Robuste Anomalieerkennung in Betriebsdaten fahrerloser Transportsysteme unter Domänenverschiebung

Institute

Lehrstuhl für Fördertechnik Materialfluss Logistik (TUM-ED)

Type

Semester Thesis / Master's Thesis /

Content

constructive /  

Description

Ausgangssituation
Im Forschungsprojekt KIDaFTS (KI-gestützte Datenanalyse zur Leistungssteigerung fahrerloser Transportsysteme) werden Betriebsdaten realer FTS-Flotten genutzt, um Störungen und Leistungseinbußen frühzeitig zu erkennen. Mit der Pipeline MUSTER existiert bereits ein Ansatz, der Missions- und Störungsdaten zu Merkmalen verdichtet und mit Verfahren des maschinellen Lernens klassifiziert. Bisherige Experimente zeigen ein typisches Problem industrieller Daten: Modelle, die auf einem Betriebstag trainiert werden, übertragen sich nur schlecht auf andere Tage. Ursache ist die Domänenverschiebung durch wechselnde Auftragslagen und Betriebszustände – sie begrenzt die Leistung stärker als die Modellwahl.

Aufgabenstellung
Ziel der Arbeit ist die Entwicklung und Bewertung von Verfahren, die Anomalien auch über wechselnde Betriebsbedingungen hinweg zuverlässig erkennen.
• Literaturanalyse zu Anomalieerkennung in Zeitreihen sowie Domain Adaptation und Generalization
• Analyse der Domänenverschiebung in den vorhandenen Betriebsdaten
• Untersuchung geeigneter Ansätze, z.B. Normalisierung, un-/semi-überwachte Verfahren, Active Learning
• Bewertung mit ereignisgruppierter Validierung zur Vermeidung von Datenleckagen
• Integration der besten Variante in die MUSTER-Pipeline

Requirements

Anforderungsprofil
• Studium der Informatik, Data Science oder vergleichbar
• Sehr gute Python-Kenntnisse sowie Erfahrung mit scikit-learn, pandas und gängigen ML Verfahren
• Interesse an industriellen Daten und Intralogistik
• Selbstständige, strukturierte und zuverlässige Arbeitsweise
• Gute Deutsch- und/oder Englischkenntnisse

Beginn  ab sofort
Bei Interesse freue ich mich über Ihre Bewerbung, die Sie inklusive Lebenslaufs und Leistungsnachweises bitte per Mail senden.

Possible start

sofort

Contact

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

Announcement