In hochautomatisierten Fabriken fallen Protokolldaten von Anlagen und Diensten mit einer Geschwindigkeit von mehreren GB pro Minute an. Die Gewinnung von Erkenntnissen aus diesen Daten bleibt dabei eine schwierige Aufgabe. Folgende Fragen müssen angegangen werden: Enthalten meine Protokolle ungewöhnliche Meldungen? Wie lässt sich ein strukturierter Log-Drilldown in verteilten und hochdynamischen Produktionsumgebungen ermöglichen? Wie kann man durch automatisierte Berichte einen Informationsüberfluss bei der Zusammenarbeit der Fabrikarbeiter vermeiden?
In diesem Praktikums- oder Diplomarbeitsprojekt evaluierst und implementierst du Methoden zur Gliederung von Protokolldaten auf der Grundlage von Ähnlichkeiten der Log-Inhalte und struktureller Zeitreihenmodellierung. Dies ermöglicht die Erkennung von abnormalen Ereignissen wie zum Beispiel ungewöhnliche Anlagenzustände und Materialwege oder stockende Abläufe. Geeignete Methoden sollen verdichtet und in einen Prozess implementiert werden, um die Ursachenanalyse zu vereinfachen. Darüber hinaus sollen anormale Log-Ereignisse und deren werksweite Aggregation genutzt werden, um einen allgemeinen Anomalie-Score zu entwerfen, der die Alarmierung rationalisiert und vereinfacht.
Du solltest Programmiererfahrung oder Interesse an Java, SQL, Azure und KI haben. Interesse oder Kenntnisse in Fertigungsprozessen wären ebenfalls hilfreich.