Masterarbeit: Unsupervised Machine Learning Methoden für Predictive Maintenance

Vollständige Stellenbeschreibung

Die Fraunhofer-Gesellschaft betreibt in Deutschland derzeit 76 Institute und Forschungseinrichtungen und ist eine der führenden Organisationen für anwendungsorientierte Forschung. Rund 32 000 Mitarbeitende erarbeiten das jährliche Forschungsvolumen von 3,4 Milliarden Euro.

Masterarbeit: Unsupervised Machine Learning Methoden für Predictive Maintenance

Das Fraunhofer EMFT betreibt angewandte Forschung an Sensoren und Aktoren für Mensch und Umwelt. Die rund 150 Mitarbeitenden an den drei Standorten München, Oberpfaffenhofen und Regensburg verfügen über langjährige Erfahrung und umfangreiches Know-how in Mikroelektronik und Mikrosystemtechnik. Das Technologieangebot des Instituts reicht von Halbleiterprozessen und MEMS-Technologien über 3D-Integration bis hin zur Folienelektronik. Diese Nano- und Mikrotechnologien sind die Basis für die anderen Kompetenzfelder des Fraunhofer EMFT: Sensorlösungen, sichere Elektronik und Mikropumpen. Gerade das interdisziplinäre Zusammenspiel dieser Kompetenzen bringt zukunftsweisende Lösungen hervor. Dadurch ist das Fraunhofer EMFT bestens aufgestellt, um zur Bewältigung der aktuellen Herausforderungen unserer Gesellschaft beizutragen.

Die Arbeitsgruppe Machine Learning Enhanced Sensor Systems forscht an dem laufenden Projekt "KIWA – KI basierte prädiktive Wartung für Anlagen in der Fertigung" an einem Predictive Maintenance Ansatz für Industrieanlagen. Bei einem Projektpartner wurde bereits eine Anlage ausgewählt und die Positions- und Zustandsdaten der Steuerung, sowie Vibrationsdaten werden bereits erfasst. Hierbei handelt es sich um einen nicht synchronen, hoch dimensionalen und hoch frequenten Zeitreihen Datensatz. Um sich einem Predictive Maintenance Ansatz zu nähern sollen auf diesem Datensatz unsupervised Methoden, wie zum Beispiel eine Anomalieerkennung oder Clustering Methoden getestet werden.

Zur Unterstützung unseres Teams bei der Forschung und Entwicklung suchen wir ab sofort einen motivierten Studenten / eine motivierte Studentin.

Was Du bei uns tust

• Auswahl und Implementierung von AI/Machine Learning Modellen für nicht synchrone, hochdimensionale und hochfrequente Zeitreihendaten
• Training von AI/Machine Learning Modellen auf rechenstarken Servern
• Charakterisierung und Evaluierung der gewählten Modelle

Was Du mitbringst

• Studium an einer Universität oder Hochschule in der Fachrichtung Elektrotechnik und Informationstechnik, Informatik oder vergleichbarer Studienrichtungen
• Gute Kenntnisse in Python
• Erfahrungen mit Machine Learning
• Selbstständige Arbeitsweise

Was Du erwarten kannst

Wir bieten dir eine herausfordernde und abwechslungsreiche Forschungsaufgabe mit Verantwortung und Gestaltungsspielraum.
In unserem aufgeschlossenen Team kannst du eigene Akzente setzen, deine Ideen in Projekten realisieren und dich wissenschaftlich, beruflich und persönlich weiterentwickeln. Dabei unterstützen dich verschiedene Angebote der Fraunhofer Gesellschaft um Familie, Beruf und Karriereentwicklung bestmöglich miteinander zu vereinbaren.
Die Vergütung erfolgt nach HiWi Vergütung (je nach Qualifikation).
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.

Haben wir Dein Interesse geweckt? Dann bewirb Dich jetzt online mit Deinen aussagekräftigen Bewerbungsunterlagen. Wir freuen uns darauf, Dich kennenzulernen!

Fragen zu dieser Position beantwortet Dir gerne:
Ferdinand Heinrich

Machine Learning Enhanced Sensorsystems
ferdinand.heinrich@emft.fraunhofer.de
Tel.: +49 89 54759-556
Fraunhofer-Institut für Elektronische Mikrosysteme und Festkörper-Technologien EMFT
Kennziffer: 75547 Bewerbungsfrist: 30.09.2024

Erstellen Sie ein Indeed-Konto, bevor Sie zur Website des Unternehmens weitergeleitet werden.