Verfügbare Themen

Ausgangssituation:
Im Kontext von Building Information Modeling (BIM) spielt das IFC-Format eine zentrale Rolle für die digitale Repräsentation von Bauwerksdaten. Allerdings ist IFC nur eines von vielen Informationsmodellen, die in modernen industriellen und infrastrukturellen Anwendungen genutzt werden. Weitere Modelle umfassen Kostenmodelle, Vorgangsmodelle sowie Sensordatenmodelle aus der Gebäudetechnik oder Prozessautomation. Ein Ansatz aus dem Bauingenieurwesen ist das Multimodell, mit dem diese verschiedenen Modelle miteinander verknüpft werden können. Dieses Multimodell bildet die Grundlage für Simulationen, da es die Abhängigkeiten der einzelnen Modellelemente zueinander abbildet und so eine realistische Abbildung von Prozessen und Systemen ermöglicht.

Aufgabe:
Die Bachelorarbeit soll untersuchen, wie ein Multimodell, bestehend aus verschiedenen Informationsmodellen (z. B. IFC, Kostenmodelle, Vorgangsmodelle) in der Industrie 4.0 über Verwaltungsschalen und Submodelle umgesetzt werden kann. Dabei wird insbesondere der Fokus auf die Integration und Verknüpfung dieser Modelle gelegt, um eine Simulation durchzuführen, die die dynamischen Wechselwirkungen zwischen den Modellen berücksichtigt.

Teilaufgaben:

• Erläuterung des Multimodell-Konzepts und beteiligte Informationsmodelle in der Bauindustrie (IFC, Kostenmodelle, Vorgangsmodelle).

• Erklärung des Konzepts der Verwaltungsschale (AAS) und ihrer Rolle als digitale Repräsentation eines physischen Assets sowie Betrachtung der Submodelle innerhalb der Verwaltungsschale zur Modellierung spezifischer Informationsbereiche (z. B. Gebäudetechnik, Kosten, Wartung).

• Untersuchung, wie verschiedene Informationsmodelle (IFC, Kosten, Vorgänge, etc.) in eine Verwaltungsschale integriert werden können.

• Analyse von Methoden zur Referenzierung und Verknüpfung der Modelle in einer Verwaltungsschale.

• Vorschläge zur Implementierung von Submodellen und Referenzierungen, um eine nahtlose Integration und Simulation zu ermöglichen.

• exemplarische Implementierung und Verknüpfung eines einfachen IFC-Modells mit einem Kostenmodell und einem Vorgangsmodell in einer Verwaltungsschale.

Dieses Thema ist für eine Diplomarbeit geeignet

Komplexpraktikum: Entwicklung einer High-Level- Softwareschicht zur Steuerung von Robotern über MQTT.

Aufgabe:
Die Aufgabe umfasst die Steuerung eines Roboterarms bzw. eines Roboterfahrzeugs unter Verwendung der Kommunikationsprotokolle MQTT sowie die Entwicklung einer High-Level-Softwareschicht. Die Steuerung des Roboterarms bzw. Roboterfahrzeugs verfügt über eine MQTT API im Rahmen einer Open-Loop-Regelung. Für die Umsetzung werden geeignete Hardwarekomponenten wie System-on-Chip (SoC) und Mikrocontroller zur Verfügung gestellt. Die Bearbeitung erfordert ein fundiertes Verständnis der relevanten Kommunikationsprotokolle sowie die effiziente Nutzung der Hardware- und Software-Stacks. Das Praktikum vermittelt vertiefte praktische Kenntnisse in der Regelungstechnik sowie in der Anwendung moderner Informations- und Kommunikationstechnologien.

Teilaufgaben:

• Einrichtung, Konfiguration eines AAS-Testbed.
• Entwicklung einer Strategie für eine High-Level-Softwareschicht. (Ausrichtung auf Business Planning oder Manufacturing Operations Management. Berücksichtigung unterschiedlicher Algorithmen/Funktionen in den bereits verfügbaren Plattformen.)
• Integration und Test der Softwareschicht mit einer Roboterplattform.
• Entwicklung einer Strategie für das Software-Bereitstellungsmanagement.

