"This site requires JavaScript to work correctly"

studieren an der thd

innovativ & lebendig

artificial intelligence for smart sensors and actuators, m.eng.

fakultät angewandte naturwissenschaften & wirtschaftsingenieurwesen

 

#count%

 

 

 

aller Absolventen der

THD finden innerhalb von

2 Monaten einen Job.

 

 

 

du gestaltest die zukunft

 

 #robotics    #smartsensors    #smartactuators    #AI   #machinelearning    #dataanalysis       

#systemdesign    #bigdata    #deeplearning    #autonomoussystems    #innovative    #englishpostgraduateprogramme

 

Bachelorabsolventen der Mechatronik oder eines verwandten Studiengangs qualifizieren sich mit dem konsekutiven Masterstudiengang Artificial Intelligence for Smart Sensors and Actuators zu Expert:innen für die Entwicklung und den Einsatz intelligenter technischer Systeme der Datenverarbeitung, Datenanalyse und Automatisierung. Auch die Befähigung zur kreativen Arbeit in Forschungs- und Entwicklungsabteilungen wird durch Wissensvermittlung zu Lehrinhalten der Künstlichen Intelligenz, Lehrinhalten des Maschinellen Lernens, des Systemdesigns  sowie Lehrinhalten der innovativen Sensorik/Aktorik erworben.


steckbrief artificial intelligence for smart sensors and actuators

Studienabschluss: Master of Engineering (M.Eng.)

Regelstudienzeit: 3 Semester

Studienbeginn: Wintersemester (ab 01.10.) und Sommersemester (ab 15.03.)

Bewerbungszeitraum: 15. April - 15. Juli (Wintersemester) bzw. 15. November - 15. Januar (Sommersemester)

Studienort: Cham

Unterrichtssprache: Englisch

Zulassungsvoraussetzung:

  • Die Qualifikation für den Masterstudiengang Artificial Intelligence for Smart Sensors and Actuators am Standort Cham wird nachgewiesen durch den Abschluss eines grundständigen Studiums an einer in- oder ausländischen Hochschule im Umfang von mindestens 210 ECTS-Punkten aus dem Bereich Mechatronik oder eines verwandten Studiengangs oder durch einen Abschluss der gleichwertig zu einem solchen Hochschulabschluss ist. Über die Gleichwertigkeit der Abschlüsse entscheidet die Prüfungskommission.
  • Weiterhin ist die fachliche Eignung für dieses Studium im Rahmen eines Eignungsverfahrens nachzuweisen. Das Eignungsverfahren erfolgt durch eine Prüfung, deren Gegenstand komplexe Aufgaben zu einschlägigen Themen aus der höheren Mathematik für Ingenieure sowie zu Fragestellungen aus den Bereichen Physik, Informatik, Elektrotechnik, Systemtheorie und Regelungstechnik sind. Diese schriftliche Zulassungsprüfung, online sowie am Campus Cham der Technischen Hochschule Deggendorf angeboten, wird zur Feststellung der studiengangsspezifischen Eignung herangezogen und entscheidet damit letztendlich über die Zulassung zum Masterstudium. Beispielfragen für das Eignungsverfahren
  • Sprachanforderungen
  • Die Zulassung ist in der Studien- und Prüfungsordnung festgelegt (§3 Qualifikation für das Studium, § 4 Nachweis fehlender ECTS Punkte, § 5 Nachweis der studiengangspezifischen Eignung)

Gebühren: Keine Studiengebühren, nur 62€ Studentenwerksbeitrag pro Semester

Kontakt:


ziele des studiums

Die Beherrschung intelligenter Sensor-/Aktorsysteme erfordert eine auf modernste thematische Herausforderungen abgestimmte, wissenschaftlich-technische Expertenausbildung. Diese Expertenausbildung soll innerhalb drei Fachsemestern erfolgen, in denen Wissen zu folgenden Themen aufgebaut und intensiviert wird:

  • Verfahren des maschinellen Lernens (neuronale Netze)
  • Embedded Control für smarte Sensoren und Aktoren
  • Sensortechnologien (z. B. MEMS)
  • Methoden der Systemvernetzung (drahtgebundene und drahtlose Kommunikation)
  • Datenverarbeitungsmethoden (u. a. Cloud Computing, Big Data)
  • Systemdesign

Der Praxisbezug der Lehrinhalte wird durch Fallstudien unter Beteiligung von Experten aus der Industrie hergestellt.

Mit dem am Campus Cham ebenfalls angesiedelten Technologie Campus (F&E auf dem Gebiet mechatronischer Systeme) sowie dem Digitalen Gründerzentrum (Schwerpunkt: Digitale Produktion) ist ein fachbezogenes und anwendungsorientiertes Umfeld für höchst innovative Ausbildungsinhalte gegeben.


berufsbild

Künstliche Intelligenz (KI) beschreibt eine Teildisziplin der Informatik, die sich mit der Erforschung "intelligenten” Problemlösungsverhaltens sowie der Erstellung "intelligenter” Computersysteme beschäftigt. In einer Vielzahl technischer Anwendungsfelder werden KI-basierte Systeme von Sensordaten gespeist und liefern prozessbeeinflussende Informationen an Aktoren zurück. Die Wechselwirkungen zwischen Informationsverarbeitung, dem Prozess als Datenquelle und Datensenke sowie die Einflüsse der Qualität der Sensordaten und der aktorischen Eingriffe ist mitentscheidend für die Gesamtsystemfunktion der Systeme.

