Fachbereich - Elektro- & Informationstechnik
Refine
Year of publication
Document Type
- Announcement (78)
- Article (64)
- Conference Proceeding (50)
- Bachelor Thesis (9)
- Preprint (9)
- Study Thesis (9)
- Article trade magazine (4)
- Book (3)
- Doctoral Thesis (2)
- Master's Thesis (2)
Keywords
- Amtliche Mitteilungen (76)
- Prüfungsrecht (52)
- Prüfungsordnung (51)
- Bachelor (42)
- EI (30)
- Änderung (25)
- Elektrotechnik (20)
- Satzung (19)
- FHD (18)
- Master (16)
Department/institution
- Fachbereich - Elektro- & Informationstechnik (239)
- Hochschulverwaltung (78)
- Fachbereich - Wirtschaftswissenschaften (6)
- Fachbereich - Architektur (5)
- Fachbereich - Design (5)
- Fachbereich - Medien (5)
- Fachbereich - Maschinenbau und Verfahrenstechnik (4)
- Fachbereich - Sozial- & Kulturwissenschaften (1)
- Hochschulbibliothek (1)
Physically grounded PSF-based image degradation is necessary for studying optics-related object-detector robustness, but existing workflows typically rely on offline dataset generation and integrate poorly with GPU-resident frameworks such as MMDetection. We present CIDPL, a CUDA-accelerated Python library that adapts our standalone Image Degradation Application (IDA) into a real-time, framework-integrated pipeline for MMDetection. CIDPL couples Python and C++ via PyBind11, performs degradation directly on GPU tensors in the DataPreprocessor, and organizes multiple optical variants in a traceable Super-Batch format. Numerical validation shows exact agreement with IDA for TIFF inputs, while optical validation reproduces KrakenOS-based SFR trends. In throughput tests, CIDPL improves mean degradation speed over IDA by 4.7x on a single GPU and 7.6x on two GPUs, enabling real-time processing at 117 FPS with negligible overhead during both training and inference. KITTI experiments further show that the integration enables practical detector-level robustness studies under varying defocus conditions
The Influence of Monte Carlo Denoisers on the Quality of Real-Time Optical System Simulations
(2026)
Raytracing in combination with Monte Carlo simulation is an accurate method to simulate optical systems in virtual 3D scenes. Since Monte Carlo simulation relies on random sampling, many samples per pixel need to be computed for a noise-free image, resulting in high computational effort. Even the fastest ray tracers can only trace a few samples per pixel in real-time. A common solution in computer graphics is to compute the image with a few samples per pixel and apply a Monte Carlo denoiser to remove the noise. Since the denoiser alters the image, the question arises to what extent this influences the quality of the simulation. Utilizing “Simulating tests to test simulation”, we measure the SFR curve of a simulation denoised with the NVIDIA OptiX Denoiser and compare it with a highly sampled baseline simulation. Although the image is altered by denoising, using denoised ray tracing simulations yields more realistic results for real-time rendering than a Gaussian blur, but there is a significant texture loss.
Der im Jahr 2024 angepasste §14a im deutschen Energiewirtschaftsgesetz (EnWG) ermöglicht Verteilnetzbetreibern in Deutschland, neue, in der Niederspannungsebene angeschlossene steuerbare Verbrauchseinrichtungen (SteuVE) mit einer Leistung über 4,2 kW temporär in ihrer Leistungsaufnahme zu begrenzen. Im Gegenzug ist ein unverzüglicher Netzanschluss zu gewährleisten. Ab 2029 darf diese Leistungsreduktion ausschließlich im Rahmen einer netzorientierten Steuerung erfolgen, die auf EchtzeitMesswerten aus intelligenten Messsystemen und Ortsnetzstationen basiert.
Die hierfür notwendige Prozesskette umfasst zahlreiche IT-Systeme, Kommunikationskanäle und Hardwarekomponenten mit unterschiedlichen Verantwortlichkeiten. Ein Ausfall einzelner Komponenten kann dazu führen, dass Netzengpässe nicht erkannt oder behoben werden und Überlastungen bzw. Versorgungsunterbrechungen auftreten. Deshalb wird im Rahmen dieser Veröffentlichung die Zuverlässigkeit der §14a-Prozesskette am Beispiel der SchleswigHolstein Netz GmbH (SHN) analysiert.
Vorgestellt wird ein methodischer Ansatz zur Ermittlung von Zuverlässigkeitskennzahlen auf Komponenten- und Prozessebene, basierend auf Service Level Agreement (SLA) Daten sowie Auswertungen von umfangreichen Messwerten. Die Ergebnisse zeigen nicht nur Verfügbarkeitskennwerte, sondern auch den Einfluss von Redundanzen auf. Ergänzend werden mögliche Fallback-Strategien sowie deren systemische Auswirkungen betrachtet.
Die Netzgesellschaft Düsseldorf mbH beobachtet ein zunehmend kapazitives Blindleistungsverhalten ihrer Netze an den Kuppelstellen zum Übertragungsnetz. Zur Identifizierung der Ursachen und möglicher Gegenmaßnahmen erfolgt eine systematische Untersuchung des Blindleistungshaushaltes über alle Spannungsebenen auf Basis realer Messwerte. Die vorgestellten Ergebnisse zeigen, dass das zunehmend kapazitive Verhalten unter anderem aus den Niederspannungsnetzen resultiert. Dort weisen insbesondere leistungselektronische Verbraucher sowie moderne Messeinrichtungen, die als Ersatz für konventionelle Ferrariszähler verbaut werden, ein kapazitives Verhalten auf.
