Themenbeschreibung
Moderne Prozessanlagen erzeugen kontinuierlich Alarme, Ereignisse und Prozessmesswerte. In abnormalen Situationen können innerhalb weniger Minuten sehr viele Alarme ausgelöst werden. Alarmfluten verdecken die auslösende Störung, erschweren die Trennung von Ursache und Folgealarmen, erhöhen die Belastung des Bedienpersonals und können Entscheidungen verzögern.

Dieses Themenfeld untersucht datengetriebene und KI-basierte Methoden zur Erkennung, Darstellung, Ähnlichkeitsanalyse und Klassifikation von Alarmfluten auf Basis historischer Alarmprotokolle, Prozesssignale und simulierter Anlagenereignisse. Neben der Genauigkeit sind Robustheit, Unsicherheit, Erklärbarkeit und die menschenzentrierte Aufbereitung der Analyseergebnisse wichtig.

Aufgabenstellungen
Mögliche Arbeiten umfassen Benchmarkstudien, die systematische Nutzung von Prozesssimulatoren zur Erzeugung neuer Datensätze, die Weiterentwicklung von Alarmflutklassifikation und Ähnlichkeits-analyse sowie moderne KI-Architekturen wie Sequenzmodelle, Repräsentationslernen, Transformer oder Graphmodelle.

Weitere Teilrichtungen sind XAI zur Analyse von Alarmmustern, Unsicherheitsquantifizierung, Open-Set-Erkennung unbekannter Störungen und Robustheitsanalysen bei fehlenden, doppelten, verzögerten oder vertauschten Alarmen. Die Ausgestaltung richtet sich nach Vorwissen, Datenlage und Bearbeitungsdauer der Abschlussarbeit.

• Daten und Benchmarks: historische oder simulierte Alarmdaten aufbereiten, Darstellungen definieren und Metriken vergleichen.
• Methoden und Bewertung: Erkennung, Ähnlichkeitsanalyse oder Klassifikation entwickeln und Robustheit, Unsicherheit sowie Erklärbarkeit untersuchen
   

Themenbeschreibung
In automatisierten Prozessanlagen ist der zuerst auftretende Alarm häufig nur ein Symptom einer vorgelagerten Störung. Ursachen können sich über Materialverbindungen wie Rohrleitungen, über Energieflüsse wie Wärmetauscher oder Heiz-/Kühlkreise und über Informationsverbindungen wie Sensoren, Regler und Leitsystemlogik ausbreiten.

Alarmfolgen, Prozessverläufe, R&I-Schemata, Bedienanweisungen, Schichtbücher und Wartungsnotizen enthalten dabei ergänzende Hinweise. Dieses Themenfeld untersucht KI-gestützte Root Cause Analysis (RCA, Ursachenanalyse), bei der datengetriebene Modelle mit strukturiertem Prozesswissen und gegebenenfalls Large Language Models verbunden werden.

Aufgabenstellungen
Mögliche Arbeiten konzentrieren sich auf klar abgegrenzte Teilthemen: Extraktion und Verfügbarmachung von Prozessinformationen aus R&I-Schemata, Alarmdatenbanken oder Betriebsdokumentation, Aufbau semantischer Repräsentationen wie Wissensgraphen oder Retrieval-Komponenten sowie Verknüpfung mit Alarm- und Prozessdaten.

Weitere Richtungen sind zeitliche Musteranalyse, datengetriebene oder kausale RCA-Verfahren, graph- oder Bayes-basierte Inferenz, Retrieval-Augmented LLMs mit Prozesswissen sowie Benchmarks für simulierte oder reale industrielle Anlagenszenarien. Ergebnisse sollen plausible Ursachen priorisieren, kausale Abhängigkeiten nachweisen, Unsicherheit quantifizieren und Fehlerfälle für den menschlichen Experten nachvollziehbar machen.