Ein smarter Sensor verfügt neben dem eigentlichen Messprinzip für die jeweilige Prozessgröße über eine Signalvorverarbeitung, Überwachungsalgorithmen zur Absicherung der Sensorfunktion, Connectivity (z. B. Bluetooth, WLAN, 5G) und,  je nach Einsatzgebiet, Energieversorgungsfunktionen.

Smarte Aktoren ergänzen den eigentlichen Stelleingriff in den technischen Prozess ebenfalls um erweiterte Signalverarbeitungs- und Überwachungsmechanismen sowie unterschiedliche Kommunikationsverfahren. Das daraus entstehende signalverarbeitende System verfügt über zusätzliche "intelligente“ Eigenschaften, die seine Leistungsfähigkeit erneut steigern.

Nach Abschluss des Masterstudiengangs Artificial Intelligence for Smart Sensors and Actuators, besitzen Absolvent:innen alle Qualifikationen, um sich in dieser sich im Umbruch befindenden Berufswelt langfristig zu etablieren und deren Entwicklung aktiv mitzugestalten.


studienPROJEKTe

          

 

Motivation

In Infrastrukturprojekten ist eine wesentliche Anforderung, die einzelnen Projektdokumente nach einem standardisierten Verfahren, bspw. nach VGB-S832, zu benennen. Nicht immer sind die erstellten Dokumente aber fehlerfrei nach den Vorgaben benannt. Zudem finden sich aufgrund der großen Anzahl von Projektdokumenten z. T. Abweichungen zwischen der Dokumentenliste und den tatsächlich erstellten Dokumenten.

Mit Hilfe von KI, insbesondere Natural Language Processing (NLP), soll das Management der Projektdokumente z. T. automatisiert werden, sodass Ressourcen für andere Tätigkeiten frei werden.
 

Folgende Ziele sollen in diesem Projekt erreicht werden:

  • Klassifizierung der Dokumente

- Unabhängig vom Dokumentennamen sollen die Dokumentenklassen erkannt werden

- Die Erkennung der Dokumentenklassen soll sowohl auf Textdokumente als auch auf eingescannte Dokumente und Zeichnungen in Deutsch und Englisch anwendbar sein

  • Umbenennung der Dateien nach VGB-S832, falls nötig
  • Automatische Erstellung der Dokumentenliste auf Basis der vorhandenen Dokumente und Identifikation von Abweichungen zu vorhandenen Dokumentenlisten


Ansatz

  • Bereinigung der vorhandenen Projektdokumentation, insbesondere Klarstellung teilweise falscher Klassifizierungen und Vermeidung/Reduzierung von "imbalanced datasets"
  • Erstellung und Test verschiedener Klassifizierungsmodelle mit verschiedenen Einstellungen zur Erkennung der Klasse
  • Auswahl und Nutzung der besten Modelle und Umsetzung der Dateienumbenennung
  • Automatische Erstellung der Abweichungsliste

 

Computergestützte Chatbots sind technische Dialogsysteme, die auf natürlicher Spracherkennung basieren und werden eingesetzt, um Benutzeranfragen automatisiert und ohne direkten menschlichen Eingriff in Echtzeit zu beantworten. Eine weitere studentische Projektgruppe entwarf hierzu einen umfangreichen Fragenkatalog rund ums Studium am Campus Cham.

In Zusammenarbeit mit den jeweiligen Hochschulabteilungen definierte die Projektgruppe korrekte Antwortmuster auf die gestellten Fragen und speiste diese ins System ein. Die technische Applikation erkennt die Benutzereingabe, gleicht die vordefinierten Antwortmuster ab und soll beispielsweise Studieninteressierten zukünftig besser durch die Informationsvielfalt auf der Website navigieren. 
 

Fotogalerie

  • Bild 1: Dialog-Box eines einfachrn Chatbots.

 

Eine Projektgruppe im KI-Masterstudiengang entwickelte ein intelligentes System, das mittels „Computer Vision“-Techniken und gefalteten neuronalen Netzen in der Lage ist, die Anzahl, Marke und Farbe der Fahrzeuge in beiden Richtungen einer Fahrbahn zu erkennen und in Form einer Exceltabelle aufzuzeichnen. Die Weiterentwicklung in ein Echtzeit-System und die Integration von Infrarot-Sensoren für die Erkennung, ob tags- oder nachtsüber, wird derzeit in Form von weiteren Projekt- und Abschlussarbeiten umgesetzt. Letztlich ist es Ziel, mehrere dieser Einheiten zusammenzuschalten und den Verkehr in verschiedenen Stadtteilen über die Zeit – Stichwort Stoßzeiten - zu erfassen.

