Supervisor: Univ.-Prof. Dr Elmar Rückert

Project: K1-MET P3.4
Start date: 1st of May 2024

Theoretical difficulty: high
Practical difficulty: mid

Topic

The the steel production, the steel quality heavily depends on the dynamic processes of the meniscus level fluctuations in the mold. These complex dynamic  processes can be observed using IR cameras observing the surface level and the casting powder temperature. 

The goal of this thesis is to develop and compare deep learning approaches (CNNs, transformers) for predicting fluid dynamics in lab prototype environment. 

Tasks

• Literature research of state of the art, see references
• Lab prototype environment for generating complex (structured and chaotic) fluid dynamics
• Dataset recording, visualization and annotation
• Deep Learning algorithm implementation (CNNs & Transformers)
• Evaluation on different datasets (predictable dynamics, complex dynamics, synchronous and async. surface level dynamics, chaotic dynamics).
• Thesis writing.

References

• Enhancing computational fluid dynamics with machine learning R Vinuesa, SL Brunton, Nature Computational Science, 2022.
• Current and emerging deep–learning methods for the simulation of fluid dynamics M Lino, S Fotiadis, AA Bharath… – Proceedings of the …, 2023.
• Unsupervised deep learning of incompressible fluid dynamics, N Wandel, M Weinmann, R Klein, arXiv preprint arXiv:2006.08762, 2020.

Supervisor: Univ.-Prof. Dr Elmar Rückert

Start date: 1st of August 2023

Theoretical difficulty: mid
Practical difficulty: mid

Thema der Arbeit

LEGO Ev3 Robotersysteme werden am Lehrstuhl in der Lehre eingesetzt, um einen einfachen Einstieg in die Robotik zu ermöglichen. Zahlreiche Algorithmen können erprobt werden: 

• Pfadplanung und Navigation
• Kalman Filter
• Kartierung / SLAM
• Objektmanipulation 
• Kamerabasierte Objekterkennung
• Regelungsalgorithmen
• Telemetrieaufgaben
• usw.

Unsere EV3 Systeme sind mit einem Linux Betriebsystem (https://www.ev3dev.org) ausgestattet und können in der Programmiersprache Micro-Python bespielt werden. 

Ziel dieser Arbeit ist es eine Entwicklungsumgebung für die klassische Python Programmiersprache zu schaffen. Dabei sollen Beispielprojekte umgesetzt und Limitierungen dokumentiert werden. 

Aufgaben

• Recherche und Dokumentation zur State-of-the-Art
• Beispielprojekte Implementieren
• Git Repository mit Dokumentation erstellen.
• Dokumentation der Arbeitsschritte & Verfassen der Diplomarbeit

Wissenschaftlicher Beitrag

• Entwicklung und Implementierung einer Entwicklungsumgebung in Python für die Lehre. 
• Veröffentlichung des Source Codes. 

Supervisor: Univ.-Prof. Dr Elmar Rückert

Company: Ottronic GmbH
Start date: 1st of October 2023

Theoretical difficulty: mid
Practical difficulty: mid

Thema der Arbeit

Bei Ottronic bildet die Verkapselung unserer Elektroniken und Motoren mittels eines eigens adaptierten Reactive Injection Molding (RIM) Verfahren die Grundlage für die Produktion von medienresistenten Elektroniken und elektrischen Hochleistungsantrieben. Im Zuge des RIM werden sogenannte b-staged Duroplaste unter einem präzisen Druck- und Temperaturprofil verarbeitet, geformt und final ausgehärtet. Um die angestrebte höchste Produktqualität, mit Blick auf Medizintechnik-Applikationen, zu gewährleisten, muss dieser Prozess mit jedem Schuss optimal eingestellt sein. Daher soll ein Cyber Physical System (CPS) entwickelt werden, welches auf unsere RIM-Anlagen nachgerüstet wird.

Ziel der Diplomarbeit ist, dass das finale CPS selbstständig Prozessschwankungen (Chargenschwankungen, Hallen-/Maschinentemperatur, Feuchte, etc.) erkennen kann und Regelparameter des Spritzgussvorgangs (Schmelzzeit, Aushärtezeit, Einpresskraft, etc.) anpassen um eine gleichbleibende Produktqualität ohne menschliche Kontrolle zu garantieren.