• Prozesswissen nutzbar machen: Informationen aus Diagrammen, Texten oder Anlagenstrukturen ext-rahieren, strukturieren und mit Daten verknüpfen.
• Ursachenhypothesen bewerten: historische Daten, Prozesswissen und KI-Methoden kombinieren, um plausible Ursachen nachvollziehbar zu priorisieren.
  
   

Themenbeschreibung

Heterogene mobile Multirobotersysteme kombinieren unterschiedliche Plattformen, Sensoren und Blickwinkel. Sie können große oder schwer zugängliche Umgebungen parallel erfassen, Messungen gegenseitig überprüfen und Ausfälle einzelner Sensoren abfedern. Ein Beispiel ist die humanitäre Minenräumung, bei der verdächtige Objekte aus mehreren Perspektiven bewertet werden.

Konsens bezeichnet hier eine gemeinsame Teamentscheidung aus lokalen Beobachtungen, Detektionsergebnissen, Konfidenzen, Unsicherheiten und Positionsinformationen. Schwierig wird dies bei unscharfen, verrauschten, beschatteten oder verdeckten Bildern, ungünstigen Blickwinkeln, Sensorausfällen oder widersprüchlichen Beobachtungen einzelner Roboter.

Aufgabenstellungen

Mögliche Arbeiten untersuchen bestehende Konsensalgorithmen und Fusionsstrategien für visuelle Wahrnehmungsaufgaben und entwickeln sie weiter. Betrachtet werden können Landminen- oder Objekterkennung, Multi-View-Fusion, Unsicherheitsschätzung, Erkennung von Uneinigkeit im Team sowie Strategien für zusätzliche Beobachtungen.
Eine experimentelle Pipeline kann Bilddaten, synthetische Störungen wie Unschärfe, Rauschen, Schatten, Verdeckungen oder Kompression und eine kleine Simulation kooperativer Entscheidungen verbinden. Abhängig von Vorwissen, Datenlage und Bearbeitungsdauer kann der Schwerpunkt auf Computer Vision, Robotik, probabilistischer Fusion oder vertrauenswürdiger KI liegen.

• Robuste Wahrnehmung: Einfluss von Bildstörungen und Verdeckungen auf Detektion, Klassifikation und Unsicherheit quantifizieren.
• Konsensverfahren: Voting-, Bayes-, graphbasierte oder gelernte Fusionsstrategien vergleichen und verbessern.

Themenbeschreibung

Industrielle KI-Modelle müssen Entscheidungen auf Basis von Daten treffen, die selten ideal sind. In realen Anlagen treten Datenqualitätsprobleme wie Rauschen, fehlende Messwerte, Ausreißer, zeitliche Verschiebungen, fehlerhafte Klassifikationslabels, unausgewogene Klassen, veränderte Betriebszustände, sich verändernde Prozesse sowie alternde oder falsch kalibrierte Sensorik auf.

Dieses Themenfeld untersucht, wie Robustheit in industriellen Anwendungsfällen systematisch gemessen, verstanden und verbessert werden kann. Mögliche Domänen sind Prozessdaten, Alarmdaten, Zeitreihen, Bilddaten aus Qualitätsprüfung oder multisensorische Messdaten. Relevant sind Leistungsabfall unter Störungen, Verlässlichkeit von Konfidenzen, Erklärbarkeit und Grenzen der Übertragbarkeit.

Aufgabenstellungen

Mögliche Arbeiten entwickeln realistische, gegebenenfalls synthetische Datenqualitätsstörungen für industrielle Domänen, führen Robustheitsanalysen verschiedener KI-Modelle durch oder untersuchen gezielt Labelrauschen, fehlende Werte, Sensorrauschen, Prozessdrift und seltene Ereignisse.
Darauf aufbauend können Methoden zur Robustheitssteigerung betrachtet werden, etwa Augmentation, robuste Verlustfunktionen (loss functions), Ensembles, Unsicherheitsquantifizierung, Conformal Prediction, Domänenadaption, Feature-Regularisierung oder XAI zur Diagnose systematischer Fehler. Die Ausgestaltung richtet sich nach Vorwissen, Datenlage und Bearbeitungsdauer.

