Robuste Anomalieerkennung in Betriebsdaten fahrerloser Transportsysteme unter Domänenverschiebung

Summary

Beschreibung 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 Voraussetzungen 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.