Ausgangssituation

Die moderne Produktionswelt erfordert effiziente, intelligente und anpassungsfähige Lösungen, um den Anforderungen einer immer komplexer werdenden Umgebung gerecht zu werden. Künstliche Intelligenz und maschinelles Lernen haben sich als wichtige Werkzeuge erwiesen, um solche Herausforderungen zu bewältigen. Besonders im Bereich der Ultraschallsensorfertigung fallen eine Vielzahl von Daten an, die eine effiziente Produktion und hohe Produktqualität sicherstellen.

Keywords:

Ultraschallsensorfertigung, Data Science, Artificial Intelligence, Machine Learning, Deep Learning, Transfer Learning, Predictive Quality

Aufgabenstellung

Im Fokus dieser Abschlussarbeit steht die Untersuchung und Implementierung von Strategien zur Übertragbarkeit und Skalierbarkeit von multimodalen KI-Modellen zur Qualitätsvorhersage auf verschiedene Produktionslinien. Es sollen verschiedene Möglichkeiten analysiert werden, wie eine effiziente Generalisierbarkeit eines experimentellen Modells auf verschiedene Linien ermöglicht werden kann. Dabei sollen verschiedene Generalisierungsansätze untersucht werden bspw. das Training eines Einzelmodells aus Daten verschiedener Linien, das Training eines Foundation-Modells und dessen Anpassung auf einzelne Linien über Transferlearning oder das Training eines eigenes Einzelmodells je Fertigungslinie.

Die Abschlussarbeit könnte potenziell die folgenden Arbeitspakete umfassen, die jedoch im Laufe der Bearbeitung und basierend auf den Zwischenergebnissen flexibel angepasst werden können:

  • Einarbeitung in die Problemstellung und die zugrunde liegenden Datenstrukturen
  • Einarbeitung in Python und relevante Machine Learning- und Deep Learning-Bibliotheken
  • Untersuchung der Übertragbarkeit und Anpassungsfähigkeit des Modells auf verschiedene Produktionslinien
  • Durchführung von Experimenten, Quantifizierung und Evaluierung der Ergebnisse
  • Dokumentation der Arbeit (in deutscher oder englischer Sprache)

Benefits

  • Praxisnahe Forschung im Rahmen eines innovativen Industrieprojekts im Automotive-Sektor
  • Möglichkeit, tiefe Einblicke in die Anwendung von AI/ML in der Produktionswelt zu gewinnen
  • Remote-Work möglich
  • Für Masterarbeiten: Vergütung in Form einer Aufwandsentschädigung

Voraussetzungen

  • Sehr gute Kenntnisse der deutschen oder englischen Sprache
  • Hohe Eigenmotivation und eine gewisse IT-Affinität
  • strukturierte und selbstständige Arbeitsweise
  • Vorkenntnisse in Python sind wünschenswert, aber nicht zwingend notwendig

Bewerbungen bitte mit Lebenslauf und aktueller Fächerübersicht per E-Mail an Sven.Meier@faps.fau.de. Für weitere Informationen über Umfang und genaue Ausrichtung der Arbeit stehe ich gerne für ein persönliches Gespräch zur Verfügung.

 

Kontakt: