Abschlussarbeit: ML/KI-Basierte Fehlerursachen-Identifikation aus großen Sensorchipproduktionsdaten

Kurzzeitdynamik, Ernst-Mach-Institut

Abschlussarbeit: ML/KI-Basierte Fehlerursachen-Identifikation aus großen Sensorchipproduktionsdaten

Efringen-Kirchen

Die Fraunhofer-Gesellschaft betreibt in Deutschland derzeit 76 Institute und Forschungseinrichtungen und ist die weltweit führende Organisation für anwendungsorientierte Forschung. Rund 30 000 Mitarbeitende erarbeiten das jährliche Forschungsvolumen von 2,9 Milliarden Euro.

Das Fraunhofer-Institut für Kurzzeitdynamik, Ernst-Mach-Institut, EMI bietet Ihnen anspruchsvolle und abwechslungsreiche Aufgaben mit Verantwortung und Gestaltungsspielraum. Wir forschen im Auftrag unserer Kunden aus verschiedensten Bereichen von Wirtschaft und Politik und wenden die neuesten Erkenntnisse aus Wissenschaft und Forschung auf konkrete Projekte an. Die Anwendungen liegen in den Bereichen Verteidigung, Sicherheit und Resilienz, Automotive, Raumfahrt und Luftfahrt.

Für unseren Institutsstandort in Efringen-Kirchen vergeben wir zum nächstmöglichen Termin in der Abteilung Sicherheit und Resilienz Technischer Systeme eine Master- oder Bachelorarbeit zum Thema ML/KI-Basierte Fehlerursachen-Identifikation aus großen Sensorchip-Produktionsdaten.

Was Sie bei uns tun

Hintergrund:
Im Rahmen der Chip-Produktion von TDK-Micronas fallen pro Jahr Daten in der Größenordnung von vielen Terabytes an. Für jeden Chip werden für jeden Prozessschritt jeweils zahlreiche Datensätze in einer Hadoop Datenbank gespeichert und später über Spark oder über eine relationale Datenbankschnittstelle wieder zugänglich gemacht. Datensätze umfassen nominale und numerische Daten, Daten zu Maschineneinstellung und Wartung sowie Messkurven, Bilder und Zeitreihen bzw. deren Kenngrößen. Die Datensätze werden bereits bei Entstehung entsprechend ihrer Relevanz für die Produktion ausgewählt. Im Falle von Produktionsfehlern werden bisher die Daten von vor allem mit Hilfe statistischer Ansätze ausgewertet, um die Ursachen der Fehler zu ermitteln.

Aufgabenstellung:

Entsprechend der sehr hohen Automotive Qualitätsansprüche, stellt sich die Frage, wie die Daten noch effizienter zur Fehleridentifikation genutzt werden können. Im Rahmen der Arbeit soll eine einzige vielversprechende bereits in einem vergleichbaren Bereich erfolgreich eingesetzte Methode des Maschinellen Lernens (ML) bzw. der Künstlichen Intelligenz (KI) verwendet werden, um Ursachen von Produktionsfehlern noch effizienter aufzuspüren. Längerfristig können damit auch Optimierungsschleifen entwickelt werden, die in umfassende Datenanalysepipelines eingebunden sind.

• Literaturreche zu relevanten ML/KI-Methoden, z.B. Hochdimensionale Regressionsmethoden, Cluster-Methoden, Regelgenerierung, Multivariate Zeitreihenanalyse, Bayessche Interferenz, Outlier Detection
• Sichtung Datenarten und Auswahl technische Umsetzung Datenmanagement
• Auswahl eines geeigneten Datenanalyse- und Managementschemas bzw. -prozesses, z.B. Datenaufbereitung, Datenergänzung, Datenkomprimierung, Anwendung Methode einschl. (iterative) Methodenanpassung, Ergebnisanalyse
• Sichtung und Vergleich der Anwendbarkeit von ML/KI-basierten Analyseprozessen, insb. in Erweiterung bestehender implementierter Analyseprozesse und der Datenlage zu möglichen Fehlerursachen
• Auswahl ML/KI-basierte Methodik und Vorabtests zur Umsetzbarkeit, insb. Verfügbarkeit von entsprechenden open-source Implementierungen
• Umsetzung der ML/KI-basierten Methode und Test-Anwendungen auf Produktionsdaten
• Bewertung der Einsetzbarkeit der Methode in einem operationalen Umfeld

Was Sie mitbringen

• Sie absolvieren ein wissenschaftliches Hochschulstudium (Master, Diplom, evtl. auch Bachelor) in den angewandten Ingenieur- oder Naturwissenschaften, oder in einem vergleichbaren MINT-Studiengang
• Sie verfügen über solide Grundlagen im Bereich Maschinelles Lernen und Künstliche Intelligenz
• Sie haben erste Erfahrungen in der Umsetzung von ML/KI-Algorithmen und der Verwendung von einschlägigen Programmiersprachen, Bibliotheken, Speicherplatzmanagement und Entwicklungsumgebungen, z.B. Python, C++, Java, TensorFlow, PyTorch, Github, Cortx, OpenIO, MinIO, OpenCV, ONNX, MXNet, OpenCV
• Mit Ihrer selbstständigen und strukturierten Arbeitsweise bereichern Sie das interdisziplinäre Team unserer Abteilung
• Deutsch und Englisch (B1-Niveau, gerne höher)

Was Sie erwarten können

Sehr gute Betreuung durch erfahrene Wissenschaftlerinnen, die Sie bei Ihrer Arbeit unterstützen.
Interdisziplinäre Zusammenarbeit mit Kolleginnen aus verschiedenen Fachgebieten.

• Sehr gutes Betriebsklima in einem hochmodernen Arbeitsumfeld das mit den neuesten Technologien und Ressourcen ausgestattet ist.
• Möglichkeit an wegweisenden Forschungsprojekten teilzunehmen.

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt.

Die wöchentliche Arbeitszeit beträgt 39 Stunden. Die Vergütung richtet sich nach der Gesamtbetriebsvereinbarung zur Beschäftigung der Hilfskräfte.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.

Veränderung startet mit Ihnen – bewerben Sie sich jetzt!

Bitte bewerben Sie sich online mit Ihren vollständigen Bewerbungsunterlagen (Anschreiben, Lebenslauf, Immatrikulationsbescheinigung, ggf. Arbeitserlaubnis)!

Bei fachlichen Fragen wenden Sie sich bitte an:

Herrn Dr. Ivo Häring

ivo.haering@emi.fraunhofer.de

Fraunhofer-Institut für Kurzzeitdynamik, Ernst-Mach-Institut EMI

Kennziffer: 61991