Forschung‎ > ‎

Themen für Bachelor- und Masterarbeiten & Studienprojekte

Stand: Wintersemester 2018/19 (12/12/2018)

Diese Seite ist für Studenten der Hochschule Landshut bestimmt:

Suchen Sie nach einem interessanten und aktuellen Thema für Ihre Bachelor- oder Masterarbeit oder nach einem Thema für ein sonstiges Studienprojekt?  Hier ist eine aktuelle Liste von Fragestellungen, die ich gerne mit Ihnen erforschen würde. Melden Sie sich am besten per Email oder kommen Sie direkt in meine Sprechstunde.


Im Rahmen des Forschungsschwerpunktes Effiziente Energiesysteme gibt es ständig neue interessante Arbeiten die von hardwarenahen Themen bis zu Datenanalyse mit maschinellem Lernen gehen. Im Rahmen des Forschungsschwerpunktes entwickle ich gemeinsam mit Profs. Arlt und Hehenberger-Risse ein Energiemanagementsystem (EMMS) für die Hochschule, von dem ein Prototyp bereits auf einem Server intern läuft. 


BS = Bachelorarbeit
SP = Studienprojekt
MS = Masterarbeit

  • (MHEAT) MBUS Wärmezählerintegration BS / SP (u.U. erweiterbar auch MS)
    Anbindung von MBus basierten Wärmezählern an das Energiemanagementsystem. Die Hardware ist vorhanden, Wifi-Module mit TCP/IP Stack sollen an das Netz angebunden werden und periodisch Daten an das EMMS liefern. 
    Anforderungen: Spaß am Tüfteln, Arbeit mit IoT Geräten, Java-Programmierung für die Anbindung an das EMMS.
  • (GRUID) Entwicklung eines NodeJS-basierten fluiden Userinterfaces für ein EMMS (BS)
    Das aktuelle UI des EMMS basiert auf traditionellem HTML mit Google Charts. Ziel der Arbeit ist es, dieses basierend auf NodeJS fluider zu machen und gleichzeitig gutes UI / UX Design für Energiemanagementsysteme herauszuarbeiten.
    Anforderungen: Kenntnisse in NodeJs oder die Bereitschaft sich da (schnell) einzuarbeiten um eine gelungene Implementierung umzusetzen. Spaß und Fähigkeiten im graphischen Gestalten sind ein Plus.
  • (SPARKAN) Spark-basierte Verarbeitung von Echtzeitenergiedaten (MS, BS, SP)
    Unser EMMS basiert derzeit auf Batch-Verarbeitung via Mapreduce. Ziel dieser Arbeit ist die Integration der Spark Verarbeitungsumgebung in das Informatik HAW Cluster und die Entwicklung und Implementierung von Echtzeitanalysen basieren auf den bereits existierenden batch-basierten Verfahren (z.B. Selektion, und Aggregation).
    Anforderungen: Vorkenntnisse z.B. aus der VL "Big Data Algorithms and Systems" sind ein Plus. Spaß an der Arbeit an "Big Data" und an der praktischen Umsetzung durch (Java-) Programmierung (oder der Spark Script Sprachen).
  • (DANOME) Erkennung von Energieverbrauchsanomalien (MS, BS, SP)
    In dieser Arbeit arbeiten Sie mit unserem Tensorflow / Caffe Hochleistungssystem zum maschinellen Lernen und finden geeignete Verfahren um Verbrauchsanomalien im EMMS automatisch zu erkennen.
    Anforderungen: Vorkenntnisse bzw. Interesse an Maschinellem Lernen. Bereitschaft zur Einarbeitung in das EMMS. Spaß an empirischer Arbeit. 
  • (MONERG) Monitoring in Energiemanagementsystemen (MS, BS, SP)
    Sie recherchieren existierende Plattformen für Monitoring (z.B. Prometheus), wählen eine davon aus und entwerfen und implementieren ein Monitoringsystem für das EMMS um Data Dropout (fehlende Daten) zu erkennen und in Echtzeit davon zu warnen. Außerdem integrieren Sie die Verfahren der Danome Arbeit (siehe oben) um auch dafür Alerts zu generieren.
    Anforderungen:  Spaß am Programmieren.
  • (NOSERV) Serverless Computing für EMMS (SP, MS)
    Sie vergleichen existierende Serverless Computing Plattformen (z.B. AWS Lambda) und entwerfen & implementieren einen Prototyp wie das EMMS serverless realisiert werden kann. 
    Anforderungen:  Erfahrung mit AWS oder Azure oder schnelles Einarbeiten vorab. 
  • (FLESKE) Flexibles und skalierbares Speichern von heterogenen Energiedaten (MS / BS / SP)
    Sie untersuchen welche existierende Data Warehouse Architekturen Hive und Tajo sich am besten fürs Energiemanagement eignen und implementieren einen Prototyp der sich an der bestehenden Architektur von EMMS orientiert.
    Anforderungen:  Spaß am Arbeiten mit neuen Technologien.
  • DEEPNILM Non-intrusive Load Monitoring mit Deep Learning (BS / MS / SP)
    Sie arbeiten mit öffentlich verfügbaren Stromverbrauchsdaten und trainieren neuronale Netze um das Disaggregationsproblem besser zu lösen. Es liegen Vorabeiten vor, auf die Sie aufbauen können. Sie verwenden dabei unseren Tensorflow / Caffee Hochleistungsrechner.
    Anforderungen:  Einarbeitung oder Erfahrung mit Maschinellem Lernen.
  • VIGAN Video-Generation mit GANs (Generative Adversarial Networks)  (BS / SP)
    Sie arbeiten sich in die spezielle Klasse der Generative Adversarial Networks, eine Art von neuronalen Netzen ein, mit denen man Videos erzeugen kann. Sie besitzen Vorkenntnisse in Tensorflow oder Caffe bzw. sind bereit sich in diese Frameworks einzuarbeiten und dürfen dann unseren Tensorflowrechner verwenden um ein Netzwerk praktisch zu evaluieren.

Kein Thema für Sie dabei aber Sie haben eine eigene geniale Idee? Kommen Sie vorbei!

Comments