• Robustheit messen: realistische Störungen und Metriken für industrielle Daten entwickeln und KI-Modelle systematisch vergleichen.
• Robustheit verbessern: Gegenmaßnahmen implementieren und deren Wirkung auf Leistung, Kalibrierung und Fehlerfälle analysieren.
   

Themenbeschreibung

Für die maritime Überwachung werden zunehmend optische Satellitenbilder und Aufnahmen mit Synthetic Aperture Radar (SAR) genutzt. Optische Bilder zeigen Form, Farbe und Umgebung, sind aber anfällig für Wolken, Dunst, Schatten und wechselnde Beleuchtung. SAR nutzt aktives Radar und funktioniert unabhängig von Tageslicht sowie weitgehend unabhängig von Bewölkung. Für KI-Modelle bleiben solche Bilder anspruchsvoll: körnige Strukturen, geometrische Verzerrungen und helle Reflexionen von Küsten, Wellen oder Häfen können Fehlalarme erzeugen.
Dieses Themenfeld untersucht Deep-Learning- und datengetriebene Verfahren zur Detektion oder Klassifikation von Schiffen in optischen, SAR- oder fusionierten Daten. Herausforderungen sind kleine Ziele, beliebige Orientierung, küstennahe Fehlalarme, uneinheitliche Labels und partielle Verdeckungen durch Wolken, Wellengang oder Infrastruktur. Neben Genauigkeit steht im Mittelpunkt, wann Modelle unter realistischen Bedingungen versagen.

Aufgabenstellungen

Mögliche Arbeiten können bestehende Machine-Learning-Modelle auf öffentlichen oder projektbezogenen Datensätzen analysieren, verbessern und vergleichen. Denkbar sind Benchmarking-Studien, robuste Detektion unter Bildstörungen, Domänenwechsel zwischen optischen und SAR-Daten oder Analysen von Offshore-, Inshore- und Hafenszenarien.
Je nach Vorkenntnissen können Schwerpunkte auf Robustheitsmessung und -verbesserung, erklärbarer KI, Unsicherheitsquantifizierung, SAR-optischer Fusion, orientierten Bounding Boxes oder effizienten Modellen liegen. Die Ergebnisse sollen methodische Einsichten und praktische Hinweise für robuste maritime Überwachung liefern.

• Modellanalyse und Benchmarking: Modelle zur Klassifikation oder Detektion unter optischen und SAR-spezifischen Störungen vergleichen.
• Robuste und vertrauenswürdige KI: Augmentation, Domänenadaption, erklärbare KI, Unsicherheitsschätzung oder SAR-optische Fusion untersuchen.

Thema und Motivation

Die Digitalisierung in der Prozessindustrie führt zu einer Vielzahl von Informationsmodellen und Standards zur Beschreibung von Anlagen, Geräten und Prozessen (z. B. Verwaltungsschale (AAS), OPC UA Companion Specifications, AutomationML). Im NAMUR Umfeld entstehen parallel neue Empfehlungen und Referenzmodelle, etwa der Lebenszyklusansatz aus NA 35 und weitere NEs mit Bezug zu Informations- und Datenmodellen. Aktuell ist jedoch nur teilweise ersichtlich, wie diese Informationsmodelle zusammenhängen, wo sie sich ergänzen oder überlappen und an welchen Stellen in den NA 35 Schritten sie sinnvoll eingesetzt werden können. Ziel dieser Arbeit ist es, eine „Landkarte“ relevanter Informationsmodelle zu erstellen, diese systematisch zu strukturieren und mit den Schritten aus NA 35 sowie weiteren NAMUR Empfehlungen zu verknüpfen.

