Angebote für Abschlussarbeiten und Lehrprojekte

Auch wenn nachstehend keine Themen aufgelistet sind, heißt es nicht, dass es aus dem Institut keine Angebote gibt! Bei Interesse an Themenstellungen aus unseren Bereichen sprechen Sie einfach die Mitarbeitenden direkt an.

Master-Arbeit: Entwicklung einer Machine Learning basierten Prognose der Sortierergebnisse von Nahinfrarot-Trennanlagen in Kunststoffsortieranlagen

Hintergrund

Die stoffliche Verwertung recycelbarer Abfälle wird immer wichtiger, um Energie und fossile Brennstoffe einzusparen und natürliche Ressourcen zu schonen – ein Anliegen, das auch politisch unterstützt wird. Dabei liegt ein Fokus auf der Senkung des Energieverbrauchs bei der Trennung und Sortierung von Abfällen, die für das Recycling genutzt werden sollen.

Im Projekt EnSort (Energieeffiziente Sortieranlage) soll der Energieaufwand von Maschinen, die im komplexen Sortierprozess verwendet werden, mithilfe von KI-basierter Materialerkennung optimiert werden. Ziel ist es, den Sortierprozess für recycelbare Materialien effizienter zu gestalten und die Anlage an unterschiedliche Qualitäten des Abfallmaterials flexibel anzupassen. Dies wird durch die Digitalisierung des bisher manuell gesteuerten Prozesses ermöglicht.

Aufgabenbeschreibung

Für die Entwicklung eines Digitalen Zwillings, um die Gesamtanlage zu simulieren, ist die Prognose der Sortierergebnisse der Nahinfrarot-Sortieraggregate notwendig. Diese hochtechnologischen Geräte, welche als Kernelemente jeder Sortieranlage eigesetzt werden, klassifizieren mittels Nahinfrarot-Spektroskopie verschiede Materialien auf dem darunterliegenden Fließband in Sekundenbruchteilen und separieren diese im Anschluss mittels Druckluft in die verschiedenen Materialfraktionen. Auf dem Weg zur Prognose sind verschiedene Arbeiten durchzuführen:

Darstellung des Stands der Technik bezüglich geeigneter Methoden für die Datenvorverarbeitung und Machine Learning-Algorithmen
Evaluieren verschiedener Maschinenkenngrößen und Zusammenstellen des Testdatensatzes
Data preprocessing zur Optimierung der Datenverarbeitung
Umsetzung verschiedener Algorithmen mit anschließendem Vergleich mithilfe verschiedener Kenngrößen
Aufbereitung und Darstellung der Ergebnisse
Dokumentieren der kompletten Herangehensweise

Voraussetzung

Kenntnisse in der Datenverarbeitung und Python
Interesse an Nachhaltigkeit und Kunststoffrecycling
Erfahrung im Maschinellen Lernen oder Bereitschaft sich diese anzueignen
Selbstständige und verantwortungsbewusste Arbeitsweise

M.Eng. Marcel Wiechmann
+49 421 218-64864
mwiechmannprotect me ?!uni-bremenprotect me ?!.de

Master-Arbeit: Inbetriebnahme eines Prüfstands zur 3D-Vermessung von CFK-Pultrudaten auf einem mehrfach gekrümmten Formwerkzeug

Prüfstand zur Ablage von Pultrusionsplanken

Hintergrund

Die Hersteller von Windenergieanlagen (WEA) stehen vor der Herausforderung, in Zukunft immer schneller und spezifischer auf die Anforderungen der weltweiten Märkte reagieren zu müssen, um wettbewerbsfähige WEA anbieten zu können. Dies erfordert eine hohe Variantenvielfalt mit individuell anpassbaren Eigenschaften. Die Variantenvielfalt führt jedoch insbesondere im Bereich der WEA-Rotoren zu sehr hohen Kosten. Daher ist es notwendig, neue Methoden zur Verbesserung der Auslegungs- und Konstruktionspraxis zu entwickeln. Das BIK unterstützt diese hochintegrierten Entwurfs- und Auslegungsverfahren durch den Einsatz numerischer Simulationstechniken, welche durch Versuchsstände validiert werden sollen. Dabei werden CFK-Pultrudate abgelegt und anschließend mit einem 3D-Scanner (EinScan Pro HD) vermessen. Ziel der Arbeit ist es, diesen Prüfstand in Betrieb zu nehmen. Dafür sind die folgenden Teilaufgaben zu bearbeiten:

Anpassung des Prüfstands für den Einsatz eines 3D-Scanners (Konstruktion mit Inventor und Fertigung mittels 3D-Drucker)
Planung und Durchführung von Versuchen
Anpassung der vorhandenen Auswerteskripte in Python
Dokumentation der Ergebnisse