Doktorand*in »KI-basierte Musterkennung für Maschinendaten«

Der Bereich »Mathematik für die Fahrzeugentwicklung« des ITWM beschäftigt sich mit der Entwicklung und Qualifikation von Modellierungs- und Simulationstechnologie zur virtuellen Fahrzeugentwicklung. Dabei werden mathematische Verfahren mit ingenieurwissenschaftlichen Erkenntnissen und Modellierungstechniken kombiniert, um die Effizienz des Entwicklungsprozesses zu erhöhen. Auf methodischer Seite kommen hier sowohl klassische Disziplinen der angewandten Mathematik (u. a. Numerik, Zeitintegration, gekoppelte Simulation, Optimierung, optimale Steuerung), als auch statistische und datenbasierte Techniken (u. a.multivariate Datenanalyse, maschinelles Lernen, Systemidentifikation) zum Einsatz. Die dabei adressierten, systemspezifischen Attribute und Anwendungsbereiche in der Fahrzeugentwicklung reichen von klassischer Betriebsfestigkeit bis hin zur Ressourcen- und Energieeffizienz.

Ein wichtiges Schwerpunktthema ist die Analyse und Verarbeitung von Fahrzeug- bzw. Maschinendaten. Gerade im Bereich der Nutzfahrzeuge, insbesondere bei Land- und Baumaschinen liegt eine hohe Nutzungsvariabilität vor und an der Maschine erhobene Daten, entweder während dezidierter Messkampagnen, oder aber im direkten Kundeneinsatz, können hier wertvolle Erkenntnisse und Aufschlüsse über die Nutzungsprofile der Maschinen liefern. Moderne Fahrzeuge, sowie Land- und Baumaschinen senden heute oft bereits über spezielle Telematiksysteme bestimmte Zustandsinformationen während ihres Betriebs an eine zentrale Datenplattform. Diese Zustandsinformationen bestehen aus an der Maschine erhobenen physikalischen Messgrößen in grober, aggregierter oder klassierter Form, oder sogar aus Zeitreihen mit geeigneter Abtastung. Gerade durch letztere entstehen immer größere Möglichkeiten und Potentiale, wichtige Erkenntnisse aus diesen Informationen abzuleiten. Das hier vorgestellte Promotionsvorhaben adressiert daher gezielt diesen Bereich: Es sollen KI-basierte Methoden studiert, entwickelt und implementiert werden, die es erlauben aus Maschinendaten in Form von Zeitreihen Informationen über die Maschine und deren Nutzung zu gewinnen. Dabei sind insbesondere Techniken der dynamischen Mustererkennung heranzuziehen, um in mehrdimensionalen Zeitreihenkanälen entsprechende Charakteristiken der Maschine bei spezifischen Einsätzen (z. B. Graben beim Bagger) zu identifizieren.

Was Sie bei uns tun

Zur Verstärkung unseres Teams an dieser Stelle suchen wir eine*n hochmotivierte*n Doktorand*in mit einer starken Neigung zur angewandten Mathematik, insbesondere in den oben genannten Teilbereichen. Idealerweise bringen Sie dazu Expertise auf mindestens einem der folgenden Gebiete mit:

Statistik und Datenanalyse insb. für Zeitreihen,
Maschinelles Lernen und künstliche Intelligenz,
Systemidentifikation und Mustererkennung,
Modellierung und Systemsimulation.
Was Sie mitbringen

Voraussetzung ist ein sehr guter Hochschulabschluss in (Techno-) Mathematik, Informatik, oder Maschinenbau sowie hohe Kompetenz in datenbasierten Methoden.
Fortgeschrittene Programmierkenntnisse (Python, Matlab/Simulink oder C/C++) sollten ebenfalls vorhanden sein.
Erfahrungen im Bereich Modellierung sind wünschenswert, werden aber nicht zwingend vorausgesetzt.
Ergebnisse sollten selbstständig und sicher in deutscher und englischer Sprache dokumentiert und präsentiert werden können.
Was Sie erwarten können

Ein flexibles, innovatives und kreatives Umfeld zur wissenschaftlichen Arbeit im Team.
Vielfältige Möglichkeiten und Angebote zum internationalen wissenschaftlichen Austausch.
Ein spannendes Promotionsvorhaben, das aktuelle Fragen der Fahrzeugentwicklung adressiert.
Das Fraunhofer ITWM zeigt ein außerordentliches Engagement für ein familienfreundliches Arbeitsumfeld. Dafür wurden wir mit dem Fraunhofer Familien-Logo ausgezeichnet.