Kontakt & Service

Kontakt für Unternehmen

Interessante Angebote senden Sie bitte per Mail an:

Julia Diedrich

Informatik und Ingenieurwissenschaften

  • Campus Gummersbach
    Steinmüllerallee 1
    51643 Gummersbach
  • Telefon+49 2261-8196-6314

Bitte mit geben Sie das Thema, eine Beschreibung und den/die Ansprechpartner/in an.

Praktika und Abschlussarbeiten

Auf dieser Seite finden Sie aktuelle Themen für Abschlussarbeiten aus den Bereichen der künstlichen Intelligenz, des maschinellen Lernens, des Data Minings und der modellbasierten Optimierung. Diese Arbeiten werden für Bachelor- und Masterstudenten im Rahmen von Forschungsprojekten, teilweise in Kooperation mit Industriepartnern, angeboten.

Die Abschlussarbeiten stammen aus den folgenden, im IDEA untersuchten, Themenbereichen:

  • Künstliche Intelligenz in der industriellen Optimierung
  • Maschinelles Lernen
  • Modellbasierte Optimierung
  • Data Mining

Time Series event detection: Improvement of the EventDetectR package

The EventDetectR package is a tool for detecting and classifying anomalous events in Time Series. It combines multiple well known R functions from different packages into an easy to configure tool that matches different types of times series data. However, being at the beginning of its development there is more work and capabilities that need to be included.

During the course of this thesis some improvements and expansions need to be added to the package functionalities, these include but are not limited to:

  • Add more data preprocessing methodologies
  • Include more forecasting algorithms
  • Include new event detection techniques
  • Implement a simulator to simulate anomalies on the data set
  • Add data postprocessing options

If you are interested on the thesis topic feel free to contact:
M. Rebolledo, Prof. Dr. T. Bartz-Beielstein


Simulation und Optimierung von Hochleistungsaufzügen

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Design, Simulation und Optimierung von Spritzgussprozessen

Trotz des hohen Grades der Automatisierung in der Fertigung, ist eine systematische Optimierung der Prozesseinstellung an Spritzgussmaschinen häufig von der Erfahrung und Intuition der bedienenden Person abhängig. Eine systematische Optimierung kann mit Methoden der Statistischen Versuchsplanung erreicht werden. Dies ist ein bewährtes und in der industriellen Fertigung häufig gefragtes Werkzeug. Hierzu stehen eine Vielzahl an verschiedenen Strategien und Versuchsplänen zur Verfügung. 

Ziel dieser Arbeit ist die Anwendung und Evaluierung Statistischer Versuchspläne an einem realen Beispiel im Bereich Spritzguss.

  • Auswahl und Erstellung geeigneter Versuchspläne
  • Durchführung und Protokollierung der Versuche
  • Entwicklung eines geeigneten Qualitätsmaß der gefertigten Teile

Dazu suchen wir interessierte Studierende, die sich für folgende Aspekte begeistern können: 

  • eine praxisorientierte Arbeit
  • durch den Abschluss der Arbeit eine Referenz, eine für die Industrie wichtige und gefragte Methodik zu beherrschen

Interessierten und geeigneten Kandidaten besteht die Möglichkeit einer Tätigkeit als Wiss. Hilfskraft im Rahmen des Forschungsprojekt KOARCH - Kognitive Architektur für Cyber-physische Produktionssysteme und Industrie 4.0.

Literatur:
[1] R. Bourdon, A. Hellmann, J.-B. Schreckenberg, R. Schwegmann: "Standardisierte Prozess- und Qualitätsoptimierung mit DOE-Methoden - eine Kurzanleitung für die Praxis beim Spritzgießen”, Zeitschrift Kunststofftechnik 5/2012

Kontakt:
A. Fischbach, Prof. Dr. T. Bartz-Beielstein


Simulation und Optimierung eines Elektofilters

Kontakt:
F. RehbachProf. Dr. T. Bartz-Beielstein


Investigate the use of the ACT-R architecture for algorithm selection

Description:
Today, plenty of algorithms are available for the task of optimization or classification. Implementing a good solution in industry to solve a real-world problem usually requires several month of work of highly educated employees. 
The KOARCH project aims at reducing this effort especially for small and medium size companies by providing them a highly adaptive (cognitive) architecture for cyber-physical production systems (Industrie 4.0).
One possible solution to reach this goal is to let the system itself choose the appropriate algorithm to solve a certain task, e.g., optimization, monitoring or classification, and learn from past experiences and results. 
This thesis goal is to investigate the use of the ACT-R cognitive architecture, which is available for different platforms, e.g., R, python, Java, for such a task:
- select and implement several useful test problems for typical Industrie 4.0 use cases, e.g., optimization, condition monitoring,
- develop an act-r model to enable learning of choosing an appropriate algorithm
- compare with state of the art methods 

Contact:
A. Fischbach

Literature:
[1] A. Bunte, A. Fischbach, J. Strohschein, T. Bartz-Beielstein, H. Faeskorn-Woyke and O.Niggemann, “Evaluation of Cognitive Architectures for Cyber-Physical Production Systems”, arXiv preprint arXiv:1902.08448, 2019.

[2] J. R. Anderson, “A Simple Theory of Complex Cognition,” American Psychologist, 1996. 

[3] ACT-R 7.x Reference Manual

Empirischer Vergleich von State-of-the-art Methoden zur Dimensionsreduktion

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Einsatz von Verfahren zur Dimensionsreduktion in der modellbasierten Optimierung

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Visualisierung und Reportgenerierung für experimentelle Daten 

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Comparison of Parameter Tuning Methods in R

Description:
Nearly all state-of-the-art optimization algorithms are equipped with a wide variety of configurable settings. Optimal settings for these settings are usually problem dependent and directly influence the performance of any given optimizer. Hence, algorithm tuning is a standard procedure to make sure an algorithm performs best for its defined task. The team of the Institute for Data Science, Engineering, and Analytics develops the Sequential Parameter Optimization Toolbox (SPOT) since many years. The R-package is a well-established, easy to use tool for industrial algorithm tuning. In order to further improve the tool and compare it to close competitors the following thesis is available: 
- Research existing R-packages for parameter tuning
- Design a testing and comparison procedure that incorporates performance as well as setup and usability criteria
- Perform experiments to test the different packages in a statistical manner
- Summarize and present your findings in the thesis

Contact:
F. Rehbach, Prof. Dr. T. Bartz-Beielstein


Implementierung von Surrogatmodellen für die Toolbox SPOT

Kontakt:
F. Rehbach, Prof. Dr. T. Bartz-Beielstein


Kombination von Surrogatmodellen in der Toolbox SPOT

Kontakt:
Prof. Dr. T. Bartz-Beielstein

M
M