Open Access

Die Energiewende erfordert eine tiefgreifende Umstellung des Wärmesektors, der in Deutschland etwa die Hälfte des Endenergieverbrauchs verursacht und noch immer stark auf fossile Energieträger angewiesen ist. Hybride Wärmeerzeugungssysteme, die konventionelle und erneuerbare Quellen wie Blockheizkraftwerke, Wärmepumpen und Solarthermie integrieren, gelten als vielversprechender Lösungsansatz. Ihre steigende Komplexität stellt jedoch hohe Anforderungen an das Energiemanagement. Diese Dissertation untersucht, inwieweit eine datenbasierte modellprädiktive Regelung (engl. Model Predictive Control, MPC) zur Optimierung des Betriebs solcher Systeme in einem Niedertemperatur-Nahwärmenetz beitragen kann. Kern der Arbeit ist die Entwicklung von Approximationsmodellen und deren Einbindung in eine MPC, die automatisiert und prädiktiv die Fahrweise der Erzeuger steuert. Die Umsetzung erfolgt zunächst in einem Simulationsumfeld, anschließend im Reallabor. Dabei wird neben einer monokriteriellen Optimierung hinsichtlich Betriebskosten und Emissionen sowie einer multikriteriellen Optimierung beider Zielgrößen auch ein kombiniertes Offline-/Online-Optimierungskonzept betrachtet, bei dem am Vortag ein optimaler Fahrplan erstellt und am Erfüllungstag in Echtzeit angepasst wird. Die Ergebnisse zeigen, dass die MPC im Simulationsumfeld eine flexible, preis- und emissions-sensitive Betriebsweise ermöglicht. Im Reallabor konnten diese Erfolge jedoch nur zum Teil repliziert werden, insbesondere aufgrund von Prognoseunsicherheiten sowie technischen Restriktionen und Unzulänglichkeiten beim Betrieb einzelner Systemkomponenten. Als Erkenntnisse folgen daraus die Notwendigkeit eines robusten MPC-Designs, einer für sie aktuellen und relevanten Datenbasis sowie einer kontinuierlichen Modellpflege. Die entwickelten Methoden sind grundsätzlich auf andere hybride Wärmenetze übertragbar, erfordern jedoch eine anlagenspezifische Anpassung. Die Arbeit liefert damit praxisnahe Erkenntnisse für die Planung und Regelung nachhaltiger Wärmesysteme im Kontext der Transformation des Energiesystems.

Mass spectrometry is a cornerstone of untargeted metabolomics, enabling the characterization of metabolites in both positive and negative ionization modes. However, comparisons across ionization modes have remained a substantial challenge due to the distinct fragmentation patterns produced by each polarity. To overcome this barrier, we present MS2DeepScore 2.0, a machine learning-based model to predict chemical similarity between mass fragmentation spectra, which works both between different and the same ionization modes. We demonstrate the utility of MS2DeepScore 2.0 in three case studies, where MS2DeepScore enabled cross-ionization mode molecular networking, enhancing data exploration and metabolite annotation. To ensure robustness, we have implemented a quality estimation method that flags spectra with low information content or those dissimilar to the training data, thereby minimizing false predictions. Altogether, MS2DeepScore 2.0 extends our current capabilities in organizing, exploring, and annotating untargeted metabolomics profiles.

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.

The Simple Generative Logic Grammar (SGLG) is a newly developed, very simply structured type of logic grammar designed for generating structured visual compositions. This paper examines its key features and explores its potential to play a central role in the educational framework Exploring Generative Logic (EGL) that I am currently developing. [1] At the heart of EGL is the idea of using the artistic creation of images composed of discrete elements to introduce students particularly in art and design to fundamental concepts in logic programming, formal grammars, and database systems in an accessible way.