Forschungsprojekte

Folgend finden Sie Beispiele laufender sowie abgeschlossener Forschungsprojekte unserer Fakultät Elektrotechnik und Wirtschaftsingenieurwesen.

Weitere Forschungsprojekte, u.a. aus unseren Forschungsbereichen Elektronik und Systemintegration, Medizintechnik und Produktions- und Logistiksysteme (PULS) finden Sie auf der zentralen Forschungsseite der Hochschule Landshut.

Druckluftdurchströmte Kamera für staub- und aerosolhaltige Umgebungen

Projektleiter
Prof. Dr. rer. nat. Stefan-Alexander Arlt

Projektmitarbeiter
Prof. Dr. rer. nat. Stefan-Alexander Arlt, Prof. Dr.-Ing. Norbert Babel, Prof. Dr.-Ing. Raimund Kreis

Start des Projekts
2018

Voraussichtliches Projektende
offen (kontinuierliche Optimierung und Unternehmenskooperationen)

Kurzzusammenfassung
Die Beobachtung von Bearbeitungsprozessen mit Kameras kann sich aufgrund von Stäuben, Spänen oder Aerosolen in der Luft schwierig gestalten. Beeinträchtigungen des Kamerasichtfeldes oder Beschädigungen sind mögliche Folgen. Ziel des Projekts der Hochschule Landshut war es daher, eine Kamera zu entwickeln, die möglichst lange eine ausreichend gute Sicht liefert. Dazu wurde mit Hilfe von Strömungssimulationen ein Kameragehäuse entwickelt, welches mit Druckluft durchströmt wird, um das Kameraobjektiv von Partikeln freizuhalten.

Seit Projektstart haben sich mehrere Studierende der Hochschule Landshut kontinuierlich im Rahmen von Abschlussarbeiten mit diesem Thema befasst.

Wir kooperieren dabei insbesondere mit der Firma PreussenElektra GmbH.
Das Kamerakonzept soll u.a. aktuell beim Rückbau des AKW Isar getestet und, wenn möglich, langfristig eingesetzt werden.

Weitere Unternehmenskooperationen sind bereits im Gespräch.

Einen detaillierten News-Artikel zum Projekt vom 29.07.2022 finden Sie hier.

Deep-PPG

Projektleiter: Prof. Dr. Andreas Breidenassel
Projektmitarbeiter: Maximillian Reiser
Start des Projekts: 01/2021
Voraussichtiches Ende: 12/2023
Partner: OSRAM Opto Semiconductors GmbH, Regensburg 

Kurzzusammenfassung

Herz-Kreislauf-Erkrankungen sind die häufigste Todesursache in Deutschland. Medizinische Wearables, die in Echtzeit vitale Parameter wie Blutdruck, Herzfrequenz und Sauerstoffgehalt im Blut messen, könnten helfen, diese Krankheiten frühzeitig zu erkennen und präventiv zu behandeln. Im Alltag oder beim Sport erfreuen sich die kleinen, tragbaren Minicomputer in Form von Fitnessarmbändern oder Smartwatches schon großer Beliebtheit. Auch in der Medizin werden sie mittlerweile immer häufiger eingesetzt. Das Problem ist hier allerdings, dass die mobilen Systeme nicht immer frei von Fehlern sind. So werden in den meisten Wearables Vitalparameter mithilfe des sogenannten PPG-Verfahrens (Photoplethysmographie) gemessen. Dabei kann es zu Signalstörungen kommen, wenn beispielsweise die Sensoren bei Bewegungen verrutschen. Die Medizin ist jedoch auf zuverlässige Messungen angewiesen. Genau hier setzt das nForschungsprojekt „Deep-PPG“ an der Hochschule Landshut an. Sein Ziel ist es, die Störanfälligkeit des PPG-Signals zu reduzieren und damit exaktere Messungen von Wearables in medizinischen Anwendungen zu ermöglichen. Am Projekt beteiligt ist das Unternehmen OSRAM Opto Semiconductors sowie die FAU Erlangen als assoziierter Partner. Das Vorhaben wird gefördert durch das Bayerische Staatsministerium für Wissenschaft und Kunst.

