Open Access

We present the development of multifunctional blue-emission organic light-emitting diodes (OLEDs) using TADF-exciplex materials. These OLEDs exhibit sensitivity to external stimuli and achieve a maximum external quantum efficiency (EQE) of 11.6% through partly liquid processing. This technique allows for large-scale production on arbitrary geometries. The potential multifunctionality of the devices arises from their response to low external magnetic fields (up to 100 mT) with an efficiency up to 2.5% for magnetoconductance, while maximum magneto-electroluminescence effects of 4.1% were detected. We investigated novel aspects, including the utilization of two organic materials without further doping and the investigation of the impact of 2,2ʹ,2″-(1,3,5-Benzinetriyl)-tris(1-phenyl-1-H-benzimidazole) (TPBi) processing in liquid and vapor form. The insights gained provide a fundamental understanding regarding the applicability of exciplex (EX) materials for fully solution-processed OLEDs through a deliberate omission of doping. Our work represents a significant advancement on the path towards multifunctional OLED technology, with potential applications in cost-efficient, scalable organic full-color displays and advanced sensing system.

Für das Monitoring von Raritans Power-Distribution-Units (PDUs) sollen Sensorwerte über das Nachrichtenprotokoll MQTT bereitgestellt werden. Dazu wurde eine geeignete Implementierung des Protokolls ausgewählt und in Raritans Firmware integriert. Ein Service zum Versenden von Sensordaten über HTTP wurde für die Nutzung von MQTT ausgebaut. Weiter wurden die Topic-Namen definiert, unter denen MQTT-Nachrichten versendet werden sollen. Für den Nachrichteninhalt wurde ein Format für JSON-Objekte entwickelt. Nutzerinterfaces wurden für die Konfiguration der MQTT-Funktionalität angepasst.

In the domain of tabular data classification, eXtreme Gradient Boosting (XGBoost) has established a strong foothold, proving to be highly effective with its robust performance in handling structured data. [2] This success forms the benchmark for new methodologies as we continuously strive to en- hance classification accuracy and efficiency. Recognizing XGBoost’s accom- plishments, this thesis does not seek to replace it outright but to investigate whether novel deep learning (DL) architectures can reproduce its results by capitalizing on their ability to interpret complex, unstructured data. To this end, we explore different DL methodologies — TabNet, GATE, FT-Transformer and TabTransformer. DL techniques have garnered attention in the field of Network Traffic Classification for their superior pattern recognition capabilities, particularly in scenarios where traditional machine learning methods face constraints. Their potential applicability and effective- ness in the realm of network traffic classification present a compelling case for evaluation. [9] Our assessment methodology involves a comparative study where each in- vestigated DL architecture is meticulously benchmarked against the current industry-standard XGBoost. The performance comparison is based on key metrics including accuracy, precision, recall, F1 score, model size and speed. The aim is not only to measure how well these DL models perform in com- parison to XGBoost but to also reveal insights into their potential integration into existing network infrastructure. The insights from this study are particularly relevant for developers world- wide and at ipoque GmbH - a Rohde and Schwarz company, as they will be able to reflect on the capabilities of cutting-edge DL models as possible en- hancements or supplements to the current methods. By rigorously evaluating the latest in DL against a proven standard, this thesis contributes to the forward momentum in network traffic classification, aiming to inform future technology adoption and development.

Zur Unterstützung in der Softwareentwicklung von Fahrzeugsteuergeräten in der Programmiersprache C wurde im Bereich Entwicklung Elektrik/Elektronik der FES GmbH Fahrzeug-Entwicklung Sachsen ein Softwarewerkzeug in C zur automatischen Generierung von C- und Header-Dateien aus CAN-Datenbasen entwickelt. Ziel dieser Bachelorarbeit ist es, Verbesserungen am Softwarewerkzeug herauszuarbeiten und umzusetzen, sodass das Softwarewerkzeug als eine zuverlässige Unterstützung in der Softwareentwicklung genutzt werden kann. Für die Herausarbeitung der Verbesserungen wurden die funktionalen und nichtfunktionalen Anforderungen des Ist-Stands des Softwarewerkzeugs ermittelt, mit Mitarbeitern der Entwicklung Elektrik/Elektronik der FES überprüft und zusätzlich neue Anforderungen an das Softwarewerkzeug ermittelt. Folgende Verbesserungen konnten herausgearbeitet werden: • Die Konfiguration des Softwarewerkzeugs wird über eine Konfigurationsdatei erfolgen, • der Parser der CAN-Datenbasen wird überarbeitet, • die Dateigenerierung wird auf die Ersetzung von Platzhaltern in angegebenen Vorlagen für C- und Header-Dateien umgestellt, • es wird eine Benutzeroberfläche für die Konfiguration des Softwarewerkzeugs und der Anzeige des Inhalts der CAN-Datenbasen erstellt und • die Generierung von Dateien wird für mehrere CAN-Datenbasen unterstützt. Aufgrund der daraus folgenden tiefgreifenden Anpassungen an der Funktionalität des Softwarewerkzeugs wurden die Verbesserungen durch eine Neuentwicklung des Softwarewerkzeugs in der Programmiersprache Python umgesetzt.