Unser Center verantwortet im Bereich der Antriebsentwicklung der Mercedes-Benz AG das Powertrain Prototyping & Testing. In der Abteilung Testing Komponenten & Aggregate, werden u.a. Zellen, Module und Hochvolt-Batterien in verschiedensten Ausprägungen mit unterschiedlichsten Methoden getestet und bewertet.
Im Team Testing Zelle & Modul Elektrik und Funktionen verfolgen und begleiten Sie den Produktentstehungsprozess vom Zell-/Modul-Prototyp bis zum Serienmuster.
Hintergrund:
Moderne Batteriezellentests erzeugen riesige Mengen an Zeitreihen-Messdaten. Während maschinenlesbare Testspezifikationen definieren, wie Tests ausgeführt werden sollen, fehlt den resultierenden Messdaten oft eine explizite Darstellung der zugrunde liegenden Teststruktur. Um eine zukünftige automatisierte Validierung ausgeführter Tests gegen ihre Spezifikationen zu ermöglichen, müssen wiederkehrende Muster innerhalb der Messdaten zunächst identifiziert und in eine strukturierte Darstellung des tatsächlichen Testablaufs umgewandelt werden.
Wir suchen eine Studentin oder einen Studenten, die/der ein wieder verwendbares Software-Framework erforscht, entwirft, implementiert und evaluiert, das in der Lage ist, solche Muster automatisch aus realen Batterietestdaten zu entdecken.
Diese Herausforderungen kommen auf Sie zu:
Projektziel
Entwicklung eines wiederverwendbaren Python-Frameworks, das:
- Wiederkehrende Muster in Batteriezellen-Messdaten automatisch identifiziert.
- Teststrukturen direkt aus Messsignalen erkennt, auch wenn Lesezeichen oder Anmerkungen fehlen
- Konfidenzbasierte Mustererkennung und mehrere Kandidateninterpretationen unterstützt
- Erkannte Muster und ihre Beziehungen durch ein generisches und erweiterbares Datenmodell darstellt
- Auf industrielle Datensätze mit Millionen von Datenpunkten skaliert
- Eine saubere, wiederverwendbare API für die Integration in zukünftige Anwendungen bietet
Forschungsthemen
Potenzielle Untersuchungsbereiche umfassen:
- Zeitreihen-Mustererkennung
- Matrix Profile und Zeitreihen-Mining-Techniken
- Ähnlichkeitssuche und formbasierte Übereinstimmung
- Unüberwachte Mustererkennung und Clustering
- Maschinelles Lernen für Sequenzanalyse
- Skalierbare Datenverarbeitungsarchitekturen
Relevante Technologien können sein:
- Python
- Polars
- DuckDB
- Dask
- Apache Arrow
- STUMPY
- Multi-Core- und GPU-beschleunigte Verarbeitung
Verfügbare Daten
Das Projekt kann auf etwa:
- 165.000 Batteriezellenmessungen
- Mehr als 50 verschiedene Testtypen zurückgreifen. Dies bietet eine einzigartige Gelegenheit, Lösungen mit großen industriellen Datensätzen zu entwickeln und zu validieren.
Erwartete Ergebnisse
Die endgültige Lösung sollte umfassen:
- Einen funktionsfähigen Prototyp zur automatisierten Musteridentifikation
- Eine wiederverwendbare Python-API
- Konfidenzbewertung für erkannte Muster
- Unterstützung für alternative Musterinterpretationen
- Automatisierte Tests und Dokumentation
- Validierung und Leistungsbewertung anhand realer Messdaten
Die endgültige Themenfindung erfolgt in Absprache mit der Hochschule, Ihnen und uns.
Die Tätigkeit kann ab Oktober 2026 beginnen.
