Nachwuchsgruppen und Juniorprofessuren
Durch die einzigartige Kombination und Vernetzung der Kompetenzen der Hochschul- und Forschungsstandorte Stuttgart und Karlsruhe werden die wissenschaftliche Exzellenz und die Ausbildung des wissenschaftlichen Nachwuchses in Baden-Württemberg gestärkt.
Der InnovationsCampus Mobilität der Zukunft (ICM) baut hierfür mehrere Nachwuchsgruppen und Juniorprofessuren an beiden Hochschulen auf.
Modellbasierte Entwicklung in der Produktionsautomatisierung
Jun.-Prof. Dr. rer. nat. habil. Andreas Wortmann (ISW, Universität Stuttgart)
Ziel der Nachwuchsgruppe ist die Entwicklung neuartiger Konzepte, Methoden und Werkzeuge für die systematische Entwicklung und den Betrieb der cyber-physischen Produktionssysteme der Zukunft. Teil hiervon ist die Erforschung von Abstraktion und Automatisierung
- in der Modellierung, um Domänenexperten zu unterstützen an der Wertschöpfung durch Software teilzuhaben,
- in semantisch fundierten Software-Architekturen, welche domänenspezifische Modelle zur Entwicklungszeit integrieren,
- für digitale Zwillinge, welche den Systembetrieb mit modelliertem Domänenwissen optimieren.
Risikoanalyse von cyber-physischen Produktionssystemen
Jun.-Prof. Dr.-Ing. Andrey Morozov (IAS, Universität Stuttgart)
Das Forschungsinteresse liegt an der Schnittstelle von drei Domänen, nämlich (i) vernetzte Automatisierungssysteme (VAS), (ii) Zuverlässigkeit und (iii) künstliche Intelligenz (KI). Das moderne VAS ist ein besonderer Fall von Cyber-Physischen Systemen (CPS) mit dem Schwerpunkt auf der Zusammenarbeit heterogener Industrierobotersysteme. Eine genaue Bewertung der Zuverlässigkeit, Sicherheit und Ausfallsicherheit ist für VAS aufgrund der hohen Kosten für Ausfallzeiten und der strengen Sicherheitsanforderungen von entscheidender Bedeutung. Aktuell angewandte Methoden können anspruchsvolle Fehlerszenarien eines hochdynamischen und intelligenten VAS nicht angemessen beschreiben.
Das zukünftige VAS wird zudem mehr KI-Komponenten enthalten, deren Zuverlässigkeits- und Sicherheitsanalyse eine offene Frage ist. Das Ziel ist daher, ein starkes Team aufzubauen, das eine führende Rolle bei der Entwicklung der nächsten Generation von Methoden zur Zuverlässigkeitsanalyse für moderne und zukünftige VAS übernehmen kann.
Hochwandlungsfähiges, flächen- und raumbewegliches System für die Produktion
Prof. Dr. -Ing. Rania Rayyes (IFL, KIT)
Die Verwendung von vorprogrammierten Robotern schränkt die Anpassungsfähigkeit, Flexibilität und sogar die Anwendbarkeit des Roboters ein. Außerdem werden die meisten komplexen Aufgaben in der Produktion und beim Materialtransport immer noch manuell ausgeführt, was ineffizient, fehleranfällig und sehr zeitaufwendig ist. Das Lernen von Robotern eröffnet neue Anwendungsfelder, die mit herkömmlichen Techniken nicht automatisiert werden könnten.
Die Professur konzentriert sich auf die Entwicklung neuartiger maschineller Lernmethoden und KI-Systeme, um eine neue Generation intelligenter, vielseitiger und anpassungsfähiger autonomer Robotersysteme für flexible Materialhandhabungs- und Fertigungsaufgaben einzuführen. Sie soll die neuartige Forschung im Bereich der flexiblen Produktion und Fertigung am Institut für Fördertechnik und Logistik (IFL) und die Innovation für eine neue Zukunft am ICM stärken.
Erforschung und Entwicklung der Schlüsseltechnologien für eine Universalmaschine
Dr.-Ing. Michael Jarwitz (IFSW, Universität Stuttgart)
Neue Mobilitätslösungen, sowie Entwicklungen in der Produktionstechnik selbst, bieten ein großes Potential zur Reduzierung des globalen CO2-Ausstoßes und für mehr Nachhaltigkeit. Hierfür sind entsprechend flexible und universell einsetzbare Fertigungssysteme erforderlich.
Ziel der Nachwuchsgruppe ist die Erforschung und Entwicklung der Schlüsseltechnologien für eine Universalmaschine im Sinne einer vollständig digitalisierten Produktion mit vollumfänglich flexibel einsetzbarer Fertigungstechnik für die ortsunabhängige, hocheffiziente Fertigung funktionalisierter Bauteile für die emissionsfreie Mobilität von morgen.
Sensorbasierte Entwicklung von H2-Brennstoffzellen (SensE2B)
Dr.-Ing. Jan Haußmann (IPEK, KIT)
PEM-Brennstoffzellen sind eine vielversprechende Technologie, um lokale Emissionen zu vermeiden und Treibhausgase zu reduzieren. Für mobile Anwendungen ist eine hohe Leistungsdichte und eine hohe Lebensdauer notwendig. Dazu ist es notwendig, kritische Bedingungen in der Brennstoffzelle zu erfassen und durch eine angepasste Betriebsführung zu vermeiden.
Innerhalb dieser Nachwuchsgruppe soll daher ein sensorbasiertes Konzept entwickelt werden, das die Zell-, Stack-und Systemebene verknüpft und damit die Entwicklung eines hocheffizienten Brennstoffzellensystems mit langer Lebensdauer ermöglicht.
Kreislaufgerechte Gestaltung von Batterie- und Brennstoffzellensystemen
Dr.-Ing. Simon Rapp (IPEK, Karlsruhe)
Wie sind kreislaufgerechte Batterie- und Brennstoffzellensysteme (B&BZS) ausgehend von und aufbauend auf vorhandenen System zu gestalten? Zur Beantwortung dieser zentralen Forschungsfrage werden in der Nachwuchsgruppe Methoden, Prozesse und Lösungen für einen Design-for-Circularity-Systementwicklungsansatz zur Entwicklung kreislaufgerechter Batterie- und Brennstoffzellensysteme erforscht.
Die wissenschaftliche Grundlage bilden die Methoden und Prozessmodellierungen der PGE-Produktgenerationsentwicklung. Die Entwicklungs- und Konstruktionsmethoden als Elemente des Modells der PGE ermöglichen eine kreislaufgerechte Planung und Gestaltung nachhaltiger Batterie- und Brennstoffzellensysteme. Der Einsatz von Methoden des Produkt-Produktions-Codesigns unterstützen eine recycling-, remanufacturing-, weiterverwendungs- und verwertungsorientierte Gestaltung von Batterie- und Brennstoffzellenzsystemen.
Digitale Zwillinge als Grey-Box-Modelle für die Fertigungstechnik
Christoph Hinze M.Sc. (ISW, Universität Stuttgart)
Zentrales Element der Nachwuchsgruppe "Digitale Zwillinge als Grey-Box-Modelle für die Fertigungstechnik" ist die modellbasierte Abbildung des dynamischen Verhaltens im Digitalen Zwilling zur Auslegung, Regelung und Optimierung fertigungstechnischer Systeme. Dafür kommen verschiedene Identifikationsverfahren und Methoden aus dem Maschinellen Lernen zur Anwendung.
