ML-basierte Analyse historischer Betriebsdaten fahrerloser Transportsysteme zur automatisierten Ableitung von Optimierungsempfehlungen

Institut

Lehrstuhl für Fördertechnik Materialfluss Logistik (TUM-ED)

Typ

Semesterarbeit / Masterarbeit /

Inhalt

theoretisch /  

Beschreibung

Ausgangssituation

Im Forschungsprojekt KIDaFTS (KI-gestützte Datenanalyse zur Leistungssteigerung fahrerloser Transportsysteme) wird ein KI-basiertes Analyse- und Empfehlungssystem für den Betrieb von fahrerlosen Transportsystemen (FTS) entwickelt.

Im laufenden Betrieb von FTS-Anlagen entstehen auf verschiedenen Systemebenen kontinuierlich große Mengen an Prozess-, Sensor- und Steuerungsdaten. Diese historischen Betriebsdaten enthalten wertvolle Informationen über Effizienzpotenziale, wiederkehrende Störmuster und systemische Engpässe – werden jedoch bislang kaum strukturiert ausgewertet.

Ein zentrales Ziel des KIDaFTS-Projekts ist es, diese Datenbasis durch Methoden des maschinellen Lernens nutzbar zu machen und daraus automatisiert konkrete, verständliche Verbesserungsvorschläge für Betreiber von FTS-Anlagen zu generieren.

 

Aufgabenstellung

Ziel der Arbeit ist die Konzeption und prototypische Implementierung einer ML-basierten Pipeline zur automatisierten Analyse historischer Betriebsdaten von FTS und zur Ableitung konkreter Optimierungsempfehlungen.

Im Einzelnen umfasst die Aufgabenstellung:

• Literatur- und Technikrecherche zu Methoden des maschinellen Lernens für Zeitreihendaten und Prozessanalyse in der Intralogistik

• Exploration, Bereinigung und Vorverarbeitung historischer FTS-Betriebsdaten (Fahrwege, Durchlaufzeiten, Fehlercodes, Auftragsdaten)

• Auswahl und Anwendung geeigneter ML-Verfahren (z. B. Anomalieerkennung, Mustererkennung, Clustering, Regressions- oder Klassifikationsmodelle) zur Identifikation von Optimierungspotenzialen

• Entwicklung eines Mechanismus zur automatisierten Aufbereitung der ML-Ergebnisse in verständliche Verbesserungsvorschläge, ggf. unter Einsatz von Large Language Models (LLMs)

• Prototypische Implementierung und Evaluation anhand synthetischer Datensätze aus dem KIDaFTS-Projektkontext

Voraussetzungen

Anforderungsprofil

• Interesse an maschinellem Lernen, Datenanalyse und Intralogistik

• Kenntnisse in Python sowie gängigen ML-Bibliotheken (z. B. scikit-learn, PyTorch oder TensorFlow)

• Erfahrung in der Arbeit mit Zeitreihendaten oder Prozessdaten von Vorteil

• Hohes Maß an Selbstständigkeit, Zuverlässigkeit und strukturierte Arbeitsweise

• Gute Deutsch- und/oder Englischkenntnisse

Beginn ab sofort

Bei Interesse freue ich mich über Ihre Bewerbung, die Sie inklusive Lebenslaufs und Leistungsnachweis bitte per Mail senden.

Möglicher Beginn

sofort

Kontakt

Adrian Sonnemann, M.Sc.
Raum: MW 1590e
Tel.: +49 (89) 289 - 15916
adrian.sonnemanntum.de

Ausschreibung