Dabei soll in einem ersten Schritt der aktuelle Prozess beschrieben werden. Daraus sollen die notwendigen Produktionsparameter abgeleitet und deren Auswirkungen auf den Prozess analysiert sowie die Kernpunkte zur Prozessoptimierung definiert werden, sowie ein Modell dafür entwickelt werden. Das zu entwickelnde Modell dient dann in weitere Folge als Basis für das CPS um den Prozess zu bewerten zu können, Abweichungen zu detektieren und Regelparameter abzuändern.

In weiterer Folge soll das Modell auf der Maschinensteuerung CPS integriert und implementiert werden. Abschließend muss noch die Verknüpfung der neu gewonnen Intelligenz des CPS mit der aktuellen Regelung der Maschine verknüpft werden um eine nahezu autonome Prozessführung zu garantieren, sowie eine neue ressourcen- als auch energieeffizientere Spritzpressmethode garantieren.

Aufgaben

• Recherche und Dokumentation zur State-of-the-Art
• Erfassung aller notwendigen Produktionsparameter sowie Analyse derer auf Produktqualität
• Entwicklung eines Modelles zur virtuellen Beschreibung des Spitzgussprozesses Implementierung des Modells auf Maschinensteuerung als Basis für ein CPS
• Identifizierungen von Abweichungen im Prozess sowie Implementierung von Gegenmaßnahmen
• Verknüpfung der Prozessregelung mit Steuerungsempfehlungen des CPS.
• Dokumentation der Arbeitsschritte & Verfassen der Diplomarbeit

Wissenschaftlicher Beitrag

• Entwicklung und Implementierung eines CPS, welches einen RIM Prozesses erfassen und abbilden kann.
• Aufbau von Methoden um auf Basis des CPS Änderungen des RIM-Prozesses erkennen und bewerten zu können
• Retrofitting der gewonnen Intelligenz in eine bestehende Maschinensteuerung

Date & Location: 24.05.2024 17:00-21:00

We expect many visitors and will prepare some beverages. Please let us know if you plan to join! 

Chair of Cyber-Physical-Systems 
Metallurgiegebäude 1.Stock
Montanuniversität Leoben
Franz-Josef-Straße 18,
8700 Leoben, Austria

https://youtu.be/MmdgHSvDocY

Impressions of the last open lab day in 2023. 

English: Immerse yourself in the fascinating world of artificial intelligence and robotics. We present self-learning robots, mobile robot guides and how deep neural networks are learned. Children can experiment with our Lego EV3 robots and try to deliver snacks autonomously. Catering will be provided.

Deutsch: Tauchen Sie ein in die faszinierende Welt der künstlichen Intelligenz und Robotik. Wir präsentieren selbstlernende Roboter, mobile Roboterguides und wie tiefe neuronale Netze gelernt werden. Kinder können mit unseren Lego EV3 Robotern experimentieren und versuchen Snacks autonom auszuliefern. Für Verpflegung ist gesorgt.

The pictures above are from October 2023 and will be updated after the event. 

Program

Short Bio

Ozan Özdenizci is a research group leader at the Chair of Cyber-Physical-Systems at the Montanuniversität Leoben in Austria, since April 2024. Prior to joining CPS, he was a postdoctoral researcher at the Institute of Theoretical Computer Science at Graz University of Technology. He received his PhD in electrical engineering from Northeastern University (Boston, MA, USA) in 2020, and his BSc and MSc degrees from Sabancı University (Istanbul, Turkey). His research is focused in the domain of robust, secure and efficient deep learning algorithms for reliable artificial intelligence systems, and statistical signal processing with biomedical applications.

• Google Scholar
• GitHub
• LinkedIn
• Twitter(X)
• Web

Research Interests​

Machine & deep learning: robust and efficient learning algorithms, security and privacy in deep neural networks, generative artificial intelligence.
Data and signal sciences: statistical signal processing, biomedical data analysis, cyber-human systems, neuroinformatics.
Computational neuroscience: brain-inspired neural computation, spiking neural networks.

Contact

Dr. Ozan Özdenizci
Research Group Leader at the Chair of Cyber-Physical-Systems
Montanuniversität Leoben
Franz-Josef-Straße 18, 
8700 Leoben, Austria 

Phone:  +43 3842 402 – 1903
Email: ozan.oezdenizci@unileoben.ac.at
Chat: WEBEX

Selected Publications

[1] O. Özdenizci, R. Legenstein, “Adversarially robust spiking neural networks through conversion”, Transactions on Machine Learning Research, 2024.

[2] O. Özdenizci, R. Legenstein, “Restoring vision in adverse weather conditions with patch-based denoising diffusion models”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023.