Ihre Aufgaben

• Einarbeitung in den Kontext des NAMUR Arbeitskreises AK 1.3, den NA 35 Referenzprozess sowie relevante NAMUR Empfehlungen mit Informationsmodellen
• Systematische Recherche, welche Informationsmodelle in der Prozessautomation existieren
• Planung, Durchführung und Auswertung von Interviews mit Mitgliedern des NAMUR AK 1.3
• Strukturierung der gefundenen Modelle (Zweck, Anwendungsbereich, Granularität, Lebenszyklusphase, beteiligte Rollen/Stakeholder etc.)
• Zuordnung der Modelle zu AAS Teilmodellen, OPC UA Informationsmodellen und AutomationML (AML) und Identifikation von Lücken, Überschneidungen und Synergien
• Aufbereitung der Ergebnisse in Form einer übersichtlichen „Landkarte“ (z. B. Grafiken, Tabellen, Steckbriefe zu einzelnen Informationsmodellen) und Ableitung von Empfehlungen für den zukünftigen Umgang mit Informationsmodellen im NAMUR Kontext

Intervallwertige Zustandsbeobachtung

Luenberger-Beobachter dienen dazu, den nicht direkt messbaren Zustand x(t) eines dynamischen Systems, basierend auf einem Modell, den Mess­größen y(t) und den Stellgrößen u(t), zu schätzen. Liegen Modell­un­si­cher­heiten oder Störungen vor, so kann daraus ein Fehler in der Zustands­schätzung resultieren.

Intervallbeobachter (siehe Abbildung) stellen eine Erweiterung dar und er­zeugen eine untere Schranke x(t) und eine obere Schranke x(t), wobei der Streckenzustand x(t) garantiert in dem Intervall [x(t), x(t)] liegt. Da diese Intervalle auch im Fall von Unsicherheiten den Zustand eines dynamischen Systems garantiert einschließen können, handelt es sich bei der intervall­wertigen Zustandsbeobachtung um ein besonders praxistaugliches Konzept.

Aufgabenstellung

Für bestimmte Klassen von Systemen existieren bereits ausgearbeitete Entwurfsmethoden, welche z.B. zu stabilen Intervallbeobachtern führen. Ausgehend davon sind Erweiterungen denkbar, welche im Rahmen von Abschlussarbeiten thematisiert werden können. Beispielsweise wird zusätzlich eine geringe Breite des geschätzten Zustandsintervalls, welches den tatsächlichen Streckenzustand garantiert einschließt, angestrebt.

Die konkrete Aufgabenstellung wird in Absprache mit dem Studierenden festgelegt und beinhaltet eine klar umgrenzte Fragestellung. Der Schwerpunkt der Abschlussarbeit kann auf eines der beiden Aufgabenbereiche gelegt werden.

• Implementierung und Analyse: Simulationsstudien und Erprobung vorhandener Methoden.
• Entwurfsmethoden: Anpassung und Erweiterung vorhandener Entwurfsmethoden.
   

Inhalt

In der Arbeit wirkst du an der Entwicklung eines robotischen Gesamtsystems mit – von der Konstruktion im CAD bis zur Integration lernbasierter Verfahren für Prozessüberwachung, Objekterkennung und Greifpunkt-bestimmung. Der Fokus liegt auf dem Zusammenspiel von Mechanik, Sensorik und lernbasierter Verarbeitung.

Deine Aufgaben

• Konstruktion von Greifern und Komponenten (CAD) 
• Entwicklung von Konzepten zur Handhabung formflexibler/starrer Bauteile 
• Integration von Aktoren und Kameras 
• Umsetzung und Test von Gesamtabläufen
• Programmierung von Bewegungsplanern und modularen Ablaufpipelines

Je nach Interesse zusätzlich

• Visuelle Objekterkennung und Lagebestimmung 
• Umsetzung in ROS2, Python / OpenCV / PyTorch / Scikit-learn
• Optimierung neuronaler Netze auf ressourcenbeschränkten ARM-Systemen
• Entwicklung GPU-beschleunigter Inferenz-Pipelines für Embedded-Systeme
• Prototyping oder Simulation

Wir bieten

• Interdisziplinäre Abschlussarbeit mit Gestaltungsspielraum je nach Interesse
• Kombination aus CAD, Robotik und Software
• Zugang zu moderner Hardware und Entwicklungsumgebung
• Enge Betreuung und praxisnahe Umsetzung

