Abschlussarbeiten

Das DAI-Labor bietet hier zu mehreren seiner Forschungsschwerpunkte mögliche Abschlussarbeiten zum Bachelor of Science (BSc) / Master of Science (MSc). Für nähere Informationen und Hinweise zu den einzelnen Themen kontaktieren Sie bitte den jeweiligen Betreuer.

Drucken Druckansicht wird geladen...

Predictive maintenance (dt. vorausschauende Wartung) bezeichnet die Vorhersage von Fehlern und Defekten von Hardware-Komponenten bevor diese Fehler eintreten. Dies kann dazu genutzt werden, um frühzeitig Ersatzteile zu besorgen und größere Folgefehler zu vermeiden.

Machine learning Algorithmen haben ein großes Potential in diesem Themenkomplex, da machine learning genutzt werden kann, um Strukturen in Wartungsdaten zu entdecken und auf diese Art eine Wartungsdatenzeitreihe vorherzusagen. So können bevorstehende Fehler früher erkannt werden, indem etablierte physikalische Begründungen für Defekte genutzt werden. An dieser Stelle besteht Verbesserungspotential, indem sich nicht nur auf bekannte Begründungen beschränkt wird und auch die Fehlerdetektion selbst mttels machine learning Verfahren durchgeführt.

Das Ziel dieser Arbeit ist zu untersuchen, wie machine learning basierte Algorithmen zur Zeitreihenvorhersage ggf. kombiniert mit anderen Verfahren genutzt werden können, um Defekte vorherzusagen.

Voraussetzungen

  • Sehr gute Kenntnisse in Analysis, linearer Algebra und Optimierung
  • Interesse an und Erfahrungen mit maschinellem Lernen
  • Gute Programmierkenntnisse (idealerweise Python)

Literatur

  • Fernandes, M., Canito, A., Corchado, J. M., & Marreiros, G. (2019, June). Fault detection mechanism of a predictive maintenance system based on autoregressive integrated moving average models. In International Symposium on Distributed Computing and Artificial Intelligence (pp. 171-180). Springer, Cham.
  • Kanawaday, A., & Sane, A. (2017, November). Machine learning for predictive maintenance of industrial machines using IoT sensor data. In 2017 8th IEEE International Conference on Software Engineering and Service Science (ICSESS) (pp. 87-90). IEEE.
  • Yang, H., Pan, Z., Tao, Q., & Qiu, J. (2018). Online learning for vector autoregressive moving-average time series prediction. Neurocomputing, 315, 9-17.

Forschungsschwerpunkt

Machine Learning
Betreuer / Ansprechpartner
Lukas Friedemann Radke
lukas.radke@dai-labor.de
Drucken Druckansicht wird geladen...

Im Bereich der pathologischen medizinischen Bildanalyse (Histopathologie) gibt es großes Potenzial für die Anwendung moderner maschinell erlernter Bildanalysemodelle für Aufgaben wie die Segmentierung von Zellkernen oder die Klassifizierung von Kernen nach Zelltyp. In wissenschaftlichen Studien scheinen diese Modelle gut abzuschneiden und deshalb möchte man sie auch in der medizinischen Praxis einsetzen. Eine der vielen Voraussetzungen dafür ist eine sehr sorgfältige und gut durchgeführte Validierung ihrer Generalisierungsleistung auf Benchmark-Datensätzen. Aufgrund der sehr teuren Prozedur zur Gewinnung von Bildern für ein Validierungsset und verschiedener Faktoren, die Abhängigkeiten zwischen den Bildern schaffen, die die übliche iid-Annahme vieler Machine-Learning-Ansätze verletzen, muss bei der Validierung solcher Modelle besondere Sorgfalt walten.

Das Ziel dieser Arbeit ist es, die Auswirkungen spezifischer Verletzungen der iid-Annahme im Hinblick auf die Validierung der Generalisierungsleistung maschinell gelernter Modelle für histopathologische Bilder zu untersuchen.

