Masterarbeit: »Deep-Learning für die Defekterkennung bei Batteriezellen«

Die Fraunhofer-Gesellschaft (www.fraunhofer.de) betreibt in Deutschland derzeit 76 Institute und Forschungseinrichtungen und ist eine der führenden Organisationen für anwendungsorientierte Forschung. Rund 32 000 Mitarbeitende erarbeiten das jährliche Forschungsvolumen von 3,4 Milliarden Euro.

Am Fraunhofer IPT in Aachen arbeiten wir mit mehr als 530 Mitarbeitenden täglich daran, dass die Produktion der Zukunft digitaler, flexibler und nachhaltiger wird. In der Abteilung Produktionsqualität beschäftigen wir uns mit der Anwendung digitaler Technologien zur Optimierung von Produktionsprozessen, insbesondere durch den Einsatz von künstlicher Intelligenz möchten wir die Produktion nachhaltiger gestalten. Ein Schwerpunkt unserer Arbeit konzentriert sich auf die Optimierung der Produktionsprozesse von Lithium-Ionen-Batteriezellen und Brennstoffzellen. Der wachsende Bedarf an nachhaltigen Energiespeichern erfordert eine effiziente und kostengünstige Produktion bei einer konstant hohen Produktionsqualität. Zu diesem Zweck setzen wir Rolle-zu-Rolle Verfahren für eine effiziente Beschichtung von Elektroden ein. Bei diesem Prozessschritt können jedoch Defekte auftreten, die hohe Ausschussraten verursachen. Zur Lösung dieses Problems entwickeln wir ein modernes Deep-Learning-basiertes Defekterkennungssystem. Ein zentraler Schritt für die Anwendung dieses Systems ist die Reduzierung des Annotationsaufwands durch Prozessexpert*innen. Eine vielversprechende Möglichkeit diesen Aufwand zu verringern, stellen Ansätze im Bereich Transfer Learning dar, welche wir für die Deep-Learning-basierte Klassifikation von Defekten einsetzen möchten. Im Rahmen dieser Abschlussarbeit sollen mehrere Deep-Learning Ansätze implementiert und getestet werden.

Was Du bei uns tust

Recherche und Auswahl geeigneter Ansätze im Bereich Transfer Learning für Deep-Learning-Modellen
Training von Deep-Learning-Modellen zur Defekterkennung und Analyse der Ergebnisse
Implementierung geeigneter Deep-Learning-Modelle in das Defekterkennungssystem

Was Du mitbringst

Du studierst Maschinenbau, Wirtschaftsingenieurwesen, Informatik, Elektrotechnik, Physik oder eine vergleichbare Fachrichtung
Erste Erfahrung im Umgang mit PyTorch, Deep Learning und Transfer Learning
Selbstständige Arbeitsweise und Freude an interdisziplinärer Teamarbeit
Gute Sprachkenntnisse in Deutsch und/oder Englisch

Was Du erwarten kannst

Wissenschaftliche Bearbeitung eines aktuellen und praxisrelevanten Themas
GPU-Server für Data-Science-Anwendungen und zum effizienten Arbeiten mit großen Modellen
Mitwirkung in innovativen Forschungs- und Entwicklungsprojekten mit namhaften Industriepartnern
Bei Interesse besteht die Möglichkeit die Ergebnisse in einer wissenschaftlichen Veröffentlichung zu publizieren

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.

Haben wir Dein Interesse geweckt? Dann bewirb Dich jetzt online mit Deinen aussagekräftigen Bewerbungsunterlagen. Wir freuen uns darauf, Dich kennenzulernen!

Fragen zu dieser Abschlussarbeit beantwortet Dir gerne:
Alexander Kreppein M.Sc.
Wissenschaftlicher Mitarbeiter »Produktionsqualität«
Telefon: +49 241 8904-289

Fraunhofer-Institut für Produktionstechnologie IPT

www.ipt.fraunhofer.de

Kennziffer: 74326 Bewerbungsfrist:

Stellensegment: Training, Learning, Education, Human Resources

Jetzt bewerben »