Themenbeschreibung

Moderne Prozessanlagen erzeugen kontinuierlich Alarme, Ereignisse und Prozessmesswerte. In abnormalen Situationen können innerhalb weniger Minuten sehr viele Alarme ausgelöst werden. Alarmfluten verdecken die auslösende Störung, erschweren die Trennung von Ursache und Folgealarmen, erhöhen die Belastung des Bedienpersonals und können Entscheidungen verzögern.
Dieses Themenfeld untersucht datengetriebene und KI-basierte Methoden zur Erkennung, Darstellung, Ähnlichkeitsanalyse und Klassifikation von Alarmfluten auf Basis historischer Alarmprotokolle, Prozesssignale und simulierter Anlagenereignisse. Neben der Genauigkeit sind Robustheit, Unsicherheit, Erklärbarkeit und die menschenzentrierte Aufbereitung der Analyseergebnisse wichtig.

Aufgabenstellung

Mögliche Arbeiten umfassen Benchmarkstudien, die systematische Nutzung von Prozesssimulatoren zur Erzeugung neuer Datensätze, die Weiterentwicklung von Alarmflutklassifikation und Ähnlichkeitsanalyse sowie moderne KI-Architekturen wie Sequenzmodelle, Repräsentationslernen, Transformer oder Graphmodelle.
Weitere Teilrichtungen sind XAI zur Analyse von Alarmmustern, Unsicherheitsquantifizierung, Open-Set-Erkennung unbekannter Störungen und Robustheitsanalysen bei fehlenden, doppelten, verzögerten oder vertauschten Alarmen. Die Ausgestaltung richtet sich nach Vorwissen, Datenlage und Bearbeitungsdauer der Abschlussarbeit.

1. Daten und Benchmarks: historische oder simulierte Alarmdaten aufbereiten, Darstellungen definieren und Metriken vergleichen.
2. Methoden und Bewertung: Erkennung, Ähnlichkeitsanalyse oder Klassifikation entwickeln und Robustheit, Unsicherheit sowie Erklärbarkeit untersuchen

Themenbeschreibung

Die industrielle Automatisierung entwickelt sich zunehmend in Richtung intelligenter, verteilter und flexibler Systeme. Der internationale Standard IEC 61499 ermöglicht die modellbasierte Entwicklung verteilter Steuerungssysteme mithilfe von Funktionsbausteinen (Function Blocks). Mit der Open-Source-Entwicklungsumgebung 4diac steht hierfür eine moderne Plattform zur Verfügung. Gleichzeitig eröffnen Large Language Models (LLMs) und KI-basierte Agentensysteme neue Möglichkeiten zur Unterstützung von Entwicklungsprozessen. Insbesondere die automatische Generierung, Konfiguration und Validierung von IEC-61499-Projekten durch intelligente Agenten stellt ein vielversprechendes Forschungsfeld dar. Ziel dieser Arbeit ist die Untersuchung und Entwicklung eines LLM-Agenten, der Anwender bei der Erstellung von 4diac-Projekten unterstützt oder diesen Prozess teilweise automatisiert. Der Agent soll beispielsweise natürlichsprachige Anforderungen analysieren und daraus IEC-61499-konforme Funktionsbausteine, Netzwerke oder Projektstrukturen erzeugen.

Aufgabenstellung

Im Rahmen der Arbeit sollen Konzepte und Methoden zur KI-gestützten Entwicklung von IEC-61499-Systemen analysiert und prototypisch umgesetzt werden. Mögliche Inhalte der Arbeit umfassen:

• Analyse von IEC 61499 und der Entwicklungsumgebung 4diac 
• Untersuchung aktueller LLM- und Agentensysteme 
• Entwicklung eines KI-Agenten zur Unterstützung der Projekterstellung 
• Automatische Generierung von Functionblöcke und Systemstrukturen 
• Entwicklung einer Schnittstelle zwischen LLM-Agent und 4diac 
• Evaluation der erzeugten Projekte hinsichtlich Funktionalität und Benutzerfreundlichkeit