Dieses Thema eignet sich nur als Komplexpraktikum

Komplexpraktikum: Robotersteuerung über MQTT sowie Integration mit dem AAS

Aufgabe:
Die Aufgabe umfasst die Steuerung eines Roboterarms bzw. eines Roboterfahrzeugs unter Verwendung der Kommunikationsprotokolle MQTT sowie WLAN (oder Ethernet), Integration mit dem EmKoI Orchestrator und AAS. Die Steuerung des Roboterarms bzw. Roboterfahrzeugs verfügt uber einen MQTT API im Rahmen einer Open-Loop-Regelung. Für die Umsetzung werden geeignete Hardwarekomponenten wie System-on-Chip (SoC) und Mikrocontroller zur Verfügung gestellt. Die Bearbeitung erfordert ein fundiertes Verständnis der relevanten Kommunikationsprotokolle sowie die effiziente Nutzung der Hardware- und Software-Stacks. Das Praktikum vermittelt vertiefte praktische Kenntnisse in der Regelungstechnik sowie in der Anwendung moderner Informations- und Kommunikationstechnologien.

Teilaufgaben:

• Integration mit dem EmKoI Orchestrator.
• Entwicklung eines spezifischen AAS-Submodells (zur Robotersteuerung und Bewegungsbeschreibung) mit „Operation“-Submodellelementen (SMEs), die eine semantische und strukturelle Repräsentation gewährleisten.
• Integration mit dem Easy Asset Gateway AID and AIMC.
• Einrichtung, Konfiguration einer lokalen AASX-Serverinstanz (Eclipse AASX Server) in Verbindung mit den AAS-Testbed.

Dieses Thema eignet sich nur als Komplexpraktikum

Ausgangssituation:
In modernen industriellen Anwendungen spielen IoT-Sensoren eine Schlüsselrolle, um eine Vielzahl von Messdaten zu erfassen. Die Qualität der erfassten Daten hat dabei oft entscheidenden Einfluss auf die Genauigkeit und Effizienz von Prozessen, etwa in der vorausschauenden Wartung, der Produktionssteuerung oder der Qualitätskontrolle. Fehlerhafte, ungenaue oder unvollständige Daten können zu falschen Entscheidungen führen, die teure Ausfälle oder Qualitätsmängel nach sich ziehen. Daher wird die Sicherstellung einer hohen Datenqualität in IoT-Sensoren immer wichtiger.

Teilaufgaben:

Einführung in IoT-Sensoren und ihre Bedeutung für industrielle Anwendungen:

• Überblick über die gängigen IoT-Sensoren und ihre Einsatzgebiete sowie Erläuterung der Rolle von IoT-Sensoren in industriellen Systemen (z. B. Automatisierung, Prozessüberwachung, Smart Manufacturing).

• Klärung des Begriffs "Datenqualität" im Kontext industrieller IoT-Sensoren und erläuterung wichtiger Qualitätsmerkmale von Daten (z. B. Genauigkeit, Vollständigkeit, Konsistenz, Aktualität, Relevanz, und Zuverlässigkeit).

• Untersuchung typischer Fehlerquellen bei der Datenerfassung, die die Datenqualität von IoT-Sensoren beeinträchtigen können (z. B. Kalibrierungsfehler, Drift, Störungen, Netzwerkprobleme, Sensorfehler, Umweltfaktoren).

• Untersuchung bestehender Lösungen und Best Practices zur Einordnung der Datenqualität verschiedener IIoT-Sensoren.

• Entwicklung einer Evaluationsmatrix zur Bewertung der Datenqualität in IoT-Sensoren (z. B. Genauigkeit, Ausfallsicherheit, Reaktionszeit, Verfügbarkeit). 

• Einordnung verschiedener vorhandener IoT-Sensoren in diese Matrix mit Begründung.

Dieses Thema eignet sich sowohl für eine Studien-, als auch für eine Bachelorarbeit.