Studien-/Abschlussarbeit - Architektur zur Anomalie-Lokalisierung: Konzeption und Implementierung

Die Fraunhofer-Gesellschaft (www.fraunhofer.de) ist eine der weltweit führenden Organisationen für anwendungsorientierte Forschung. 75 Institute entwickeln wegweisende Technologien für unsere Wirtschaft und Gesellschaft - genauer: 32 000 Menschen aus Technik, Wissenschaft, Verwaltung und IT. Sie wissen: Wer zu Fraunhofer kommt, will und kann etwas verändern. Für sich, für uns und die Märkte von heute und morgen.

Ihre Aufgaben

Durch den zunehmenden Einsatz von Sensorik stehen in der industriellen Fertigung umfangreiche Messdaten aus Druckluftsystemen zur Verfügung. Unüberwachte und teilüberwachte Verfahren des Maschinellen Lernens zeigen vielversprechende Ergebnisse in der Anomalieerkennung. Die gezielte Lokalisierung von Leckagen ist jedoch bislang nur unzureichend erforscht. Physics-Informed Neural Networks (PINNs) stellen einen innovativen Ansatz dar, da sie physikalische Gesetzmäßigkeiten direkt in den Lernprozess integrieren. Bisherige Arbeiten fokussieren sich jedoch überwiegend auf einzelne Modellansätze, ohne diese in eine übergeordnete, wiederverwendbare Architektur einzubetten.

Vorarbeiten haben die grundsätzliche Eignung von Physics-Informed Neural Networks (PINNs) zur Lokalisierung von Leckagen in Druckluftsystemen demonstriert. Eine umfassende, systematische Validierung dieses Ansatzes unter realitätsnahen Bedingungen steht jedoch bislang aus. Ziel dieser Masterarbeit ist der Entwurf, die Implementierung und die Evaluation einer modularen Systemarchitektur zur Anomalie-Lokalisierung in Druckluftanlagen auf Basis Physics-Informed Neural Networks.

Die Architektur soll:

• Sensordatenaufnahme, Vorverarbeitung und Modellierung klar strukturieren

• physikalisches Systemwissen explizit berücksichtigen

• verschiedene Modellansätze (Baseline und PINN-basierte Verfahren) integrieren sowie eine robuste und generalisierbare Lokalisierung von Anomalien ermöglichen

  Die entwickelte Architektur wird anhand realitätsnaher, experimentell erzeugter Datensätze validiert und quantitativ bewertet.,

• Welche Methoden werden zur Lokalisierung von Leckagen in gas- und flüssigkeitsführenden Rohrleitungssystemen eingesetzt?

• Existieren etablierte Modell- oder Netzwerkarchitekturen zur Leckage-Lokalisierung in Druckluftsystemen?

  Experimentelle und methodische Fragestellungen:

• Wie muss eine Systemarchitektur aufgebaut sein, um PINNs effizient zur Anomalie-Lokalisierung einzusetzen?

• Welche Sensormessgrößen und physikalischen Randbedingungen sollten berücksichtigt werden und welche zugrundeliegenden Leistungskennzahlen (KPIs) kommen zur Bewertung in Frage?

• Welche neuronalen Netzwerkarchitekturen eignen sich innerhalb der Gesamtarchitektur besonders für die Lokalisierung von Anomalien?

• Wie robust ist die entwickelte Architektur gegenüber unterschiedlichen Schlauchgeometrien und zusätzlichen Verbrauchern im System?

  Potenzielles Vorgehen

• Systematische Literaturrecherche zu Leckage-Lokalisierung, Physics-Informed Neural Networks und relevanten Architekturkonzepten

• Analyse der Anforderungen an eine modulare und erweiterbare Anomalie-Lokalisierungsarchitektur

• Entwurf einer konzeptionellen und softwareseitigen Gesamtarchitektur

• Versuchsplanbasierte Konzeption und Durchführung von Experimenten zur Generierung heterogener, praxisnaher Datensätze an der institutseigenen wandlungsfähigen Druckluft-Forschungsanlage

• Implementierung der Architektur inklusive eines Baseline-Modells sowie mehrerer PINN-basierter Modellvarianten

• Quantitative Evaluation der Architektur und der integrierten Modelle anhand geeigneter Leistungskennzahlen

• Validierung der Robustheit, Generalisierbarkeit und industriellen Eignung der entwickelten Architektur,

• Eine angenehme Arbeitsatmosphäre in einem motivierten Team

• Flexible Einteilung der Arbeitszeit (für Klausurvorbereitung etc.)

• Homeoffice-Arbeit nach Absprache möglich

• Falls gewünscht: Enge Betreuung in wöchentlichen Abstimmungsterminen

• Mitwirken an Veröffentlichungen

• Übertragung Ihres theoretischen Wissens aus dem Studium in die Praxis sowie das Kennenlernen der Herausforderungen durch Arbeiten mit realen Daten

Ihr Profil

Sie sind immatrikuliert an einer deutschen Universität oder Hochschule. Sie bringen Ihre analytischen Fähigkeiten, Ihre Programmierkenntnisse in Python sowie Ihr Interesse an datengetriebenen und physikbasierten Methoden ein. Mit einer selbstständigen und strukturierten Arbeitsweise wirken Sie aktiv an der Konzeption, Implementierung und Evaluation innovativer Architektur- und Modellansätze mit. Dabei bringen Sie theoretisches Wissen aus Ihrem Studium ein, entwickeln es im Forschungsumfeld weiter und arbeiten eng mit einem interdisziplinären Team zusammen.

Kontakt

Frau Jennifer Leppich Recruiting jennifer.leppich@ipa.fraunhofer.de

Tel. +49 711 970-1415

Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA

www.ipa.fraunhofer.de