Job Description

Ausschreibung für die Fachrichtungen wie z. B.: Informatik, Luft- und Raumfahrttechnik, Maschinenbau, Mathematik, Softwareengineering, technische Informatik, Technologiemanagement oder vergleichbare.
Warum Anomalie-Lokalisierung?
Rund 10 % des gesamten Stromverbrauchs in der verarbeitenden Industrie in den USA und der EU-15 entfallen auf Druckluftsysteme. Hohe Leckageraten von 15 % bis zu 60 % führen dabei zu erheblichen Energie- und Kostenverlusten. Im Kontext von Industrie 4.0 bieten datengetriebene und modellbasierte Methoden ein hohes Potenzial, Anomalien wie Leckagen frühzeitig zu erkennen und deren Ursachen gezielt zu lokalisieren. Eine zentrale Herausforderung besteht darin, nicht nur das Auftreten einer Anomalie zu detektieren, sondern deren räumliche Position im System zuverlässig zu bestimmen. Hierfür sind Softwarearchitekturen erforderlich, die Sensordaten, physikalisches Systemwissen und lernbasierte Modelle systematisch integrieren.
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.
Hier sorgen Sie für Veränderung
In dieser Arbeit leisten Sie einen konkreten Beitrag zur Energieeffizienz und Nachhaltigkeit in der Industrie. Durch die Entwicklung intelligenter Architekturen zur Anomalie-Lokalisierung in Druckluftanlagen helfen Sie, Leckagen frühzeitig zu erkennen, Energieverluste zu reduzieren und industrielle Systeme zukunftsfähiger zu machen. Sie verbinden moderne Methoden des Maschinellen Lernens mit physikalischem Systemverständnis und übertragen aktuelle Forschung direkt in praxisnahe Anwendungen - mit echtem Impact auf Industrie 4.0 und den verantwortungsvollen Umgang mit Ressourcen.
Stand der Technik / Literatur:

• 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

Hiermit bringen Sie sich ein
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.
Was wir für Sie bereithalten

• Mitarbeit im spannenden und innovativen Themenfeld der „Energiedatenanalyse“
• 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

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. Unsere Aufgaben sind vielfältig und anpassbar - für Bewerber*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern.
Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.
Bereit für Veränderung? Dann bewerben Sie sich jetzt, und machen Sie einen Unterschied! Nach Eingang Ihrer Online-Bewerbung erhalten Sie eine automatische Empfangsbestätigung. Dann melden wir uns schnellstmöglich und sagen Ihnen, wie es weitergeht.
Frau Jennifer Leppich
Recruiting
jennifer.leppich@ipa.fraunhofer.de
Tel. +49 711 970-1415
Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA
Kennziffer: 83031 Bewerbungsfrist:

Skills Required