Fynn Dierksen, M. Sc.

Projektbeschreibung:

Du untersuchst die Wiederholgenauigkeit von Handhabungsvorgängen innerhalb einer Delta-Kinematik mithilfe eines Lasermesssystems. Ziel ist es, die Ablagegenauigkeit des Endeffektors unter variierenden Ausgangspositionen, Geschwindigkeiten und Beschleunigungen zu erfassen. Die erfassten Sensordaten werden in einem Digitalen Zwilling der Kinematik abgebildet, der als Referenzmodell für Zustandsvergleich und Predictive Maintenance dient. Auf dieser Basis lässt sich die Verschleißentwicklung der Mechanik nachvollziehen und frühzeitig diagnostizieren. Das Projekt zeigt, wie sich durch die Kombination aus sensorbasierter Zustandsüberwachung und Digitalem Zwilling die Resilienz, Lebensdauer und Effizienz von Maschinen im Kontext von Industrie 4.0 ökologisch und ökonomisch maximieren lassen.

Aufgaben:

• Inbetriebnahme: Einrichtung des Lasermesssystems
• Integration: Erweiterung der Steuerungssoftware zur Synchronisierung der Bewegung mit den Sensoren
• Evaluation: Durchführung von Messungen bei unterschiedlichen Geschwindigkeiten und Beschleunigungen
• Analyse: Untersuchung der Genauigkeitsverteilung innerhalb des Arbeitsraums und Einbindung der Ergebnisse in den Digitalen Zwilling

 

Anforderungen:

• Pflicht: Keine
• Plus: Erfahrung mit SPS-Technologie, Grundkenntnisse Programmierung (Python)

 

Dein Nutzen:

• Tools & Skills: Laserprofilsensoren, Steuerungstechnik, Condition Monitoring, Digitaler Zwilling
• Impact: Beitrag zu Nachhaltigkeit und ökonomischer Lebensdaueroptimierung
• Karriere: Profilierung für F&E, Messtechnik, Industrieprojekte; Option auf Weiterführung als Hiwi-Tätigkeit oder Promotion

 

Betreuung:

Enge Begleitung durch wissenschaftliche Mitarbeitende des Instituts, Zugang zu Laboren, moderner Messtechnik und Software. Individuelle Schwerpunktsetzung möglich.

Interessiert?

Dann bewirb dich jetzt unkompliziert per E-Mail (f.dierksen@tu-braunschweig.de)
Wir freuen uns auf deine Kontaktaufnahme!

Art:

• Bachelorarbeit
• Studienarbeit(Master)
• Masterarbeit

Fachrichtungen: Maschinenbau, Wirtschaftsingenieurwesen Maschinenbau, Elektrotechnik
Begin der Arbeit: ab sofort
Zuletzt geändert: 21.04.2026

Projektbeschreibung

Wie viel Energie braucht eine Picker-Zelle wirklich – und wofür genau? In modernen Produktionsumgebungen reicht es nicht mehr, nur den Gesamtverbrauch zu kennen. Entscheidend ist Transparenz auf Komponenten- und Zustandsniveau: Welche Verbraucher ziehen Grundlast, was passiert im Standby, wie verändert sich der Energiebedarf über Zyklus, Ereignisse und Bewegungsphasen? In dieser Arbeit entwickelst du ein zuverlässiges, praxistaugliches und gleichzeitig skalierbares Energiedatenmodell für eine Picker-Zelle. Ziel ist es, Energieverbräuche eindeutig Betriebszuständen und Funktionen zuzuordnen und damit eine belastbare Grundlage für Analysen, Prognosen und Optimierungen zu schaffen – von der Bewertung von Energie- und CO₂-Kosten pro Zyklus bis hin zu zustands- und szenariobasierten Auswertungen im Digitalen Zwilling. Vor dem Hintergrund steigender Energiepreise und wachsender Nachhaltigkeitsanforderungen leistest du damit einen direkt anwendbaren Beitrag für effizientere, stabilere und wirtschaftlichere Produktion.