[3] O. Özdenizci, R. Legenstein, “Improving robustness against stealthy weight bit-flip attacks by output code matching”, CVPR 2022.

[4] O. Özdenizci, R. Legenstein, “Training adversarially robust sparse networks via Bayesian connectivity sampling”, ICML 2021.

[5] O. Özdenizci, Y. Wang, T. Koike-Akino, D. Erdogmus, “Learning invariant representations from EEG via adversarial inference”, IEEE Access, 2020.

[6] O. Özdenizci, D. Erdogmus, “Information theoretic feature transformation learning for brain interfaces”, IEEE Transactions on Biomedical Engineering, 2019.

[7] O. Özdenizci, M. Yalcin, A. Erdogan, V. Patoglu, M. Grosse-Wentrup, M. Cetin, “Electroencephalographic identifiers of motor adaptation learning”, Journal of Neural Engineering, 2017.

A complete list of publications can be found on Google Scholar.

You have no prior experience with deep learning or robots but would like to work with them?

If so, this hands-on project will enable you to build and control your state-of-the-art robotic devices, such as compliant robot arms, five-fingered robot hands, mobile robots, legged robots, or tactile and visual sensors.

You will use Python for programming. Prior experience is beneficial but not mandatory. 

At the end of the practical project, we discuss your achievements and what you have learnt.

You can work on your own or build a team of up to three people at most. We provide a student lab with high-performance pcs with RTX 4090 graphics cards and student rooms.

The project is based on code examples, wiki pages and video tutorials for non-experts.

Links and Resources

• MUOnline 
• Have a look at our robots and hardware
• Programming in Python Slides by Univ.-Prof. Dr. Elmar Rueckert

Location & Time

• Location: Laboratories at the Chair of Cyber-Physical-Systems.
• Dates:
  • Kick-off 11.03.2024 12:00 -14:00 CR IL/IT.
  • Regular (typically weekly meetings) at the chair or online. 
  • Projects using real hardware will be conducted at the chair.

Learning objectives / qualifications

• Students get a practical experience in working, programming and understanding autonomous robots in navigation and obstacle avoidance tasks.
• Students understand and can apply classical robot path planning and navigation algorithms.
• Students learn how to present their implementation, assumptions and achievements.

Supervisor: Fotios Lygerakis and Prof. Elmar Rueckert

Start Date: 1st March 2023

Theoretical difficulty: low
Practical difficulty: mid

Abstract

As the interaction with robots becomes an integral part of our daily lives, there is an escalating need for more human-like communication methods with these machines. This surge in robotic integration demands innovative approaches to ensure seamless and intuitive communication. Incorporating sign language, a powerful and unique form of communication predominantly used by the deaf and hard-of-hearing community, can be a pivotal step in this direction. 

By doing so, we not only provide an inclusive and accessible mode of interaction but also establish a non-verbal and non-intrusive way for everyone to engage with robots. This evolution in human-robot interaction will undoubtedly pave the way for more holistic and natural engagements in the future.

Thesis

ROS2-based Human-Robot Interaction Framework with Sign Language

Project Description

The implementation of sign language in human-robot interaction will not only improve the user experience but will also advance the field of robotics and artificial intelligence.

This project will encompass 4 crucial elements.

1. Human Gesture Recognition with CNNs and/or Transformers – Recognizing human gestures in sign language through the development of deep learning methods utilizing a camera.
   • Letter-level
   • Word/Gloss-level
2. Chat Agent with Large Language Models (LLMs) – Developing a gloss chat agent.
3. Finger Spelling/Gloss gesture with Robot Hand/Arm-Hand –
   
   • Human Gesture Imitation
   • Behavior Cloning
   • Offline Reinforcement Learning
4. Software Engineering – Create a seamless human-robot interaction framework using sign language.
   • Develop a ROS-2 framework
   • Develop a robot digital twin on simulation
5. Human-Robot Interaction Evaluation – Evaluate and adopt the more human-like methods for more human-like interaction with a robotic signer.

Dear CPS team, thank you very much for this great and successful year. We all enjoyed our Christmas party at the kitchen. 