Themenbeschreibung

In diesem Themenbereich werden KI-basierte Verfahren zur automatisierten Inspektion von Flugzeugoberflächen untersucht. Ziel ist die zuverlässige Erkennung, Segmentierung und Vermessung kleiner Oberflächendefekte wie Dellen und Kratzer auf Basis von Bilddaten.
Der Schwerpunkt liegt auf die Implementierung und Bewertung moderner Deep-Learning-Methoden für industrielle Inspektionsaufgaben. Ergänzend werden Verfahren der erklärbaren KI eingesetzt, um Modellentscheidungen nachvollziehbar zu analysieren und die Robustheit der Ergebnisse unter praxisnahen Bedingungen zu bewerten. Das Themenfeld eignet sich für Studierende, die Computer Vision, Deep Learning und vertrauenswürdige KI in einem sicherheitskritischen Anwendungsbereich praktisch und wissenschaftlich untersuchen möchten.

Aufgabenstellung

Mögliche Aufgaben können je nach Schwerpunkt der Arbeit unter anderem folgende Bereiche umfassen:

• Literaturrecherche zu Methoden der KI-basierten Defekterkennung. 
• Beschaffung und Aufbereitung von Daten, einschließlich, Annotation und Datenaugmentierung. 
• Implementierung und Anpassung geeigneter Deep-Learning-Modelle.
• Evaluation der Modelle anhand geeigneter Metriken sowie Analyse typischer Fehlerfälle. 
• Anwendung und Vergleich von Methoden der erklärbare KI zur Interpretation und Bewertung der Modellentscheidungen. 
• Wissenschaftliche Dokumentation der Methoden, Experimente und Ergebnisse.

Themenbeschreibung

Im Projekt wird ein mobiler Roboter entwickelt, der ein definiertes Brandobjekt autonom umfahren, seine Umgebung wahrnehmen und Löschvorgänge unterstützen soll. Der Roboter kann bereits eigenständig um ein vorgegebenes Viereck fahren.
Darauf aufbauend ergeben sich wissenschaftliche Themen an der Schnittstelle von mobiler Robotik, Sensorfusion, Bildverarbeitung und Regelung. Die Themen können je nach Umfang als Bachelorarbeit, Masterarbeit oder Projektarbeit bearbeitet werden.

Mögliche Aufgabenstellung

• Robuste Navigation um Brandobjekte: Umgang mit Messungenauigkeiten und situationsabhängige Anpassung des Abstands zum Brandobjekt, z. B. abhängig von Temperaturinformationen.
• Multimodale Sensorfusion: Kombination von RGB-Bild, IR-Bild und LiDAR-Scan zur robusten Erfassung des Brandobjekts und relevanter Umgebungszustände.
• Analyse von Glutnestern: Entwicklung eines Verfahrens zur Erkennung und räumlichen Zuordnung von Glutnestern nach dem Löschen, z. B. auf Basis von IR-Daten.
• Integrierte Löschstrategie: Kombination aus Umfahren des Brandobjekts und gezieltem Löschen, inklusive Konzept zur effizienten Nutzung des Löschmittels.

Themenbeschreibung

Moderne Prozessanlagen liefern Sensor-, Engineering- und Bediendaten in großer Menge, aus denen sich Wirkzusammenhänge nur selten unmittelbar ablesen lassen. Wissensbasierte Methoden nutzen diese Daten gemeinsam mit vorhandenem Anlagenwissen, sodass Ursachen von Symptomen unterschieden und Anlagenfahrer bei Diagnose, Monitoring und Eingriffsplanung unterstützt werden können.
Am Lehrstuhl für Automatisierungstechnik (AUT) werden hierzu Verfahren entwickelt, die Anlagenwissen formal abbilden und mit datengetriebenen Analysen verbinden. Erprobt werden die Methoden an Benchmark-Simulationen, wie dem Tennessee Eastman Process (TEP) und dem Fluid Catalytic Cracker (FCC), sowie an der hauseigenen Versuchsanlage VERA, die zugleich als Plattform für die praktische Umsetzung und Erprobung von Engineering- und Leitsystemkonzepten dient.