Aufgaben

• Strukturierung: Systematische Zerlegung der Picker-Zelle (Komponenten, Module, Zustände, Funktionen)
• Datenerhebung (statisch): Erfassung der Grund- und Standby-Verbräuche relevanter Verbraucher (z. B. Steuerung, Antriebe im Leerlauf, Peripherie)
• Modellierung: Definition von Modellgrenzen, Entitäten (z. B. Asset, Energy Consumer, Operating Status, Measurement) sowie Beziehungen und Aggregationsebenen
• Datenerhebung (dynamisch): Aufnahme zustands-/ereignis-/zyklusabhängiger Energieverläufe (z. B. Pick-and-Place-Sequenzen, Beschleunigen/Bremsen, Greiferereignisse)
• Validierung: Plausibilisierung und Prüfung der Modellgüte anhand der Mess- und Prozessdaten
• Dokumentation & Übergabe: Aufbereitung der Ergebnisse inkl. Empfehlungen für Weiterentwicklung und Nutzung im Digitalen Zwilling

Anforderungen

• Pflicht: Keine
• Plus: Interesse an Mess-/Automatisierungstechnik, Grundlagen Datenmodellierung; Programmierkenntnisse (z. B. Python) oder Verständnis für Steuerungsdaten/SPS vorteilhaft

Dein Nutzen

• Tools & Skills: Energiemessung, Datenmodellierung, Zustands- und Prozessdaten, digitale Zwillinge, Analyse & Validierung
• Impact: Messbarer Beitrag zu Energieeffizienz, Kosten- und CO₂-Transparenz sowie nachhaltiger Produktion
• Karriere: Ideales Profil für Industrie‑4.0‑Projekte, Energiemanagement, Produktionstechnik, Data/Automation Engineering; Möglichkeit zur Weiterführung (Hiwi/Forschungsprojekt)

Art:

• Bachelorarbeit
• Studienarbeit(Master)
• Masterarbeit

Fachrichtungen: (Wirt.-Ing.) Maschinenbau, (Wirt.-Ing.) Elektrotechnik
Begin der Arbeit: ab sofort
Zuletzt geändert: 18.02.2026

Projektbeschreibung

Art:

• Bachelorarbeit
• Studienarbeit(Master)

Fachrichtungen:
Begin der Arbeit:
Zuletzt geändert: 11.03.2026

Projektbeschreibung

Du arbeitest an der Weiterentwicklung eines bestehenden Probennehmers zur Detektion von Rostmilbenbefall an Tomatenpflanzen. Das System wurde am Julius Kühn-Institut, Institut für Pflanzenschutz in Gartenbau und urbanem Grün, in Zusammenarbeit mit der TU Braunschweig, Institut für Werkzeugmaschinen und Fertigungstechnik, entwickelt. Bereits vorhandene Prototypen verfügen über eine Mechanik zur teilautomatisierten Probennahme von der Pflanzenoberfläche sowie über eine Vorrichtung zur Bilddokumentation. Ziel der Arbeit ist es, die Erkennung von Rostmilben zu automatisieren. Dazu verbesserst Du die bestehende Belichtungseinheit, reduzierst die Störanfälligkeit der mechanischen Steuerung und entwickelst eine automatisierte Bilderkennung auf Basis von Convolutional Neural Networks. Die dafür benötigten Datensätze werden am JKI mithilfe einer vorhandenen Rostmilbenzucht erstellt.

Deine Aufgaben

• Literaturrecherche: Einarbeitung in bestehende Ansätze zur Bilderkennung und Detektion kleiner Schaderreger
• Systemanalyse: Untersuchung der vorhandenen Prototypen hinsichtlich Mechanik, Steuerung und Bildaufnahme
• Optimierung: Verbesserung der Belichtungseinheit für eine reproduzierbare Bildqualität
• Weiterentwicklung: Reduktion der Störanfälligkeit in der Steuerung der Probenahmemechanik
• Datensatzaufbau: Erstellung und Aufbereitung von Bilddatensätzen mit Rostmilben
• Implementierung: Entwicklung und Training eines Verfahrens zur automatisierten Bilderkennung mit Convolutional Neural Networks
• Auswertung: Bewertung der Erkennungsleistung hinsichtlich Genauigkeit, Robustheit und Anwendbarkeit

Anforderungen

• Pflicht: Keine
• Plus: Kenntnisse in Bildverarbeitung, Python, Machine Learning, Deep Learning oder mechatronischen Systemen

Dein Nutzen

• Tools & Skills: Bildverarbeitung, Convolutional Neural Networks, Datensatzaufbau, Versuchsplanung, Prototypenentwicklung
• Impact: Beitrag zur automatisierten Detektion von Rostmilben und zur Weiterentwicklung innovativer Pflanzenschutztechnik
• Karriere: Profilierung in den Bereichen Computer Vision, Machine Learning, Agrartechnik oder angewandte Forschung; Option auf weiterführende Tätigkeit im wissenschaftlichen Umfeld

Art:

• Bachelorarbeit
• Studienarbeit(Master)
• Masterarbeit

Fachrichtungen:
Begin der Arbeit: ab sofort
Zuletzt geändert: 17.03.2026