Wissenschaftliche/r Mitarbeiter/in

**Wissenschaftliche/r Mitarbeiter/in (m/w/d) im Bereich Künstliche Intelligenz zur Überwachung und Regelung von Fügeprozessen in der E-Antriebsproduktion**

**Aufgabengebiet**:
Bei der Produktion von elektrischen Antriebskomponenten wie Elektromotoren, Wechselrichtern oder Batterien spielen prozesssichere Fügeprozesse eine wesentliche Rolle. Um beispielsweise die Drähte einer Motorwicklung zu einer Phase zu kontaktieren, kommen Fügeverfahren wie das Crimpen, das Laserschweißen oder das Löten zur Anwendung. In der Endmontage eines Motors sind klassische mechanische Fügeverfahren wie z.B. das Schrauben oder Ein
- und Anpressen vorherrschend. Ihnen allen ist gemein, dass sich die tatsächlich erreichte Verbindungsqualität meist nur mittels zerstörender (z.B. Auszugstest) oder äußerst kostenintensiver Prüfverfahren (z.B. Computertomographie) ermitteln lässt. Dementsprechend wird seit jeher versucht, Fügeprozesse möglichst anhand von direkt messbaren Größen wie Kraft-Weg-, Temperatur
- oder Stromkurven zu überwachen. Aufgrund teils nichtlinearer Zusammenhänge und hochdimensionaler Prozessdaten stoßen klassische Überwachungsansätze, die auf händisch festgelegten Schwellwerten, Prozessfenstern oder Hüllkurven basieren, gerade bei komplexeren Fügeaufgaben schnell an ihre Grenzen.

Großes Potential versprechen Verfahren des Maschinellen Lernens (ML), die selbstständig Muster aus Prozessdaten verschiedener Modalitäten erlernen, um material
- oder verschleißbedingte Qualitätsänderungen frühzeitig zu erkennen. Eine derartige Qualitätsschätzung bildet wiederum die Basis, um perspektivisch eine intelligente Prozessregelung zur automatischen Kompensation von Abweichungen zu realisieren. Wenngleich die Grundlagenforschung eine Vielzahl an vielversprechenden KI-Methoden hervorgebracht hat, ist deren Potential in der industriellen Fügetechnik noch nicht vollends erschlossen.

Demnach ist es das Ziel der vorliegenden Forschungstätigkeit, innovative KI-Ansätze zur Überwachung und Regelung von ausgewählten Fügeprozessen zu erarbeiten. Je nach KI-Anwendungsfall sind zusätzliche Sensoren zur Erfassung weiterer Prozessgrößen zu integrieren. Die entwickelten KI-Lösungen sollen anhand von lehrstuhleigenen Anlagen demonstriert und interessierten Unternehmen als Testumgebung bereitgestellt werden. Die Bearbeitung des anwendungsnahen Forschungsvorhabens erfolgt im Rahmen eines mehrjährigen, öffentlich geförderten Forschungsprojekts.

**Die inhaltlichen Schwerpunkte bilden**:

- Aufarbeitung des Stands der Technik und Forschung zur KI-basierten Überwachung und Regelung von Fügeprozessen
- Systemtheoretische Analyse ausgewählter, am Lehrstuhl vorhandener Fügeprozesse und Spezifikation möglicher KI-Anwendungsfälle (z.B. Prozessregelung beim Laserschweißen, Prozessüberwachung beim Einpressen)
- Je nach Anwendungsfall Integration zusätzlicher Sensorik und Steuerungstechnik zur Datenerfassung und späteren Inferenz von KI-Modellen
- Untersuchung von aktuellen KI-Methoden im Hinblick auf deren Eignung für die vorliegenden Überwachungs
- und Regelungsaufgaben (z.B. Softsensoren und Regelungsansätze auf Basis von Künstlichen Neuronalen Netzen, Multimodal Learning zur parallelen Auswertung von Prozessdaten verschiedener Modalitäten)
- Programmiertechnische Umsetzung von ausgewählte KI-Ansätzen unter Anwendung von Python, einschlägigen Open-Source-Programmbibliotheken (z.B. scikit-learn, PyTorch, TensorFlow, Python Control Systems Library) sowie einer geeigneten Versionsverwaltung (z.B. GitHub, GitLab)
- Erprobung und iterative Weiterentwicklung der zugrundeliegenden KI-Modelle im Sinne einer agilen Softwareentwicklung
- Überführung der erarbeiteten KI-Lösungen in lehrstuhleigene Anlagendemonstratoren als Testumgebung für interessierte Unternehmen

**Die Aufgaben sind eingebettet in**:

- Enge Forschungskooperation mit Industrieunternehmen für hohen Praxisbezug und gegenseitigen Wissenstransfer
- Austausch mit der wissenschaftlichen Community im Bereich der angewandten KI durch reges Publizieren (z.B. Konferenzen, Journals)
- Engagement in der Lehre (z.B. Machine Learning for Engineers I+II, Project Seminar on Applied AI) und dem Forschungstransfer (z.B. Messen, Seminare)
- Unterstützung bei der Beantragung von weiteren, zukunftsträchtigen KI-Projekten zu aktuellen Problemstellungen in der industriellen Produktion

**Notwendige Qualifikation**:

- Ingenieur/in (Uni/TU/FH/TH, Master/Diplom) der Fachrichtung Elektrotechnik, Informatik, Mechatronik, Maschinenbau, Medizintechnik, Wirtschaftsingenieurwesen oder vergleichbar
- Sicherer Umgang mit mindestens einer objektorientierten Programmiersprache, vorzugsweise Python
- Erste Erfahrungen im Einsatz von Methoden der Künstlichen Intelligenz, insb. Machine Learning und Deep Learning
- Grundlagenkenntnisse im Bereich der Regelungs-, Steuerungs
- und Messtechnik

**Wünschenswerte Qualifikation**:
Hohe Kommunikationsfähigkeit, ein