Studien-, Abschlussarbeiten und Forschungspraktika

Die Gender-Design-Gap beschreibt die ungleiche Berücksichtigung geschlechterspezifischer Bedürfnisse im Produktentwicklungsprozess. Dies führt dazu, dass insbesondere Produkte für Frauen nicht optimal gestaltet sind, was zu Komforteinbußen, schlechterer Ergonomie oder erhöhter Verletzungsgefahr führen kann. In vorangegangenen Arbeiten wurde bereits ein Framework zur Identifikation von genderrelevanten Problembereichen im PEP entwickelt. Diese Arbeit fokussiert sich nun auf die Evaluation dieser Methode. Hierzu wird ein konkreter Use Case definiert, auf dessen Basis die Methode und dessen Potential untersucht, optimiert und in mehreren Workshops evaluiert wird.
Ziel der Arbeit ist es, eine fundierte Analyse der Methode durchzuführen, ihre Wirksamkeit im Kontext der Produktentwicklung zu bewerten und darauf basierend konkrete Handlungsempfeh-lungen für die Weiterentwicklung der Methode abzuleiten.

Die Gender-Design-Gap bezeichnet die Diskrepanz in der Produktgestaltung, die durch ungleiche Berücksichtigung der Bedürfnisse und Verhaltensweisen von Frauen und Männern entsteht. Viele Produkte werden auf Basis von Daten über männliche Nutzer designt, was zu einer verringerten Nutzerfreundlichkeit und Ergonomie für Frauen führen kann. Zunehmend werden Informationen über Nutzendenverhalten bereits in den digitalen Produktentwicklungsprozess integriert. Muskuloskelettale Menschmodelle bieten eine Möglichkeit, Wissen über dieses Verhalten und dessen ergonomische Qualität zu erlangen. Sie stellen den menschlichen Bewegungsapparat dar und werden verwendet, um Bewegungen und Kräfte zu simulieren. In der praktischen Anwendung werden Menschmodelle skaliert, um unterschiedliche Körpergrößen abzubilden, ohne jedoch die unterschiedliche Skelettgeometrie von Männern und Frauen zu betrachten.
Um den Mehrwert und die Notwendigkeit genderspezifischer Menschmodelle zu untersuchen, soll im Rahmen einer systematischen Literaturrecherche die Datenbasis, auf der gängige muskuloskelettale Menschmodelle basieren, analysiert werden.

Der Lebenszyklus moderner, mechatronischer Produkte ist geprägt von vielfältigen dynamischen Änderungen, beispielsweise durch Änderungen der Anforderungen und Lösungskonzepte in der Produktentwicklung oder Softwareupdates in der Produktnutzung. Demnach müssen Produkte so entwickelt werden, dass diese die vielfältigen Änderungen ermöglichen. Die zentrale Herausforderung ist hierbei die Berücksichtigung der vielfältigen Wechselwirkungen innerhalb des Produkts, die bei Änderungen zu negativen Auswirkungen führen können. Zur Abbildung dieser Zusammenhänge eignet sich grundsätzlich die Systemmodellierungssprache SysML. Zudem existieren bereits zahlreiche methodische Ansätze aus dem Change Management.
Da diese bislang unzureichend integriert sind, soll im Rahmen der Arbeit erforscht werden, wie ein Systemmodell gestaltet sein muss, um zukünftige Änderungen adäquat abbilden zu können. Hierzu ist zunächst eine systematische Literaturrecherche zu bestehenden Ansätzen nötig. Darauf aufbauend soll ein Konzept für ein solches SysML-Modell entwickelt und prototypenhaft anhand eines konkreten mechatronischen Beispiels aufgebaut werden. Die Arbeit stellt eine Kooperation zwischen dem Institut für Fahrzeugtechnik (TH Nürnberg) und dem Lehrstuhl für Konstruktionstechnik (FAU Erlangen-Nürnberg) dar.

Stetig zunehmende Qualitätsanforderungen an Produkte erfordern insbesondere in der Automobilbranche eine zunehmende Absicherung der Qualität, möglichst bereits vor der Produktentste-hung. Das Toleranzmanagement mit der Absicherung des Produkts unter Berücksichtigung der zu erwartenden Abweichungen spielt hierbei eine zentrale Rolle. Neben der reinen Simulation lassen sich so durch Einbezug realer Messdaten Fertigungs- und Montagestrategien individuell für jede abweichungsbehaftete Produktausprägung ableiten und realisieren. Die hierfür notwendigen und meist zeitintensiven Simulationen lassen sich teils durch Metamodelle ersetzen, erfordern jedoch in der Regel umfassende Trainingsdaten, die in der Praxis häufig nicht leicht zu-gänglich sind.
Daher soll im Rahmen dieser Arbeit erforscht werden, inwiefern Machine Learning Ansätze im Toleranzmanagement für die Vorhersage von Produkteigenschaften auf Basis nur Chargen-basiert vorliegender Messinformationen, die von einem Industriepartner zur Verfügung gestellt werden, geeignet sind. Hierfür ist zunächst eine Literaturrecherche zu bestehenden Ansätzen durchzuführen. Unter Berücksichtigung der hierbei erfassten Ansätze soll deren Potenzial unter-sucht sowie die notwendigen Chargen-Größen und -Informationen für möglichst zuverlässige und effiziente Vorhersagen angeleitet werden.

