Masterand/in Energietechnik, Maschinenbau, Informatik o.ä. (w/m/d) - Reale akustische Signale eines Teststandes zur Anomalieerkennung

Am Institut für Solarforschung werden eine Vielzahl von Testständen mit unterschiedlichem Aufbau betrieben. Die Überwachung dieser Anlagen stellt eine besondere Herausforderung dar, da sich der Aufbau häufig ändert und die Teststände nur für eine begrenze Zeit betrieben werden.

Eine kostengünstige und vielfältig einsetzbare Möglichkeit zur Überwachung dieser Anlagen stellt die akustische Anomalieerkennung dar. Dabei soll ein akustisches Signal mit mehreren Mikrofonen aufgezeichnet werden und anschließend der Anlagenbetrieb Überwacht werden. Machine Learning Verfahren stellen eine Möglichkeit dar diese Signale effektiv zu Verarbeiten und zu klassifizieren. Dabei handelt das Machine Learning Verfahren vergleichbar zu einem Menschen, der aus seinen Erfahrungen Beurteilen kann, ob einzelne Anlagenbauteile normale Geräusche von sich geben.

Neben der reinen Klassifizierung, ob ein Signal normal oder anormal ist kann mit Hilfe mehrere Mikrofone auch die Geräuschquelle lokalisiert werden, was wichtige zusätzliche Informationen für die Fehlererkennung liefert.

Werden sie Teil unseres jungen, vielseitigen und motivierten Teams innerhalb des Institutes für Solarforschung, das sich zum Ziel gesetzt hat künstliche Intelligenz effektiv in solarthermischen Anlagen einzusetzen. Da sie im Rahmen ihrer Masterarbeit reale akustische Signale eines Teststandes aufzeichnen und verarbeiten werden, haben sie die Möglichkeit neben der Arbeit an Algorithmen zur Anomalieerkennung auch den Forschungsbetrieb eines großen Teststandes kennenzulernen.

Das Institut für Solarforschung ist eine der führenden Forschungseinrichtungen auf dem Gebiet der konzentrierenden Solartechnik. Im Institut sind Großforschungseinrichtungen eingegliedert, die eine Vielzahl an Testständen und Laboren umfassen.

Aufgaben:

• Literaturrecherche und Einarbeitung zur Technik akustische Anomalieerkennung
• Auswahl und Aufbau geeigneter Hardware am Teststand (geeignete Mikrofone, geeignete Anordnung)
• Einarbeitung in bekannte Algorithmen zur akustischen Anomalieerkennung
  • klassische Verfahren der Signalklassifizierung (bspw. Frequenzanalyse)
  • Machine Learning Verfahren
• Einarbeitung in bekannte Verfahren zur Lokalisation der Schallquelle und zur Trennung unterschiedlicher Schallquellen (bspw. Beamforming)
• Aufbereitung der aufgezeichneten akustischen Signale mit entsprechenden Python-Bibliotheken
• Lokalisation der Signalquelle im Raum und unterdrücken von Störsignalen
• Erprobung unterschiedlicher akustischer Anomalieerkennungsverfahren
• Vergleich und Bewertung unterschiedlicher Verfahren
• Vorauswahl eines detailliert auszuarbeitenden Verfahrens
• Verfeinerung des Verfahrens und Nachweis der Robustheit