Aufgabenstellungen

Die konkrete Aufgabenstellung erfolgt in Absprache und kann an Vorkenntnisse und Interessen angepasst werden. Der Umfang richtet sich nach Art der Arbeit (Bachelor-, Projekt- oder Masterarbeit). Mögliche Schwerpunkte sind beispielsweise:

• Alarmmanagement in Prozessanlagen: Reduktion und Strukturierung von Alarmfluten sowie Ansätze zur Unterstützung der Ursachenfindung bei Störungen.
• Analyse von Wirkzusammenhängen:  Wissensgestützte Identifikation und Visualisierung von Ursache-Wirkungs-Beziehungen zwischen Prozessgrößen aus historischen Anlagendaten.
• Hybride Diagnoseansätze: Kombination wissensbasierter Modelle mit datengetriebenen Verfahren (z. B. maschinelles Lernen) zur Fehlerdiagnose oder Prozessüberwachung.
• Modellbasiertes Anlagen-Engineering: Aufbau, Pflege und Abgleich von Modellen (z. B. Steuerungsbeschreibungen, digitaler Zwilling) mit dem realen Anlagenverhalten.

Themenbeschreibung

Generative KI, insbesondere in Form von Large Language Models (LLMs), ermöglicht die effiziente und automatisierte Verarbeitung und Erstellung von Dokumenten, die bislang manuell gepflegt werden mussten. Gerade solche nicht maschinenlesbaren Alt-Dokumente sind in der Industrie vielerorts die wichtigste Wissensquelle, etwa in bestehenden Brown-Field-Anlagen, in denen Informationen heute mühsam über zahlreiche Dokumente hinweg gesucht und einander zugeordnet werden müssen.
In technischen Anwendungen kommt es dabei, anders als beim Verfassen von Prosa,  auf den exakten Inhalt an: Eine falsch übernommene Zahl oder ein übersehener Widerspruch kann unmittelbar sicherheits- oder kostenrelevante Folgen haben. Dieser Themenbereich beschäftigt sich daher mit der Frage, wie sich generative KI so einsetzen lässt, dass ihre Ergebnisse zuverlässig und nachvollziehbar bleibe, beispielsweise durch gezielte Aufgabenzuschnitte, strukturierte Ein- und Ausgabeformate, die Anbindung an gesichertes Anlagenwissen oder LLM-Agenten, die ihre Schlüsse überprüfbar herleiten.

Aufgabenstellungen

Die konkrete Aufgabenstellung erfolgt in Absprache und kann an Vorkenntnisse und Interessen angepasst werden. Der Umfang richtet sich nach Art der Arbeit (Bachelor-, Projekt- oder Masterarbeit). Mögliche Schwerpunkte sind beispielsweise:

• Datenextraktion und -strukturierung: Extraktion von Anlagenwissen aus Alt-Dokumenten und Überführung in maschinenlesbare Formate.
• Abgleich von Dokumenten: Automatisierter Abgleich von Normen und Richtlinien mit der Anlagendokumentation, Prüfung auf Vollständigkeit und Widersprüche sowie Vorschläge zur Korrektur. 
• LLM-Agenten: Einsatz von LLM-Agenten zur Bearbeitung komplexer Aufgaben wie der Ursachenanalyse.
• Faktentreue durch Wissensanbindung: Kopplung von LLMs an gesicherte Wissensquellen wie Wissensgraphen oder Datenbanken (Retrieval-Augmented Generation, RAG) zur Verbesserung der Verlässlichkeit.

Themenbeschreibung

Steuerungslogiken bilden den Kern moderner automatisierter Anlagen – von der chemischen Industrie bis zu sicherheitskritischen Anwendungen in Energie- und Wasserversorgung. Fehler in der Steuerungslogik können zu Produktionsausfällen oder gefährlichen Situationen führen.