Die Idee hinter dieser Fallstudie ist, das Verkehrsaufkommen mit KI-Methoden vorhersagen und damit entsprechend steuern zu können.
 

Fotogalerie

  • Bild 1: object detection model and the results are stored in Excel file.

 

  • Bild 2: video capture by the camera.

 

  • Bild 3: results stored in Excel file.

 

  • Bild 4: AI hardware used is Jetson Nano and camera.

 

  • Bild 5: watch box design.

 

Keywords

Traffic Supervision, Artificial Intelligence, Machine learning, YOLO object detection model, Jetson Nano

 

Das Projekt „Vision Tracking“ thematisiert die Erfassung der Blickrichtung auf ein bestimmtes Objekt mit gleichzeitiger Objekterkennung. Als Vorstufe zu dieser Anwendung wurde die Bestimmung der Blickrichtung und die Erkennung des entsprechenden Objekts mithilfe eines gefalteten Neuronalen Netzes umgesetzt.

Auch hier ist die nächste Stufe in Form einer Projekt- oder Masterarbeit geplant: Wohin wandert unser Blick beim Einkauf des täglichen Bedarfs zuerst, wo verweilt er am längsten und was spricht uns folglich auf den Supermarktregalen am meisten an? Wie müsste also ein Supermarkt beispielsweise sein Sortiment optimaler platzieren oder gestalten, um mehr Anklang bei der Kundschaft zu finden?
 

Fotogalerie

  

  • Bild 1: Der Blick eines Studenten ist hier auf die Schere gerichtet. Die Blickrichtung und die Schere werden vom neuronalen Netz erkannt.

 

Messung und visuelle Darstellung magnetischer Felder sind häufig nötig in Entwicklung und Produktion von Produkten in Verbindung mit Magneten. Als Anwendungsbeispiele für einen „Magnetic Field Mapper“ können neben vielen anderen folgende genannt werden:

  • Qualitätskontrolle in der Herstellung von Permanentmagneten oder Produkten, in die Permanentmagnete eingebaut sind (z.B. Lautsprecher)
  • Überprüfung und Verifikation von Computermodellen von magnetischen Feldern
  • Untersuchung der Fertigungsstabilität und des Alterungsverhaltens von Magneten, die zur Qualifikation oder in der Anwendung für magnetische Sensoren genutzt werden (Beispiel: Winkelsensoren in Autos)

 

Für das Projekt wurde ein handelsüblicher 3D-Drucker (CTC 16450, Tabelle, Abb. 1) genutzt, bei dem im Wesentlichen die Extrudereinheit durch einen Hall-Sensor der Firma Infineon Technologies (Hall-Sensor TLV493D-A1B6) ersetzt wurde. Der 3D-Drucker bietet vor allem einen genügend großen Bauraum, um in späteren Anwendungen auch größere Magnetfelder untersuchen zu können, und gleichzeitig eine vergleichsweise gute Positioniergenauigkeit.

Eigenschaften des 3D-Druckers:

Eigenschaft Parameter
Bauraum 220 x 220 x 240 mm
XY-Achsengeschwindigkeit (max.) 300 mm/s
Z-Achsengeschwindigkeit (max.) 200 mm/s
XY-Positioniergenauigkeit 0,01 mm
Z-Positioniergenauigkeit 0,004 mm

 

Die Bewegungen in x-, y- und z-Richtung erfolgen mit Hilfe von Schrittmotoren. Ein Arduino Mega 2560 Mikrocontroller steuert die Schrittmotoren und empfängt und prozessiert die Sensordaten.

 

  • Abb. 1: Druckereinheit

Die erste Anwendung, für die der Magnetic Field Mapper genutzt wird, ist die Vermessung von Magnetfeldern von diametral magnetisieren Scheibenmagneten, wie sie bspw. für magnetische Winkelsensoren genutzt werden (Abb. 2).

  • Abb. 2: Diametral magnetisierte Scheibenmagnete

Für diese Messung wurde ein Messraster von 0.25mm über ein Feld von 14 mm x 14 mm eingestellt (Abb. 3).

  • Abb. 3: Messraster und Messüberblick

Für die visuelle Darstellung einer x-y-Messung bei konstantem z-Wert lassen sich verschiedene Darstellungsmöglichkeiten wählen. Beispielhaft zeigt Abb. 4 den Verlauf magnetischer Feldlinien in der x-y-Ebene und Abb. 5 die dazugehörigen Äquipotentialverläufe inklusive eines Messartefakts. Abbildung 6 zeigt die z-Komponente des magnetischen Feldes aus der x-y-Ebene heraus bzw. in die x-y-Ebene hinein gerichtet.
Das Projekt Magnetic Field Mapper wird in weiteren Projekt- und Abschlussarbeiten weitergeführt werden. Beispiele für Verbesserungen der Anlage wären:

  • Flexiblere graphische Darstellung
  • Nutzung eines deutlich kleineren Messrasters
  • Entwicklung eines User Interfaces
  • Einfacher Austausch des genutzten Sensors