FFG Leitprojekt 01/2024-12/2026

Aushubmaterialien machen mit rund 42 Mio. t/a fast 60 % des österreichischen Abfallaufkommens aus, von denen 73 % deponiert und nur 8 % in Behandlungsanlagen eingebracht (BMK, 2021) und deren Outputströme größtenteils einer geringwertigen Verwendung, z.B. Untergrundverfüllung, zugeführt werden. Gleichzeitig werden in Österreich 55 Mio. t/a grundeigene mineralischer Rohstoffe abgebaut (Statista, 2022). Ursache für diese Diskrepanz sind die Herausforderungen bei der Materialdisposition, aber auch die günstige (ALSAG-freie) Deponierung von nicht kontaminierten Aushubmaterialien. Somit stellt die Verwendung von Aushubmaterialien einen ungenutzten Beitrag zur Kreislaufwirtschaft dar, welcher sich vor allem in der Schonung heimischer Ressourcen und in der Minimierung des CO₂ Ausstoß von Tiefbauprojekten bemerkbar macht (Galler, 2015).

Projektziele

• Erörterung von nachhaltigen Verwertungswegen aufgrund der geotechnischen, mineralogischen, petrographischen, geochemischen und hydrogeologischen Ergebnisse aus der geologischen Vorerkundung von geplanten und im Projekt bearbeiteten Tief- und Tunnelbaustellen
• Sensorbasierte Stoffstromcharakterisierung mittels online-Analyse von Wert- bzw Störstoffen durch LIBS und HyperSpecs sowie mineralogische Zusammensetzung durch Raman Spektroskopie am Förderband unter realen Bedingungen in der Tunnelforschungsanlage „Zentrum am Berg“ der MUL
• Entwicklung eines Qualitätssicherungssystems durch Erstellung eines Klassifikationsmodells, welches das Material durch KI-gestützten Abgleich der Ergebnisse der online Analyse mit gesetzlichen Anforderungen verschiedenen Recyclingpfaden bzw. Deponieklassen zuführt
• Baustofftechnische Überprüfung der aus dem Aushubmaterial hergestellten Produkte

Projekt Consortium

• Montanuniversität Leoben
  • Lehrstuhl für Subsurface Engineering (Koordinator)
  • Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft
  • Lehrstuhl für Cyber-Physical-Systems
• AGIR Austria GmbH
• AiDEXA GmbH
• LSA Laser Analytical Systems & Automations GmbH
• Austin Powder GmbH
• Master Builder Solutions
• Edaphos Engineering
• Daxner & Merl
• Universität Innsbruck, Materialtechnologie Innsbruck (MTI)
• ÖBB-Infrastruktur AG

Fördergeber

• Österreichische Forschungsförderungsgesellschaft mbH (FFG)

Poster

Science 4 Technology @ MUL: Click here for poster

FFG K1-MET Project 07/2023-06/2026

This project aims at employing advanced data analyses and methodology in order to investigate process data from different processes in the steelmaking chain, generating process understanding and knowledge on correlations and causations in operation, as well as develop recommendation or warning systems for the operator in order to adjust and improve operation. Topics range from questions on operation and stability of the blast furnace (BF), to the production of ultra-clean steels with Ruhrstahl-Heraeus (RH) treatment and the optimization of the continuous casting (CC) process.

Work Packages

• WP1-4: Temperature irregularities in BF bottom/ hearth, mass balance of zinc and alkali elements, investigations of BF charging models/ charging profile, raceway monitoring analyses
• WP5: Image analysis and state classification at the RH plant
• WP6: Hybrid Mold – Data evaluations around the CC process

Expected Results

• (WP1-4) Blast furnace: Prediction of temperature irregularities, mass balances in BF operation, charging models and development of optimized charging strategies, analyses of raceway blockages and possible correlations with process parameters and image material, predictive maintenance for tuyeres
• (WP5) RH plant: Comprehensive benchmark case for machine learning algorithms, setup of an advisory algorithm for the operator to be warned of irregular states of the RH plant
• (WP6) Continuous Casting: Modelling of heat transfers in the mold based on a hybrid approach, combining data from sensors in the CC mold with physical/ metallurgical-based process models

Project Consortium

• Joanneum Research GmbH – Institute DIGITAL

• Johannes Kepler University Linz – Department of Particulate Flow

• Linz Center of Mechatronics – Area SENS

• Montanuniversität Leoben

  •  Chair of Cyberphysical Systems

  • Chair of Ferrous Metallurgy

• Primetals Technologies Austria GmbH

• voestalpine Stahl GmbH

• voestalpine Stahl Donawitz GmbH

Links

Details on the research project can be found on the project webpage.

Funding Agency

• Österreichische Forschungsförderungsgesellschaft mbH (FFG)