Untersucht werden Entwurf, Analyse und Verifikation von Steuerungslogiken auf Basis von GRAFCET (IEC 60848). Bestehende Verifikationsverfahren prüfen formale Modelleigenschaften, übersehen dabei jedoch semantisch bedingte Lücken – etwa Ausschlussbeziehungen zwischen Sensorsignalen. Generative KI-Methoden bieten hier neue Möglichkeiten, deren Potenzial hinsichtlich IEC 60848 jedoch bisher kaum systematisch untersucht wurde. Am Lehrstuhl existieren dokumentierte Vorarbeiten, die als Ausgangsbasis dienen.

Ziel ist es, diesen Entwicklungsprozess an einem praxisnahen Laboranlagen-Beispiel aus der Prozesstechnik bzw. Intralogistik zu durchlaufen und zu bewerten 

Aufgabenstellungen

Die konkrete Aufgabenstellung wird in Absprache mit dem Studierenden festgelegt und setzt sich aus einem oder einer Kombination der folgenden Themenbereiche zusammen:

• Extraktion und Validierung: Automatisierte Extraktion von Anlagenwissen aus Dokumentationen mittels generativer KI und Validierung der erzeugten Wissensmodelle
• KI-gestützte Analyse und Logikerzeugung: Einsatz generativer KI zur Verbesserung von GRAFCET-Analysen und Verifikation bzw. zur automatisierten Generierung von Steuerungslogiken.
• Modellierung und Verifikation: Entwicklung einer normkonformen GRAFCET-Bibliothek mit Plugin-Architektur in MATLAB/Simulink zur Integration erweiterter Elemente wie Regler sowie automatisierter Verifikationsverfahren.

Dabei wird berücksichtigt, ob die Arbeit methodisch-formal oder KI-experimentell ausgerichtet sein soll.

Themenbeschreibung

Die Energiewende stellt hohe Anforderungen an zukünftige Energieversorgungssysteme. Insbesondere die zunehmende Integration erneuerbarer Energien erfordert intelligente und flexible Lösungen zum Erreichen der energiepolitischen Ziele Versorgungssicherheit, Nachhaltigkeit und Preisgünstigkeit. Sektorgekoppelte Energiesysteme verbinden dabei den Strom- & Wärmesektor, um Energie effizienter lokal zu nutzen, Netzüberlastungen zu reduzieren und die Versorgungssicherheit zu erhöhen. Eine zentrale Rolle in der Umsetzung spielen hierbei digitale Agentenplattformen um Märkte zu automatisieren und Flexibilitäten durch steuerbare Lasten nutzbar zu machen.

Im Projekt InterPhaSe ist vorgesehen, die Agentenplattform PEAK für den Einsatz in einem sektorgekoppelten Energiesystem, zur InterPhaSe-Plattform, zu erweitern, sie in ein reales Stromverteilnetz zu integrieren und parallel simulativ in größeren Szenarien zu testen. Darüber hinaus zielt InterPhaSe darauf ab, einen Beitrag zur kommunalen Wärmeplanung zu leisten. Die Aufgaben der RUB sind insbesondere der Entwurf des Wärmemarktdesigns in Verbindung mit dem Strommarkt, die Untersuchung, wie das System hinsichtlich seiner Performance mit seiner Größe skaliert und den Einsatz der Plattform zur kommunalen Wärmeplanung zu erforschen.

Aufgabenstellungen

Eine konkrete Aufgabenstellung für Ihre Arbeit würden wir erarbeiten. Sie wird den Beispielen ähneln.

• Weiterentwicklung von Teilmodellen des digitalen Zwillings für gekoppelte Strom- und Wärmenetze
• Implementierung oder Entwicklung von Methoden zur Planung von Ausbaumaßnahmen in Wärmenetzen
• Entwicklung von Skalen und KIPs zur Bewertung der Effizienz eines sektorgekoppelten Energiesystems