Publikationen

M. Reiser, A. Breidenassel, O. Amft, Simulation framework for reflective PPG signal analysis depending on sensor placement and wavelength, 2022 IEEE 18th International Conference on Wearable and Implantable Body Sensor Networks (Link)

NeuroTEST (ZIM) - AI Stresstests using artificial MRI data

Projektleiter: Prof. Dr. Stefanie Remmele
Wissenschaftliche Mitarbeiterin: Christiane Posselt
Start des Projekts: 2021
Voraussichtliches Projektende: 2022
Partner: deepc GmbH, München
Assoziierte Partner: LAKUMED Krankenhaus Landshut-Achdorf, Prof. Dr. Tobias Schäffter (PTB Berlin, TU Berlin)
Hiwi-/Projekt-/Abschlussarbeiten: E. Gramotke, J. Fischer, S. Khajarian, A. Paulik, M. Kaiser, I. Marchl, Y. Mündler, N. Erl, M. Bischof, B. Rechenmacher, F. Kollmannsberger, M. Kottermair

Kurzbeschreibung

Methoden des maschinellen Lernens, insbesondere unter Nutzung tiefer neuronaler Netze feiern immer neue Erfolge bei der Analyse und Klassifizierung medizinischer Bilder. Klar ist, in vielen Anwendungen erreichen die Algorithmen bereits mindestens menschenähnliche Entscheidungsgenauigkeiten. Unklar ist allerdings noch, wie sich Netze, trainiert auf einer bestimmten Datensituation, in einer anderen Datensituation verhalten. Z.B. wenn sich Aufnahmehardware oder Bildgebungsparameter von Radiologie zu Radiologie unterscheiden.

Im BMWi geförderten ZIM Projekt NeuroTEST entwickelt die Forschungsgruppe Medizintechnik (Projektleitung Prof. Remmele) zusammen mit dem Münchner Startup deepc Methoden zur systematischen Validierung von neuronalen Netzen (Anwendungsfall Segmentierung von MS Läsionen). Dazu werden Methoden der statistischen Versuchsplanung erforscht, wobei KI-Algorithmen systematisch auf Daten unterschiedlicher Aufnahmeprotokolle getestet werden. Im Zentrum des Projekts an der HAW steht die Simulation und Synthese dieser Daten, um für die Stresstests beliebige Datendomänen bereitstellen zu können (mehr).


Publikationen

Christiane Posselt, Edith Gramotke, Abhijeet Parida, Mehmet Yiğitsoy, Stefanie Remmele, "Novel concept for systematic testing of AI models for MRI acquisition shifts with simulated data", Proceedings Volume 12467, Medical Imaging 2023,  124671B (2023) https://doi.org/10.1117/12.2653883

Artificial Data for AI supported and AR guided interventions

Projektleiter: Prof. Dr. Stefanie Remmele(Bildverarbeitung, Datensynthetisierung und-Simulation)
Wissenschaftlicher Mitarbeiter: Serouj Khajarian
Masterstudent of Applied Research: Michael Schwimmbeck
Start des Projekts: 2021
Voraussichtliches Projektende: 2024
Partner: LAKUMED Krankenhaus Landshut-Achdorf, Prof. Dr. Christopher Auer (Hololens App), Prof. Dr. Eduard Kromer (AI Algorithms), Prof. Dr. Norbert Babel (3D Druck), Prof. Dr. Aida Anetsberger (Medical support)


Kurzbeschreibung:„Insbesondere wenn mehrere Lebertumore vorhanden sind, ist die Zuordnung zu den großen Lebergefäßen bei einer Operation schwierig“, berichtet Prof. Dr. Johannes Schmidt, Chefarzt und medizinischer Vorstand der LAKUMED Kliniken, der die HAW u.a. als Mitglied im Hochschulrat und im Fachbeirat für Medizintechnik und Gesundheitsmanagement unterstützt. Je nach Position und Anzahl von Läsionen stellt das eine große Herausforderung dar, da man den optimalen Zugang und die Lage des Tumors / der Tumore von außen nur schätzen kann. Nur ca. 8 % der Lebertumore können getastet werden. Um die Blutungen während eines Lebereingriffes zu reduzieren, kann man zwar das Organ für ca. 15 min von der Durchblutung abklemmen. Ein sicheres Auffinden der Gefäße würde aber dieses leberschädliche Vorgehen nicht mehr erforderlich machen.  In der Medizintechnik werden dazu bereits Methoden erforscht, die die reale OP Ansicht des Chirurgen mit virtuellen Modellen der Anatomie überlagern (Augmented Reality, AR). Auch existieren Verfahren des maschinellen Lernens, um virtuelle Modelle aus medizinischen MR oder CT Bildern zu erstellen (Segmentierung) oder richtig in der realen Welt zu positionieren (Registrierung). Doch Lösungen zur Anwendung dieser Methoden in AR-Applikationen sucht man fast vergeblich.

Jetzt hat die Forschungsgruppe Medizintechnik beschlossen, sich des Problems in Zusammenarbeit mit dem LAKUMED KH anzunehmen. In das Projekt wollen sich Professor*innen aus den Fakultäten ETWI, Informatik und Maschinenbau mit Projekt- und Abschlussarbeiten einbringen, um so den Grundstein für gemeinsame Förderanträge und Drittmittelprojekte zu legen.

FlyFlect3D (On-the-Fly-Deflektometrie zur schnellen 3D-Inline-Inspektion in der Bewegung)

Projektleiter: Prof. Dr. Christian Faber
Projektmitarbeiter:  M. Sc. Hanning Liang
Start des Projektes: 01.08.2017
Voraussichtliches Ende: 31.07.2020

Phasenmessende Deflektometrie ist ein etabliertes Verfahren zur berührungslosen optischen 3D-Vermessung spiegelnder Oberflächen. Dabei sind jedoch in jeder Messposition mehrere Bildaufnahmen eines sinusförmigen Streifenmusters in unterschiedlichen Phasenlagen anzufertigen. In industriellen Anwendungen führt dies zu einem zeitaufwändigen Stop-and-Go-Prozess. Ziel dieses Projekts ist es, ein neuartiges Messverfahren zu entwickeln und algorithmisch umzusetzen, welches die zu prüfenden Objekte in der Bewegung aufnehmen kann.

Dieses Projekt wird von der Bayerischen Forschungsstiftung gefördert. Projektpartner sind die Micro Epsilon Messtechnik GmbH & Co. KG in Ortenburg sowie das Institut für Softwaresysteme in technischen Anwendungen der Informatik (FORWISS) der Universität Passau.

IMiSens (Individualisierbare miniaturisierte Sensoren für die optisch-taktile Formmesstechnik )

Projektleiter: Prof. Dr. Christian Faber
Projektmitarbeiter: M. Eng. Andrej Besborodow
Start des Projektes: 01.04.2015
Voraussichtliches Ende: 30.09.2018

Ziel des Projektes ist die Entwicklung einer neuen miniaturisierten optisch-taktilen Sensortechnologie für die Formvermessung. Der erste Kernpunkt ist dabei, additive Fertigungsverfahren („3D-Druck“) zu nutzen, um die Sensoren individuell auf verschiedene Anwendungen anzupassen. Der 3D-Druck ermöglicht die wirtschaftliche Realisierung individueller Sensorköpfe, sowie komplett neue Designansätze. Zusätzlich soll eine simultane optisch-taktile Messung möglich sein, weshalb die optischen Sensorköpfe in ein taktiles Koordinatenmessgerät integriert werden.

Der zweite Kernpunkt ist, durch Nutzen von Vorwissen über die Bauteilgeometrie eine modellbasierte Mess- und Auswertestrategie zu verfolgen, um die Genauigkeit der Sensoren deutlich zu steigern. Weiterhin sind geeignete Vorgehensweisen zum Nachweis der Messmittelfähigkeit und Rückführbarkeit der individualisierten Systeme zu erarbeiten. Die Einsetzbarkeit der entwickelten Technologien soll anhand zweier Demonstratoren für unterschiedliche Leitapplikationen nachgewiesen werden.

Die Hochschule (HS) Aalen ist im Projekt bzgl. des ersten Kernpunktes federführend, die HS Landshut bzgl. des zweiten. Beide werden die Ergebnisse zur praxisnahen Ausbildung und zur Stärkung ihrer Forschungsschwerpunkte nutzen. Die Fa. Micro Epsilon bringt ihre Kompetenz als Sensorhersteller und möglicher wirtschaftlicher Verwerter der Ergebnisse mit in das Projekt ein. Die Carl Zeiss trägt mit ihrer Expertise als Systemintegrator und späterer Anwender bei.

Dieses Projekt wird vom Bundesministerium für Bildung und Forschung im Rahmen des FHprofUnt-Programms unter dem Kennzeichen 03FH048PB4 gefördert.

