Deep Learning: Evaluierung von Methoden des Few-Shot Learning im Kontext der Elektromotorenproduktion (BA/PA/MA)

Ausgangssituation:

Die zunehmende Variantenvielfalt in modernen Produktionsanlagen stellen die traditionellen Methoden des Deep Learning vor Herausforderungen. Die resultierende fragmentierte Datenmenge beschränkt, aufgrund mangelnder Übertragbarkeit der Modelle zwischen den Varianten, die potentielle Leistungsfähigkeit neuronaler Netze im produzierenden Umfeld. Zusätzlich stellt der Datenhunger neuronaler Netze hohe Anforderungen hinsichtlich der Qualität und Quantität der Datenannotation, was hohe Kosten mit sich führt. Abhilfe verspricht hierbei der Bereich des Few-Shot Learning, welcher sich auf den Entwurf performanter neuronaler Netze mit beschränkten Datensätzen konzentriert.

Aufgabenstellungen:

Im Rahmen dessen leiten sich verschiedene Aufgabenstellungen ab, die die Untersuchung verschiedener Methoden des Few-Shot Learning in der Elektromotorenproduktion adressieren. Der genaue Schwerpunkt kann je nach Vorkenntnissen und Interessen im Zuge eines persönlichen Gesprächs definiert werden. Eine mögliche Aufgabenstellung wäre:

  • Einarbeitung in die Grundlagen des Deep Learning und Few-Shot Learning
  • Systematische Literaturrecherche zur Identifizierung von Methoden und Potentialen
  • Implementierung der Methoden anhand vorliegender Prozessdaten
  • Auswertung und kritische Analyse der Ergebnisse

Hinweise zur Bewerbung:

  • Erste Erfahrungen mit neuronalen Netzen sind gerngesehen
  • IT-Affinität sowie Erfahrung in der Python-Programmierung wünschenswert
  • Hohe Motivation und Auffassungsgabe und strukturierte Arbeitsweise
  • Bewerbungen mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an tim.raffin@faps.fau.de

Ansprechpartner:

Tim Raffin, M.Sc. 

Kategorien:

Forschungsbereich:

Elektromaschinenbau

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Medizintechnik, Wirtschaftsingenieurwesen

Technologiefeld:

Künstliche Intelligenz und Maschinelles Lernen, Medizintechnik, Software Engineering und Deployment

Kontakt:

Tim Raffin, M.Sc.

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS)