Im Zuge der Abschlussarbeit sollen Ansätze zur automatisierten Fehrlererkennung von 1D- Simulationsergebnissen (Zeitreihen) entwickelt werden. Hierdurch soll der manuelle Aufwand zur Plausibilisierung von Ergebnissen reduziert und eine frühzeitige Erkennung von Fehlern ermöglicht werden. Dabei sollen Verfahren des unsupervised Machine Learning (z. B. Clustering) sowie gängige Methoden aus dem Bereich der Anomaly Detection umgesetzt, gegenübergestellt und bewertet werden. Die entwickelten Methoden sollen in eine Datenpipeline integriert werden, um einen laufenden Prozess zum Update des Baseline-Verhaltens zu ermöglichen. Die Arbeit umfasst die Literaturrecherche zum Stand der Technik, die Auswahl geeigneter Algorithmen, die Durchführung einer Sensitivitätsanalyse relevanter Signale sowie die Konzeption eines Validierungsframeworks. Abschließend wird die Umsetzbarkeit in einem Proof of Concept überprüft.
Aufgaben
- Literaturrecherche zum Stand der Technik (unsupervised machine learning, clustering, anomaly detection)
- Auswahl geeigneter Methoden
- Sensitivitätsanalyse geeigneter Signale
- Erarbeitung eines ganzheitlichen Validierungskonzeptes
- Bestätigung der Umsetzbarkeit im Rahmen eines Proof of Concepts
- Dokumentation der Ergebnisse
Anforderungen
Studiengänge:
- Informatik o.ä.
- technische Studiengänge mit Schwerpunkt auf Softwareentwicklung, KI, Data Analytics und Machine Learning
Fachkenntnisse:
- Tensorflow
- PyTorch, RayTune o.ä.
IT-Kenntnisse:
- Python
- MATLAB (wünschenswert)
Sprachkenntnisse:
- Deutsch (C1)
- Englisch (B2)
Soft Skills:
- Selbständige und strukturierte Arbeitsweise
- Team- und Kommunikationsfähigkeit