Dieses Projekt konzentriert sich auf die Optimierung der Zuverlässigkeit industrieller Maschinen durch fortschrittliches Sensormonitoring und automatisierte Kalibrierung. Im Rahmen Ihrer Abschlussarbeit untersuchen Sie zwei Hauptarten von Sensorausfällen: physische Hardware-Anomalien und softwarebedingte Abweichungen (Drifts). Durch die Kombination praxisnaher Messungen am Prüfstand mit Datenanalysen entwickeln Sie ein System, das zwischen diesen Fehlerarten unterscheidet und – wo möglich – automatisch softwarebasierte Korrekturen anwendet. Ihr abschließendes Konzept trägt zur Entwicklung selbstkalibrierender Sensorsysteme bei.

Im Rahmen Ihrer Abschlussarbeit führen Sie physische Messungen an einem Kugelgewindetrieb-(BSD)-Prüfstand durch, um sowohl fehlerfreie („gute“) Sensordaten als auch hardwarebedingte Sensorausfälle („schlechte“) zu erfassen und zu analysieren. Sie analysieren einen bereitgestellten, vorab detektierten Datensatz mit softwarebedingten Sensorabweichungen (z. B. Sensordrift). Sie erarbeiten Kriterien, die eine softwarekorrigierbare Drift von einem physischen Hardwarefehler unterscheiden, sodass der Sensor für eine rein softwarebasierte Rekalibrierung geeignet ist. Darüber hinaus recherchieren und bewerten Sie verschiedene softwarebasierte Rekalibrierungstechniken.

Sie entwerfen ein robustes Konzept für einen automatisierten Workflow, der auf Basis Ihrer Klassifikation die passende softwarebasierte Rekalibrierung auslöst und anschließend prüft, ob der Sensor wieder korrekt arbeitet. Zudem validieren Sie Ihr Konzept sowohl mit Ihren neu aufgezeichneten Hardware-Datensätzen als auch mit den bereitgestellten Drift-Datensätzen. Abschließend identifizieren Sie Fälle, in denen eine softwarebasierte Rekalibrierung nicht ausreicht (mit besonderem Fokus auf die aufgezeichneten Hardwarefehler), und schlagen eine Strategie vor, wie das System mit diesen physischen Anomalien umgehen soll (z. B. Kennzeichnung für Wartung oder Auslösen eines Hardwareaustauschs).

• Ausbildung: Masterstudium im Bereich Informatik, Data Science, Elektrotechnik, Mechatronik, Ingenieurwesen, Physik oder vergleichbar, mit sehr guten Studienleistungen
• Erfahrung und Kenntnisse: Sehr gute Programmierkenntnisse in Python sowie sicherer Umgang mit Data-Science-Bibliotheken (z. B. Pandas, NumPy, Scikit-learn); fundierte theoretische Kenntnisse und erste praktische Erfahrungen in Datenanalyse und Machine-Learning-Konzepten, insbesondere im Bereich Klassifikation; grundlegendes Verständnis physikalischer Messprinzipien, Sensortechnik oder industrieller Automatisierung; Kenntnisse in kollaborativer Softwareentwicklung sowie mit Plattformen wie Git/GitHub
• Persönlichkeit und Arbeitsweise: Sie sind hoch motiviert, offen für Zusammenarbeit und Teamarbeit und verbinden eine eigenständige, systematische Arbeitsweise mit ausgeprägtem analytischem Denken
• Arbeitsmodell: Unser hybrides Modell bietet Ihnen eine ausgewogene Mischung aus Präsenz vor Ort und Remote-Arbeit
• Interesse: Sie haben großes Interesse daran, reale industrielle Problemstellungen zu lösen, und sind von der Idee fasziniert, intelligente, selbstwartende Systeme zu entwickeln
• Sprachen: Verhandlungssicheres Englisch; Deutschkenntnisse sind von Vorteil