Projektplakat

iSLT.NET - Netzwerk für intelligente, modulare Sonderladungsträger

Projektleiter: Prof. Dr. Sebastian Meißner
Projektmitarbeiter: Martina Romer
Start des Projektes: laufend
Voraussichtliches Ende: 01/2020


Ladungsträger sind die zentralen Logistikobjekte für den Transport von Bauteilen und Produkten in Wertschöpfungsnetzwerken. Die Entwicklung und der Einsatz von bauteilindividuellen Sonderladungsträgern sind bei kurzen Ladungsträgernutzungszyklen mit hohen Kosten für die beteiligten Unternehmen verbunden. Diese Herausforderung trifft vor allem die Automobilbranche mit ihren kurzzyklischen Produkterneuerungen. Ladungsträgerhersteller stehen zudem unter hohem Wettbewerbsdruck, so dass deren Kernwertschöpfung zunehmend in Länder mit niedrigen Lohnkosten abwandert. Die Chancen, die sich einerseits aus einer modularen Ladungsträgergestaltung und andererseits durch die Nutzung von Basistechnologien des Internets der Dinge (Internet of Things - IoT) für datenbasierte Dienste in einem unternehmensübergreifenden Netzwerk ergeben, verbleiben heute weitestgehend ungenutzt.

Das Forschungsprojekt iSLT.NET (gefördert durch das BMWi) verfolgt das Ziel, ein Rollenmodell für die digitale Transformation der deutschen Wirtschaft im Bereich des Ladungsträgermanagements am Beispiel der Automobilbranche zu entwickeln und pilothaft umzusetzen. Dafür erforscht das Konsortium aus Ladungsträgerhersteller, industriellen Anwendungspartnern sowie Forschungspartnern den Aufbau von modularen, rekonfigurierbaren Sonderladungsträgern und die Anwendung von IoT-Technologien am Ladungsträger zur Optimierung der automobilen Wertschöpfungskette. Hierbei stehen insbesondere die Erschließung von Potentialen durch produkt- und datenbasierte Dienstleistungen sowie deren Bereitstellung über eine Cloud-Plattform und schließlich die Entwicklung hybrider Geschäftsmodelle als unternehmensübergreifende Betreiberkonzepte für Ladungsträger und IT-Services im Mittelpunkt.

Um das Netzwerk realisieren zu können, müssen modulare Sonderladungsträger zu „smart objects“ im Sinne des Internets der Dinge transformiert werden. Hierzu gilt es geeignete IoT-Technologien in Sonderladungsträger und Supply Chain Prozesse unternehmens- und produktübergreifend zu integrieren. Dadurch verschmilzt im Behältermanagement die physikalische Welt mit der virtuellen Welt und es entsteht ein so genanntes cyber-physisches System, wie in Abbildung 1 dargestellt. Ein betriebswirtschaftlich nachhaltiger unternehmensübergreifender Ladungsträgerpool soll u.a. eine höhere Nutzungsdauer der Ladungsträgermodule und damit geringe Behälterkosten versprechen, für mehr Transparenz der Behälterflüsse und -zustände durch intelligente Sensoren und für eine Optimierung der automobilen Supply Chain Prozesse durch anwenderspezifische IT-Services über die Cloud-Lösung sorgen.

Projektplakat

SafeAERIAL - Sichere Alarmgebung Elektromedizinischer Geräte über Rettungshubschrauber-Intercom-Anlagen

Projektleiter: Prof. Dr. Guido Dietl
Projektmitarbeiter: M. Eng. Janusz Wituski
Start des Projektes: offiziell 1. Oktober 2017 (verzögerter Start am 1. Februar 2018)
Voraussichtliches Ende: offiziell 30. September 2019 (Verlängerung bis 31. Januar 2020 geplant)

Dieses Projekt verbessert die Alarmgebung von Medizingeräten (z.B. Beatmungsgerät, Patienten-Monitoring-System, Perfusor) in Rettungshubschraubern.

Obwohl Medizingeräte sowohl mit akustischen und optischen Alarmfunktionen ausgestattet sind, ist es aufgrund des hohen Geräuschpegels im Rettungshubschrauber kaum möglich, Alarme ohne Zeitverzögerung zu detektieren und in Folge dessen, mit sofortiger Wirkung zu reagieren. Insbesondere pathophysiologische Entgleisungen oder Veränderungen der Vitalparameter des Patienten, aber auch Funktionsstörungen der Geräte, müssen hinsichtlich der Sicherstellung von Vitalfunktionen klar erkennbar sein und akustisch wiedergegeben werden können. Bislang existiert in Rettungshubschraubern kein Alarmmanagementsystem, das Alarme medizinischer Geräte im präklinischen Einsatz bündelt und an eine dritte Stelle (z.B. Intercom-Anlage) weiter gibt.