Die Produktion von Hochpräzisionsbauteilen stellt aufgrund der aufwendigen Fertigungs- und Prüfverfahren eine besondere Herausforderung dar. Der Konflikt aus möglichst engen Toleranzen, um die Funktionserfüllung zu gewährleisten, und möglichst weiten Toleranzen, um die Kosten zu senken, wird mit Hilfe des Toleranzmanagements gelöst. Insbesondere beim Produktionsanlauf ist dies eine schwierige Aufgabe, da keine oder nur wenige Daten zur Verfügung stehen. Die initial definierten Toleranzwerte sollen daher dynamisch mit Hilfe einer iterativen Toleranzanalyse auf Basis von Messdaten während des Produktionsanlaufs angepasst werden. Dabei ist zu erforschen, wie die begrenzten Informationen aus dem Produktionsanlauf für die Simulation und Toleranzanalyse genutzt werden können.
Abhilfe schaffen soll ein digitales Mastermodell, welches die Berücksichtigung multimodaler Da-ten aus Entwurf, Simulation und Messung, z.B. durch Nutzung von Graphdatenbanken, zulässt. Dafür ist zunächst eine Literaturrecherche zu bestehenden Ansätzen für die Berücksichtigung multimodaler Daten im Toleranzmanagement durchzuführen. Basierend darauf soll ein Konzept für das digitale Mastermodell erstellt und dessen Potenziale und Herausforderungen analysiert werden.

Die effiziente und generalisierbare Repräsentation geometrischer Daten ist eine zentrale Herausforderung in der modernen Datenverarbeitung. Klassische Methoden wie Voxel, Meshes und Punktewolken stoßen bei der Repräsentation komplexer 3D-Geometrien aufgrund des hohen Speicherbedarfs und Rechenaufwands an ihre Grenzen. Im Vergleich hierzu bieten Implicit Neural Representations (INRs) einen innovativen Ansatz, um diese Limitierungen zu überwinden.
Im Rahmen dieser Arbeit sollen die Potentiale von INRs zur Repräsentation von komplexen Geometrien untersucht und ein INR-Netzwerk exemplarisch umgesetzt werden. Dabei stehen unter anderem neben dem Speicherbedarf auch die Generalisierbarkeit und Genauigkeit der Repräsentation im Vordergrund. Zudem soll die Möglichkeit des Einsatzes von INRs anstelle von konventionellen Repräsentationsmethoden als Eingabe in einer Deep-Learning-Pipeline untersucht werden.

Wie lassen sich Strukturen optimieren, die sowohl Material sparen als auch mechanischen Belastungen standhalten? Die klassische Topologieoptimierung bietet dafür bewährte Ansätze, wie das SIMP-Verfahren, die jedoch oft zeitaufwendig und rechnerisch intensiv sind. Neuronale Netzwerke eröffnen hier neue Möglichkeiten: Sie können durch ihre netzfreie Darstellung nicht nur Rechenzeiten verkürzen, sondern auch Lösungen für unterschiedlichste Designbedingungen generalisieren.
In dieser Arbeit entwickelst und analysierst du ein neuronales Modell für die Topologieoptimierung, das auf der Idee der impliziten Repräsentationen basiert. Du untersuchst, wie gut das Modell optimale Materialverteilungen unter verschiedenen Lastfällen und Materialbudgets vorhersagen kann. Zudem vergleichst du die Ergebnisse mit traditionellen Optimierungsansätzen wie SIMP, sowohl hinsichtlich der Genauigkeit als auch der Effizienz.
Am Ende soll ein trainiertes Modell stehen, das nicht nur flexibel auf verschiedene Randbedingungen reagiert, sondern auch Einblicke in die Vor- und Nachteile neuronaler Methoden in der Strukturmechanik liefert. Die Arbeit kombiniert so aktuelle Entwicklungen aus der künstlichen Intelligenz mit einem praxisrelevanten Ingenieurproblem.