Fachrichtung Systems Engineering
Naturwissenschaftlich-Technische Fakultät
Sprache auswählen
Vom 25. bis 27. November sind wir mit großer Mannschaft beim diesjährigen,
Folgende Beiträge des LMT werden aktuelle Ergebnisse aus der Forschung und diesmal auch aus der Lehre zeigen:
Zusätzlich wird Prof. Schütze die Podiumsdiskussion Verlässliche KI für industrielle Prozesse: Hype oder Hybris? moderieren.
Am 29. Oktober 2024 wird
seine Dissertation verteidigen mit dem Titel
Im Rahmen dieser Dissertation wurde die Machbarkeit einer passiven Regelung des Stimulationsstroms in frugalen Mikroimplantaten auf Basis ferroelektrischer Kondensatoren untersucht und bewertet. Ein recheneffizientes physikbasiertes Modell wurde entwickelt und experimentell validiert, um die Machbarkeit des passiven Regelungsansatzes zunächst theoretisch nachzuweisen. Eine extrakorporale Einheit, eine grafische Benutzeroberfläche und ein frugales Mikroimplantat in der Größe einer Ein-Cent-Münze wurden als Demonstrator realisiert. Mit den im Modell identifizierten Systemparametern und einem geeigneten nichtlinearen Hystereseverlauf wurde die Machbarkeit und Reproduzierbarkeit des passiven Regelungsansatzes in vitro unter Einhaltung der zulässigen Grenzwerte für die Gewebeerwärmung nachgewiesen. Die Plausibilität der ermittelten Materialparameter des verwendeten ferroelektrischen Materials wurde mittels Rasterelektronenmikroskopie und energiedispersiver Röntgenspektroskopie belegt. Mit den Ergebnissen dieser Dissertation kann gezeigt werden, dass ferroelektrische Werkstoffe als intelligente Materialien zur passiven Regelung des Stimulationsstroms in frugalen Mikroimplantaten eingesetzt werden können. Frugale Mikroimplantate könnten daher als Systeme bezeichnet werden, bei denen intrinsische Materialeigenschaften bereits vorhandener Komponenten genutzt werden, um einen erweiterten Funktionsumfang zu realisieren, ohne zusätzliche Komponenten zu integrieren.
Alle Interessenten sind herzlich zum Kolloquium eingeladen. Dieses findet statt in Gebäude C4.3, Hörsaal 0.01.
Teilnahme ist auch über Teams möglich mit dem Link: https://kurzlinks.de/5h2x
Zum 17. Dresdner Sensor-Symposium
(25. - 27. November 2024, Dorint Hotel Dresden)
können noch bis 28. Oktober Last Minute Poster eingereicht werden.
Beim Sensor-Symposium erwarten Sie u.a. spannende Übersichtsvorträge zu den Themen:
Nutzen Sie die Gelegenheit für Einblicke in aktuelle Forschung und intensivenm Austausch mit Expert:innen aus Industrie und Forschung!
Tizian hat in einem überzeugenden Vortrag und einer kurzweiligen Diskussion eindrucksvoll seine wissenschaftliche Qualifikation unter Beweis gestellt. Jetzt muss er noch ein paar Formalien erfüllen, bevor der Dr.-Titel offiziell ist - wir dürfen Herrn Dr.-Ing. Tizian Schneider bereits jetzt herzlich gratulieren. Titel seiner Dissertation:
Kurzfassung:
Diese Thesis beschäftigt sich mit der Frage, wie automatisiertes maschinelles Lernen für industrielle Zustandsüberwachung eingesetzt werden kann. Ausgehend von dabei typischerweise auftretenden Problemen wurde ein automatisiertes Konzept zu deren Lösung entwickelt. Sich gegenseitig ergänzenden Algorithmen und eine offene Baukastenstruktur decken dabei ein breites Anwendungsspektrum ab. Das Konzept kann auf kostengünstiger Rechenhardware direkt am Sensor umgesetzt werden. Alle genannten Fähigkeiten wurden in mehreren Anwendungen mit denen anderer Konzepte verglichen. Die erzielten Erfolge führten zur Entstehung der Gruppe für Data Engineering and Smart Sensors am ZeMA und am Lehrstuhl für Messtechnik.
will defend his PhD thesis entitled
on June 5, 2024 starting at 1.30 p.m. in building C7.4, conference room 1.17 and via MS-Teams
Abstract:
Metal oxide semiconductor gas sensors are promising candidates for selectively measuring harmful pollutants indoors. However, they suffer from their lack of selectivity, sensor-to-sensor variance, and drift over time. Advanced calibration and operation modes are required to overcome some of these sensor drawbacks. However, calibration can be costly, timeconsuming, and complicated, even without complex operation modes. Within this thesis, a new data-driven model for the evaluation and calibration of metal oxide semiconductor gas sensors is introduced. The newly developed model, TCOCNN, is a multi-layer convolutional neural network. Together with methods from the field of deep learning, it is possible to tackle long calibration times and sensor-to-sensor variation. It was shown that it is possible to reduce the calibration time by up to 99.3 % and significantly reduce the influence of sensor-to-sensor variance.