Gemäß § 37a des Gesetzes über die Hochschulen des Landes Nordrhein-Westfalen (Hochschulgesetz – HG) vom 16.09.2014 (GV. NRW. S. 547) in der aktuell gültigen Fassung hat das Präsidium im Einvernehmen mit der jeweiligen Dekanin bzw. dem jeweiligen Dekan die folgenden Gleichstellungsquoten (Gender-Diversity-Faktoren; § 3 Berufungsordnung der HSD vom 04.10.2016) für die Dauer von drei Jahren ab dem 01.01.2026 festgesetzt:
Mit dem EU AI Act wurden KI-Systeme mit sicherheitskritischen Funktionen als Hochrisiko-Anwendungen eingestuft. Sie müssen hohen Anforderungen an Datenqualität, Robustheit, Transparenz und Konformitätsbewertung genügen. Forschungsarbeiten zur Erklärbarkeit neuronaler Netze (z. B. LRP, CAM) und zur Auswirkung optischer Eigenschaften auf KI-Systeme bilden die Basis. Zudem wurde erkannt, dass fehlerhafte Daten und optische Abbildungsfehler die Sicherheit stark beeinträchtigen können. Ziel des Projekts safe.trAIn war es, die Voraussetzungen für einen sicheren vollautomatisierten Zugbetrieb zu schaffen. Im Fokus stand die Absicherung KI-basierter Verfahren zur Hinderniserkennung und deren Integration in Sicherheitsnachweise. Die Hochschule Düsseldorf (HSD) übernahm zentrale Aufgaben bei der Entwicklung und Weiterentwicklung von Methoden zur Daten- und KI-Absicherung, insbesondere den Queens-Methoden (QI² und ECS). Methoden: - Entwicklung und Anwendung der Queens-Methoden zur Bewertung von Datenqualität und Modellrobustheit - Analyse von Unsicherheiten in KI-gestützter Objekterkennung und deren Propagation - Entwicklung physikalisch realistischer Optikmodelle zur Untersuchung sensorischer Einflüsse - Validierung im virtuellen Testfeld (GoA4-System, driverless operation) - Integration in Sicherheitsarchitekturen (RAMS- und GSN-Methodik) sowie Begutachtung durch TÜV. Ergebnisse: - Erfolgreiche Weiterentwicklung der Queens-Methoden (QI², ECS) für Daten- und Modellbewertung - Entwicklung von Verfahren zur Erklärbarkeit (Kombination QI² mit LRP) - Neue Ansätze zur datenqualitätsbasierten Fehlererkennung ohne Training - Optische Modellierungen und verbesserte Kamerakalibrierung - Beitrag zur Standardisierung (DIN DKE SPEC 99002) - Mehrere wissenschaftliche Publikationen und Betreuung von Promotionen und Abschlussarbeiten. Die entwickelten Methoden ermöglichen eine systematische Absicherung von KI-Systemen im Bahnumfeld. Anwendungsmöglichkeiten bestehen in der Integration in Zulassungsprozesse, bei der Datenkuratierung, in der Sensorikgestaltung sowie in weiteren sicherheitskritischen Bereichen. Darüber hinaus sind die Methoden anschlussfähig für andere Forschungsfelder (z. B. Transformer-Netzwerke, chaostheoretische Analysen). Damit wurde eine technologische Grundlage für den sicheren Betrieb fahrerloser Regionalzüge geschaffen.
Rapid Deployment of Hardware-Accelerated Vision AI Applications on the Xilinx Kria KV260 Platform
(2026)
This teaching-oriented paper presents a structured introduction to the deployment of hardware-accelerated vision AI applications on the Xilinx Kria KV260 platform. Rather than focusing on low-level hardware design, the material emphasises system integration, runtime configuration, and the interaction between software and reconfigurable logic within a modern heterogeneous embedded system. Using a pre-integrated smart camera application as a guiding example, the paper demonstrates how FPGA-based acceleration can be accessed through standard Linux tools, containerised execution environments, and network-based video streaming. The approach is specifically designed for higher education, enabling students to gain practical insight into adaptive computing platforms while maintaining a clear conceptual understanding of hardware–software co-design principles.
Aufgrund der §§ 2 Abs. 4 S. 1, 26 Abs. 3 S. 2 des Gesetzes über die Hochschulen des Landes Nordrhein-Westfalen (Hochschulgesetz - HG) vom 16.09.2014 (GV. NRW. S. 547) in der aktuell gültigen Fassung und der Grundordnung der Hochschule Düsseldorf (GO HSD) vom 08.10.2015 (Verkündungsblatt der Hochschule Düsseldorf, Amtliche Mitteilung Nr. 414) in der aktuell gültigen Fassung hat der Fachbereich Elektro- und Informationstechnik der Hochschule Düsseldorf die fol-gende Ordnung als Satzung erlassen.
Automated leaders and followers selection in Stackelberg games for modular manufacturing systems
(2025)
We propose an automated data-driven mechanism to evaluate each actuator’s influence on modular manufacturing system objectives. This mechanism enables automated leader and follower selection in Stackelberg games, which have gained traction in engineering. While leaders typically hold greater priority or influence, systematic methods for assigning leaders and followers remain limited, especially in large-scale applications. As a result, many rely on empirical analysis to assign leaders and followers, without confirming if the selected setup is optimal. Therefore, in this paper, we develop an automated mechanism to evaluate the influence of each player on the global objectives of modular manufacturing systems, applicable to both single- and multi-objective scenarios. We validate the proposed approach within an industrial control scenario, using a modular Bulk Good System and its larger-scale arrangement with sequential and serial-parallel processes. We focus on three objectives, including production flow disruption prevention, power consumption reduction, and production demand fulfilment. Finally, we implement a self-learning algorithm utilizing Modular State-based Stackelberg Games, where leaders and followers are selected using our approach, which leads to encouraging results.