Vergleich von ML-Methoden zur Anomalie- und Mustererkennung in Betriebsdaten fahrerloser Transportsysteme

Institute

Lehrstuhl für Fördertechnik Materialfluss Logistik

Type

Bachelor's Thesis / Semester Thesis /

Content

theoretical /  

Description

Ausgangssituation

Im Rahmen des Forschungsprojekts KIDaFTS wird ein KI-gestütztes Analyse- und Empfehlungssystem zur Effizienzsteigerung fahrerloser Transportsysteme (FTS) entwickelt. Ein wesentlicher Bestandteil ist dabei die automatisierte Erkennung von Störungen, Engpässen und ineffizienten Zuständen, die auf Basis realer FTS-Betriebsdaten erfolgen soll.

Solche Anomalien treten häufig unerwartet auf und beeinträchtigen die Leistungsfähigkeit innerbetrieblicher Materialflusssysteme. Ziel ist es, durch moderne Machine-Learning-Methoden, insbesondere Klassifikations- und Clustering-Verfahren, Muster im Betriebsverhalten zu erkennen und von potenziell kritischen Abweichungen zu unterscheiden.

Die Daten stammen aus verschiedenen Ebenen der FTS-Steuerung (z. B. Sensoren, Fahrzeugbewegungen, Prozess sowie Auftragsdaten) und erfordern eine strukturierte Aufbereitung, Analyse und Bewertung geeigneter Modelle. Die gewonnenen Erkenntnisse sollen perspektivisch in das LogiCoach-Assistenzsystem überführt werden und eine fundierte Anomalie- und Mustererkennung ermöglichen.

 

Aufgabenstellung

Ziel dieser Studienarbeit ist eine literaturgestützte Analyse und Bewertung geeigneter Machine-Learning-Methoden zur Anomalie- und Mustererkennung auf Basis realer oder synthetischer FTS-Daten. Dabei sollen sowohl klassische als auch moderne Verfahren hinsichtlich ihrer Eignung für intralogistische Betriebsdaten untersucht und bewertet werden.

Die Arbeit umfasst insbesondere folgende Aufgabenbereiche:

• Literatur- und Technikanalyse
  • Recherche relevanter Verfahren zur Anomalie- und Mustererkennung
  • Darstellung von Aufbau, Annahmen, Parametern, typischen Einsatzgebieten
  • Bewertung nach Kriterien wie Robustheit, Skalierbarkeit, Interpretierbarkeit, …
• Vergleich und Einordnung für FTS-Daten
  • Gegenüberstellung der Verfahren hinsichtlich Eignung für zeit- und prozessbezogene Betriebsdaten
  • Diskussion der Übertragbarkeit auf das KIDaFTS-System
• (Opt.) Validierung ausgewählter Methoden
  • Beispielhafte Implementierung und Test auf realen oder synthetischen FTS-Daten
  • Analyse von Laufzeit, Robustheit, …

Requirements

Anforderungsprofil

• Interesse an KI, Intralogistik und systematischer Methodenanalyse
• Vorkenntnisse in KI, ML-Konzepten (& Python)
• 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.

Possible start

sofort

Contact

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

Announcement