Masterarbeit: Daten-effizientes hybrides maschinelles Lernen zur robusten Vorhersage von Schwingungssystemen (w/m/div.)
- Vollzeit
Unternehmensbeschreibung
Stellenbeschreibung
Möchten Sie künstliche Intelligenz in technische Anwendungen einbringen? In Zusammenarbeit mit einem Team von Ingenieuren und Wissenschaftlern werden Sie untersuchen, wie robustere und zuverlässigere Vorhersagemodelle für technische Systeme entwickelt werden können. Sie werden daran arbeiten, eine Toolbox für maschinelles Lernen zu verbessern, um schwingungslastige Systeme vorherzusagen und entscheidende Fähigkeiten hinzuzufügen, um aus realen Erkenntnissen zu lernen, insbesondere wenn Messdaten rar sind. Während Ihrer Thesis werden Sie fortgeschrittene Techniken des maschinellen Lernens erforschen und anwenden, um begrenzte Messdaten in das Training von Modellen zu integrieren, die derzeit überwiegend auf Simulationsdaten basieren. Sie werden einen Benchmark entwickeln, indem Sie simulierte Daten und neue Messdaten von einem Prüfstand integrieren und maschinelle Lernalgorithmen nutzen, um das dynamische Verhalten von nichtlinearen gekoppelten Schwingungssystemen vorherzusagen. Darüber hinaus werden Sie Ihre gewählten Ansätze anwenden und bewerten, indem Sie deren Modellleistung (Genauigkeit und Robustheit) mit Modellen vergleichen, die ausschließlich auf Simulationen trainiert wurden. Schließlich werden Sie Ihre Ideen und Beiträge offen kommunizieren und von dem Austausch mit Kolleginnen und Kollegen innerhalb Ihres Teams, Experten auf dem Gebiet sowie einem breiteren Netzwerk in verschiedenen Bereichen und Standorten innerhalb des Unternehmens profitieren.
Qualifikationen
Ausbildung: Masterstudium im Bereich Ingenieurwesen, Mathematik, Physik oder vergleichbar mit guten Noten
Erfahrung und Kenntnisse: gutes Verständnis von Dynamik (mechanische Schwingungen), sehr gute Kenntnisse in Python (Pytorch, Pandas, Numpy usw.); gute bis sehr gute Kenntnisse grundlegender Konzepte und Algorithmen des maschinellen Lernens, insbesondere relevant für Regression
Persönlichkeit und Arbeitsweise: Sie zeichnen sich durch Innovationskraft mit einem hohen Maß an Selbstmotivation aus, arbeiten selbstständig und kommunizieren Ihre Fortschritte und Ideen effektiv
Arbeitsroutine: Ihre Präsenz vor Ort ist erforderlich
Sprachen: fließend in Englisch und Grundkenntnisse in Deutsch oder fließend in Deutsch und sehr gute Kenntnisse in Englisch