Masterarbeit: »Deep-Learning für die Defekterkennung bei Batteriezellen«

Au Fraunhofer IPT à Aix-la-Chapelle, nous travaillons avec plus de 530 collaborateurs chaque jour pour rendre la production du futur plus numérique, flexible et durable. Au sein du département Qualité de la production, nous nous concentrons sur l'application des technologies numériques pour l'optimisation des processus de production. En particulier, grâce à l'utilisation de l'intelligence artificielle, nous souhaitons rendre la production plus durable. Un des axes importants de notre travail porte sur l'optimisation des processus de production des cellules de batteries lithium-ion et des piles à combustible.

La demande croissante de systèmes de stockage d'énergie durables nécessite une production efficace et économique tout en maintenant une qualité de production constamment élevée. À cette fin, nous utilisons des processus rouleau-à-rouleau pour un revêtement efficace des électrodes. Cependant, des défauts peuvent survenir à cette étape du processus, entraînant des taux de rebut élevés. Pour résoudre ce problème, nous développons un système de détection des défauts basé sur l'apprentissage profond (Deep Learning). Une étape cruciale pour l'application de ce système est la réduction de l'effort d'annotation par des experts en processus. Une méthode prometteuse pour réduire cet effort repose sur des approches de l'apprentissage par transfert (Transfer Learning), que nous souhaitons utiliser pour la classification des défauts à l'aide de l'apprentissage profond.

Dans le cadre de ce travail de fin d'études, plusieurs approches de Deep Learning doivent être implémentées et testées.

• Recherche et sélection des approches appropriées dans le domaine de l'apprentissage par transfert pour les modèles de Deep Learning
• Entraînement de modèles de Deep Learning pour la détection des défauts et analyse des résultats
• Implémentation de modèles de Deep Learning appropriés dans le système de détection des défauts

• Vous étudiez le génie mécanique, l'ingénierie industrielle, l'informatique, l'électrotechnique, la physique ou une discipline comparable
• Première expérience avec PyTorch, l'apprentissage profond et l'apprentissage par transfert
• Travail autonome et plaisir à travailler en équipe interdisciplinaire
• Bonnes compétences linguistiques en allemand et/ou en anglais

• Étude scientifique d'un sujet actuel et pertinent pour la pratique
• Serveurs GPU pour les applications Data-Science et pour un travail efficace avec de grands modèles
• Participation à des projets de recherche et de développement innovants avec des partenaires industriels renommés
• Si vous êtes intéressé, il est possible de publier les résultats dans une publication scientifique

Nous apprécions et encourageons la diversité des compétences de nos collaborateurs et accueillons donc toutes les candidatures - indépendamment de l'âge, du sexe, de la nationalité, de l'origine ethnique et sociale, de la religion, de la croyance, du handicap ainsi que de l'orientation et de l'identité sexuelles. Les personnes handicapées sont embauchées de préférence à qualifications égales.

Avec son orientation vers des technologies clés importantes pour l'avenir et la valorisation des résultats dans l'économie et l'industrie, la Société Fraunhofer joue un rôle central dans le processus d'innovation. En tant que guide et moteur d'impulsion pour les développements innovants et l'excellence scientifique, elle contribue à façonner notre société et notre avenir. Avons-nous suscité votre intérêt ? Alors postulez maintenant en ligne avec vos documents de candidature significatifs. Nous avons hâte de vous rencontrer !

Pour toute question concernant ce travail de fin d'études, veuillez contacter :

Alexander Kreppein M.Sc.
Collaborateur scientifique « Qualité de la production »
Téléphone : +49 241 8904-289

Institut Fraunhofer pour la technologie de production IPT
www.ipt.fraunhofer.de

Référence : 74326
Date limite de candidature :