Abschlussarbeit | Predictive Maintenance: Ausfallvorhersagen mit Machine Learning auf Diagnosedaten - Anwendungsentwicklung, Forschung, Ingenieur

Intro Predictive Maintenance zielt darauf ab, Ausf lle vorherzusagen, bevor sie auftreten. Dadurch kann Wartung gezielt vor dem Schadensfall geplant und so Stillstandzeiten bzw. Servicekosten reduziert werden. W hrend das einfachere Preventive Maintenance nach festen Intervallen oder einfachen Schwellenwerten wartet, leitet Predictive Maintenance aus dem tats chlichen Zustand eines Fahrzeugs bzw. Steuerger ts ab, wann ein Ausfall zu erwarten ist und wertet dazu das Systemverhalten im Ganzen aus statt einzelner Grenzwerte. Etablierte Verfahren au erhalb der Fahrzeugdiagnose setzen daf r in der Regel eine kontinuierliche Zustands berwachung voraus, also fortlaufend erfasste Messwerte wie Temperatur, Vibration oder Str me. In der Fahrzeugdiagnose liegen solche Daten meist nicht vor: Diagnosedaten werden berwiegend ereignisbezogen erhoben, typischerweise bei Werkstattbesuchen. Pro Fahrzeug existieren dadurch nur einzelne, zeitlich weit auseinanderliegende Momentaufnahmen statt eines kontinuierlichen Messstroms. Die zentrale Herausforderung dieser Arbeit besteht darin zu untersuchen, wie gut sich Machine-Learning-Verfahren auf solchen zeitlich verteilten, l ckenhaften Daten anwenden lassen, welche Ans tze sich daf r am besten eignen und ob damit letztlich verl ssliche Fehlervorhersagen m glich sind. Ein weiteres Ziel ist es, Anforderungen an die Datenbasis abzuleiten also zu bestimmen, welche Daten in welcher Qualit t und Menge f r belastbare Vorhersagen erforderlich sind. Bei Bedarf sollen fehlende Daten gezielt durch Diagnoseroutinen oder synthetische Datengenerierung erg nzt werden. Die Arbeit deckt die gesamte ML-Pipeline ab von der Datenanalyse und -aufbereitung ber die Auswahl und das Training geeigneter Algorithmen bis zur Bewertung der Vorhersagequalit t anhand belastbarer Metriken. Am Ende soll die Kernfrage beantwortet sein, ob Predictive Maintenance auf Basis von Diagnosedaten grunds tzlich m glich ist. Es stehen reale Daten aus unserem Diagnosetester zur Verf gung, und du kannst an der Entwicklung eines Prototyps direkt in unserem Tool mitwirken. Um das Studium und die Arbeit unter einen Hut zu bekommen, bieten wir nach individueller Abstimmung, und abh ngig von der jeweiligen T tigkeit, auch mobiles Arbeiten an. Bitte beachte, dass reine Remote-Arbeit nicht m glich ist.

Deine Aufgaben

Analyse, Bewertung und Aufbereitung vorhandener Diagnosedaten (Labeling, Filterung, bei Bedarf Generierung und Augmentierung) sowie Erarbeitung von Strategien zur Verbesserung von Datenqualit t und -quantit t Auswahl, Training und Optimierung geeigneter Machine-Learning-Algorithmen f r die Ausfallvorhersage Bewertung der Vorhersagequalit t anhand aussagekr ftiger Metriken und Ableitung von Anforderungen an die Datenbasis Optional, je nach Fortschritt und Interesse: Integration der Vorhersagen in ein bestehendes Vector-Tool, Konzepte zur (LLM-gest tzten) Automatisierung des Workflows sowie Quantifizierung der Kostenersparnis anhand eines realen Use Cases Dein Profil Studium der Fachrichtung Informatik, Data Science, Elektrotechnik, Mathematik, Physik oder vergleichbarer Studiengang Gute Programmierkenntnisse in Python; idealerweise mit g ngigen ML-/Data-Science-Bibliotheken (z. B. NumPy, pandas, scikit-learn, PyTorch oder TensorFlow) Erfahrungen/Kenntnisse in Maschinelles Lernen, Datenanalyse und statistische Grundlagen Idealerweise Erfahrungen/Kenntnisse in Predictive Maintenance