Theses

Motivation:

• Die effiziente 3D-Beladung von Ladeträgern ist ein entscheidender Faktor für die Kosteneffizienz und Nachhaltigkeit in der Logistik. Da klassische, regelbasierte Algorithmen bei steigender Komplexität und dynamischen Randbedingungen oft versagen, bietet Deep Reinforcement Learning (DRL) das Potenzial für adaptive und hochoptimierte Packstrategien.

Problemstellung:

• Das 3D Bin Packing Problem ist ein NP-hartes Optimierungsproblem, bei dem Objekte variabler Geometrie unter Einhaltung physikalischer Randbedingungen (z. B. Stapelbarkeit, Gewichtsverteilung) optimal platziert werden müssen. Die Herausforderung besteht darin, ein Modell zu entwickeln, das trotz hoher Zustandsraumkomplexität in Echtzeit stabile Lösungen generiert.

Zielsetzung:

• Gegenstand der Arbeit ist die Entwicklung und Evaluation eines Reinforcement Learning Ansatzes zur autonomen Optimierung der 3D-Packdichte sowie dessen Benchmarking gegenüber klassischen Heuristiken unter Berücksichtigung systemtechnischer Randbedingungen. Dies kann bestehen aus:
• Recherche: Analyse des aktuellen Stands der Forschung.
• Modellierung: Definition des State Space, Action Space und einer Reward-Funktion.
• Implementierung: Aufbau einer Simulationsumgebung und Training des Agenten unter Berücksichtigung systemtechnischer Randbedingungen.
• Validierung: Vergleich der erzielten Ergebnisse mit klassischen Heuristiken hinsichtlich geeigneter Metriken.

Voraussetzungen:

• Abgeschlossenes Bachelorstudium (Wirtschaftsingenieurwesen oder Produktionstechnik)
• Gute Englischkenntnisse (wichtig für das Verstehen von wissenschaftlichen Papieren)
• Sehr gute Deutschkenntnisse in Wort und Schrift
• Selbstständiges Arbeiten und hohe Zuverlässigkeit
• Gute Programmierkenntnisse in Python
• Erste Erfahrungen mit Machine Learning Frameworks und Konzepten

Ansprechpartner:

Nicolas Jathe 
E-Mail: jat@biba.uni-bremen.de
Tel.: 0421 / 218 - 50048

Hintergrund

• Fehlmontagen bei Kränen sind sicherheitskritisch
• KI-basierte Objekterkennung basierend auf synthetischen Trainingsdaten bietet neue Lösungsansätze

Aufgabenbeschreibung

• Generierung synthetischer Bilddaten verschiedener Kranmontagezustände
• Training eines Objekterkennungsmodells zur Detektion von Gegengewichten
• Validierung mit realen und synthetischen Bildquellen (z. B. Drohnenaufnahmen).

Zielsetzung

• Entwicklung eines KI-Prototyps zur visuellen Prüfung der Kranmontage

Voraussetzung

• Kenntnisse in Python und Deep Learning (z. B. YOLO).
• Interesse an 3D-Tools wie Omniverse, Blender o. ä.
• Optional Interesse an Drohnen im industriellen Anwendungen.

Ansprechpartner

BIBA, Forschungsbereich: Intelligente Produktions- und Logistiksysteme (IPS)
Nicolas Jathe
E-Mail: jat@biba.uni-bremen.de
Tel.: 0421 / 218 - 50048

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.

Problemstellung:

• 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

Zielsetzung:

• 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

Voraussetzungen:

• Kenntnisse in der Datenverarbeitung und Python
• Interesse an Nachhaltigkeit und Kunststoffrecycling
• Erfahrung im Maschinellen Lernen
• Selbstständige und verantwortungsbewusste Arbeitsweise

Ansprechpartner:

BIBA - Bremer Institut für Produktion und Logistik GmbH
Informations- und kommunikationstechnische Anwendungen in der Produktion (IKAP)
Marcel Wiechmann
E-Mail: wim@biba.uni-bremen.de
Tel.: 0421 / 218 - 64864

Hintergrund:

• Fertigende Industriebetriebe und Lohnfertiger stehen heute in großer Konkurrenz zueinander.
• Eine hohe Auslastung der Maschinen bei gleichzeitiger hoher Liefertreue stellen große Anforderungen an die Produktionsplanung.

Zielsetzung:

• Auf Basis einer von Industriepartnern bereitgestellte Fallstudie soll eine Planungsanwendung mit diesen spezieller Herausforderungen prototypisch entwickelt und validiert werden.

Aufgabenbeschreibung:

• Systemanalyse und Lösungsdesign für Planungsmethode
• Implementierung einer mathematischen Optimierung für das Planungsproblem
• Evaluation der Anwendung

Voraussetzung:

• Gute Programmierkenntnisse in Python
• Erste Erfahrung in mathematischer Programmierung wünschenswert
• Offen für neue Herausforderungen
• Sehr gute Deutsch- und Englischkenntnisse
• Hohe Motivation und Selbstständigkeit

Ansprechpartner:

BIBA, Forschungsbereich: Data Analytics und Prozessoptimierung
Lennart Steinbacher
E-Mail: stb@biba.uni-bremen.de
Tel.: 0421 / 218 - 50092