINOs bspw. erfolgreich in der Strömungsmechanik zur Lösung der Navier-Stokes-Gleichungen eingesetzt.
Das Ziel des Projektes ist es, in Python ein funktionierendes PINN/PINO aufzubauen, um damit erste Erfahrungen zu sammeln. Dabei soll sich die Kandidatin / der Kandidat in die zugrundeliegende Theorie einarbeiten und ihr / sein PINN/PINO auf ein neues Problem anwenden.

OpenCV ist eine offene Softwarebibliothek für Computer Vision und Bildverarbeitung. Im Projekt soll eine bestehende mathematische Methode der Bildverarbeitung (z.B. Bildsegmentierung) für OpenCV umgesetzt werden. Das Projekt setzt Grundkenntnisse in C++ voraus.

Kontakt: Prof. Dr. Storath

Die Automatisierung von Pick&Place-Vorgängen ist eine Paradedisziplin für die 3D-Bildverarbeitung, denn eine schnelle und zuverlässige Teileerkennung ist die Grundlage, um Handhabungsprozesse mit dem Roboter zu lösen. Mit Hilfe von Stereo-Kameras (hier Ensenso) und spezieller Software (hier HALCON) kann man die Form, Größe und Lage der Objekte erkennen und diese Informationen an die Robotersteuerung weitergeben. So wird auch der Griff auf ungeordnete Teile in einer Kiste, das sogenannte Bin-Picking, möglich.

Kontakt: Prof. Dr. Zirkelbach

    COMSOL verfügt über zahlreiche integrierte Materialmodelle für die Simulation strukturmechanischer Prozesse.

      Die Werkstoffwissenschaft entwickelt oft neue Materialien, deren Eigenschaften sich mit den vorhandenen Modellen nicht hinreichend genau beschreiben lassen.

        COMSOL bietet daher die Möglichkeit, benutzerdefinierte Materialmodelle einzubinden.

        Projektaufgaben:

        • Vorgegebene Materialmodelle in Algorithmen umsetzen (Programmiersprache C)
        • Algorithmen an COMSOL anbinden und testen
        • Ergebnisse der Tests auswerten
        • Code und Ergebnisse dokumentieren

        Notwendige Vorkenntnisse: Grundlagen der Numerik, Programmieren in C, Umgang mit COMSOL

        Es liegt ein vollständig implementierter und detailliert beschriebener MATLAB-Code zur numerischen Lösung einer Klasse von Randwertproblemen bei Differentialgleichungen gewisser Ordnungen vor: https://doi.org/10.5281/zenodo.7678311.

        Ein Konzept für eine Erweiterung des Algorithmus auf Differentialgleichungen höherer Ordnung (mit entsprechend mehr Zusatzbedingungen) liegt ebenfalls vor.

        Projektaufgaben:

        • Erweiterung des vorhandenen MATLAB-Codes auf Gleichungen höherer Ordnung
        • Test des implementierten erweiterten Codes
        • Dokumentation des Codes und der Testergebnisse

        Notwendige Vorkenntnisse: Grundlagen der Numerik, Programmieren in MATLAB

        Ein wesentlicher Prozessschritt im Karosseriebau der Fahrzeugindustrie ist das Tiefziehen von Blechteilen. Hierbei werden geeignet geformte Blechstücke (sog. Platinen) aus einem sehr langen ebenen Blechband, dem sog. Coil, ausgeschnitten und unter Einwirkung von Zug- und Druckkräften in einer Presse in die gewünschte gekrümmte Form gebracht. Dieses Projekt betrachtet den Teilprozess des Ausschneidens der Platine aus dem Coil. Untersucht werden soll, wie die auszuschneidenden Stücke so auf dem Coil angeordnet werden können, dass das Material möglichst gut ausgenutzt wird und wenig Verschnitt entsteht.


        Kontakt: Prof. Dr. Diethelm

        Compressed Sensing ist ein Verfahren zur Rekonstruktion dünnbesetzter Signale durch Lösung unterbestimmter linearer Gleichungssysteme mithilfe von Methoden aus der Optimierung. Aufgrund der zahlreichen Anwendungsgebiete überall dort, wo man Zeit bei der Aufnahme von Daten einsparen möchte, erfreut sich Compressed Sensing stark wachsender Beliebtheit. Beispielsweise soll Compressed Sensing eine höhere Antennen-Drehgeschwindigkeit bei Wetterradarsystemen ermöglichen, ohne dass die Datenqualität stark darunter leidet.

        In diesem Projekt sollen die Grundzüge von Compressed Sensing erlernt werden und mögliche Anwendungen auf die Radarsignalverarbeitung wie Rauschunterdrückung oder Pulskompression durch Implementierung eines Lösungsverfahrens untersucht werden.

        Kontakt: Prof. Dr. Bodewig

        Partitionieren von Bildern, d.h. Aufteilen in kleinere zusammenhängende Bereiche, ist ein häufig vorkommender Arbeitsschritt bei der Bildverarbeitung und Bilderkennung. Verfahren zum Finden von optimalen Partitionen führen allerdings häufig auf rechenintensive Optimierungsprobleme (sog. NP-schwere Probleme). Die Aufgabe im Projekt ist es, die Rechenzeit mittels Deep Learning zu verkürzen.
        Dazu entwerfen und trainieren Sie ein mehrschichtiges neuronales Netz (deep neural network),
        das die Ergebnisse der rechenintensiven Verfahren sinnvoll annähert.
        (Das Projekt kann von einem oder von zwei Studierenden bearbeitet werden.)

        Kontakt: Prof. Dr. Storath