Ziel des Projekts ist es, ein Überwachungssystem zu entwickeln, bei welchem die von den Geräten aufgezeichneten und ausgegebenen Ereignisse als akustische Hinweise von einem zentralen Gerät, im Folgenden als Blackbox bezeichnet, über drahtlose Kommunikationsschnittstellen gesammelt und über die Intercom-Schnittstelle des Hubschraubers an die Headsets des medizinischen Rettungspersonals ausgegeben werden.

Die Umsetzung des Projekts umfasst folgende zwei Hauptthemen:

  1. Drahtloses Kommunikationssystem:
    Das erste Projektthema erörtert ein drahtloses Kommunikationssystem mit zuverlässigen Verbindungen zwischen Medizingeräten verschiedener Hersteller und der Blackbox, sowie der Blackbox mit der Intercom-Anlage des Hubschraubers.
    Einige Medizingeräte besitzen bereits drahtlose Schnittstellen, wie z.B. Bluetooth oder WLAN, mit untereinander abweichenden proprietären Protokollen, um externe Geräte (z.B. externer Monitor für die Telemedizin) anzubinden. Es wird im Projekt überprüft, ob sich die vorhandenen Kommunikationssysteme und Protokolle zur zuverlässigen Übertragung der Alarme eignen. Gegebenenfalls werden alternative Übertragungsverfahren und Protokolle entworfen und untersucht, die eine fehlerfreie und zuverlässige Verbindung garantieren.

  2. Alarmmanagementsystem:
    Das zweite Projektthema ist die Erforschung eines sicheren Alarmmanagementsystems, über das die Alarme der medizinischen Einzelgeräte eindeutig an das Intercom-System weitergegeben und vom Rettungspersonal erkannt und identifiziert werden können. Zur Untersuchung der unterschiedlichen Alarmweitergabeverfahren sollen auch psychologische Aspekte, v.a. in der rauen Umgebung des Rettungshubschraubers, berücksichtigt werden.


Das Projekt wird vom Bayerischen Staatsministerium für Wirtschaft und Medien, Energie und Technologie gefördert. Projektpartner sind GPP Communication GmbH & Co. KG, GS Elektromedizinische Geräte G. Stemple GmbH und YOUSE GmbH.

Selbstkonfiguration zur Optimierung der operativen Planung und Steuerung von intelligenten Bereitstellungshilfsmittel im Rahmen der digitalen Fabrik im Mittelstand

Projektleiter: Prof. Dr. Sebastian Meißner
Projektmitarbeiter: Stephanie Bäuml
Start des Projektes: 01. Juli 2017
Voraussichtliches Ende: 31. Dezember 2020

In dem Promotionsprojekt sollen für mittelständische Unternehmen, die Potenziale und der konkrete Nutzen von IoT-Basistechnologien im Kontext der operativen Logistikplanung und -management erforscht werden. Hierbei liegt der Schwerpunkt auf den Prozessen der Produktionslogistik bzw. der Materialbereitstellung. Ziel ist es, dass die IoT-Basistechnologien sich selbst konfigurieren, das bedeutet sie können regelbasiert eigenständig Entscheidungen und Optimierungen durchführen. Dadurch kann die Durchlaufzeit von Kundenaufträgen reduziert und effiziente Prozesse gestaltet werden.

1. Welche IoT-Basistechnologien sind im Bereich der Produktionslogistik geeignet, so dass unterschiedliche Logistikobjekte (u.a. Flurförderfahrzeuge, Bereitstellungsregale) je nach Prozessanforderung Veränderungen des Umfelds erkennen, sich adaptiv vernetzen und gezielt Daten austauschen können?

2. Wie kann ein dezentral aufgebautes Materialflusssystem im Zusammenspiel mit einem zentralen ERP-System automatisiert Entscheidungen zur Gestaltung des Materialflusses treffen?

3. Wie kann ein auf Grundlage von IoT-Basistechnologien selbst konfigurierendes Logistiksystem, mit der Logistikplanung und dem Logistikmanagement informationstechnisch verzahnt und optimal gestaltet werden?