Aufgabenbeschreibung

Spannungsverläufe von Gasentladungen können zur Beurteilung plasmaphysikalischer Vorgänge in diesen herangezogen werden. Besonders wichtig ist die Erkennung der unterschiedlichen Phasen des Plasmas: Funkendurchbruch, Bogenentladung und Glimmentladung am Beispiel des Zündfunkens. Aufgrund des komplexen und dynamischen Spannungssignals stoßen herkömmliche analytische Algorithmen an ihre Grenzen die einzelnen Phasen zuverlässig zu detektieren. Machine Learning Methoden, wie zum Beispiel Convolutional Neural Networks oder LSTM, stellen hierbei vielversprechende Ansätze dar. Im Rahmen dieser Arbeit sollen potentielle Algorithmen ausgewählt und hinsichtlich der Fragestellung trainiert und evaluiert werden. Hierzu muss zunächst eine Trainingsdatenbank erstellt werden mit deren Hilfe die Algorithmen trainiert werden. Ein weiterer Teil dieser Arbeit ist es, angepasst auf die Algorithmen diese Datenbasis zu erstellen. Dazu kann ein am Institut erstelltes Matlab-Tool verwendet werden.

Die Aufgabengebiete gliedern sich wie folgt:

• Einarbeitung in die Thematik und Literaturrecherche (Time Series Forecasting, Convolutional Neural Networks)
• Erstellung eines Trainingsdatensatz
• Auswahl geeigneter Algorithmen
• Entwickeln, trainieren und evaluieren der Algorithmen
• Dokumentierung der Ergebnisse

Fachrichtung:

ab sofort

• Motivation
• Eigenständigkeit
• Leistungsbereitschaft
• Kenntnisse in Python und Matlab wünschenswert