Vorraussetzungen:

  • Sehr solide Kenntnisse in Statistik sowie der Validierung von maschinellem Lernen auf Bildbasierten Aufgaben (LV Machine Learning 1, Data Science oder vergleichbare Kenntnisse)
  • Interesse an der Überbrückung der Kluft zwischen theoretisch orientierter Forschung und soliden praktischen Resultaten
  • Gute Programmierkenntnisse in Python oder Sprachen mit starken deep learning frameworks
  • Wissen zu dieser spezifischen Medizinischen Domäne ist von Vorteil, aber keine zwingende Vorraussetzung

Literatur:

  • Homeyer, A. et. Al. (2021). Artificial Intelligence in Pathology: From Prototype to Product. Journal of Pathology Informatics (DOI 10.4103/jpi.jpi_84_20)
  • He, Y. Shen, Z. Cui, P. (2021). Towards non-iid image classification: A dataset and baselines. Pattern Recognition Volume 110 ISSN 0031-3203
  • Geirhos, R. et. Al. (2020) - Shortcut Learning in Deep Neural Networks

Forschungsschwerpunkt

Maschinelles Lernen
Betreuer / Ansprechpartner
M.Sc. Christian Geißler
christian.geissler@dai-labor.de
Drucken Druckansicht wird geladen...

Geodätische Konvexe Optimierung ist seit kurzem im Fokus der Machine Learning Forschung. Dies rührt daher, dass einige zentrale Probleme, die auf den ersten Blick nicht-konvex erscheinen, mit geeigneter Differentialstruktur und Metrik geodätisch konvex sind. In der Thesis soll der Studierende einen empirischen Vergleich anstellen zwischen nicht-konvexen Optimierungsverfahren und geodätisch konvexen Verfahren.

Voraussetzungen

  • Ausarbeitung ist in englischer Sprache anzufertigen
  • Kurse Machine Learning I and II erfolgreich bestanden
  • Programmierkenntnisse in Python
  • Grundlagen in den Bereichen Differenzialgeometrie und Konvexe Optimierung
Betreuer / Ansprechpartner
Drucken Druckansicht wird geladen...

Das Stromnetz spielt eine wichtige Rolle in unserem täglichen Leben. Um die neuen Technologien einzuführen und den Energieübergang zu erleichtern, wurden Simulationen durchgeführt, um die Durchführbarkeit neuer Entwicklungen zu bewerten. Heute sprechen wir nicht nur über die Stabilität, Zuverlässigkeit und Effizienz des Netzes, sondern auch über seine Belastbarkeit oder die Fähigkeit, vorausschauend zu handeln, zu reagieren, sich anzupassen und wiederherzustellen. Um die Belastbarkeit des heutigen Stromnetzes zu erhöhen, sind daher Simulationen und Software-Bewertungen erforderlich, um die Multidomänen-Interdependenzen der Cyber-Physical Human Systems (CPHS) zu koppeln. Extreme Wetterereignisse sind auf der ganzen Welt immer häufiger aufgetreten. Diese Ereignisse haben gezeigt, wie anfällig das Verteilungsnetz ist.

Gut platzierte und koordinierte Verbesserungen, wie z.B. Systemhärtung und Redundanz, orchestrierte Mikrogitter und fortgeschrittene Fehlererkennung, können die Anzahl der Ausfälle reduzieren, die aufgrund von HILP-Ereignissen (High Impact Low Probability) auftreten könnten. Wir bieten eine Bachelor-/Master-Thesis auf dem Gebiet der Stromnetzsimulation und Integration verteilter Energieressourcen an. Die Arbeit wird die verschiedenen Phasen von der Modellentwicklung über die Schwachstellenanalyse bis hin zur Leistungsflussoptimierung im Zusammenhang mit verteilten Energieressourcen in Stromnetzen kapseln.

Anforderungen

  • Studien auf dem Gebiet der technischen Informatik, Regelungstechnik, Automatisierung, Elektrotechnik, Energietechnik oder ähnliches
  • Gute Kenntnisse und praktische Erfahrung in Python, Co-Simulationsparadigmen, ArcGIS, Simulink oder Power Factory
  • Teamarbeit und zielorientierte Arbeitsweise
  • Interesse an Themen der Erneuerbaren Energien und Automatisierungstechnik
  • Aufgabenorientiertes und selbstständiges Lernen

Forschungsschwerpunkt

Analyse von Energiedaten
Betreuer / Ansprechpartner
M.Sc. Izgh Hadachi
izgh.hadachi@dai-labor.de