Studenten zur Entwicklung von zeitreihenbasierter Anomalie-Detektion (w/m/d)

Aufgaben:

• Datenanalyse
• Programmierung
• Erstellung von Datenanalysemodellen
• Auswertung von Versuchsreihen
• Abstimmung mit der Instandhaltung zu Datenanomalien

Qualifikation:

• Naturwissenschaftliches Studium, idealerweise Informatik oder Mathematik
• Hohes Interesse an Datenverarbeitungstechnologien
• Erfahrung im Bereich maschinelles Lernen
• Umfassende Programmier-Kenntnisse (insb. Python)
• Selbständige und zielorientierte Arbeitsweise sowie Eigeninitiative
• Gute Deutsch- und Englisch-Kenntnisse

Über Uns:

Die Salzgitter Flachstahl GmbH ist die größte Stahltochter in der Salzgitter-Gruppe. Rund 6.000 Mitarbeiter produzieren in einem integrierten Hüttenwerk Warmbreitband, Bandstahl, Bandblech, Kaltfeinblech und oberflächenveredelte Produkte von 0,4 bis 25 mm Dicke und bis zu 2.000 mm Breite. Die jährliche Rohstahlkapazität beträgt etwa 4,7 Mio. Tonnen. Die wichtigsten Abnehmer unserer Flachprodukte sind Fahrzeughersteller sowie deren Zulieferer, Röhren-/Großröhrenhersteller, Kaltwalzer und die Bauindustrie. Für die Anlagentechnik des Bereiches Kaltflach unseres integrierten Hüttenwerks in Salzgitter suchen wir einen engagierten und motivierten Studierenden (w/m/d) für die Entwicklung einer multivariaten, zeitreihenbasierten Anomalie-Detektion im Kontext der vorausschauenden Instandhaltung. Die Anlagen und Prozesse der Salzgitter Flachstahl GmbH werden mittels umfangreicher Sensortechnik kontinuierlich überwacht und aufgezeichnet. Für jede Anlage stehen dabei meist insgesamt einige tausend Signale zur Verfügung. Die so aufgezeichneten Daten werden bereits erfolgreich in der Optimierung des Betriebs, in der Instandhaltung und bei der Ursachenanalyse in Störfällen genutzt. Die Auswertung und Interpretation der Signale erfordert aktuell ein umfangreiches Anlagen- und Prozess Wissen. Eine Erkennung abweichender Betriebszustände, welche vorher nicht explizit adressiert wurden, ist automatisiert bisher ohne Weiteres nicht möglich. Im Rahmen der Arbeit sollen Algorithmen gefunden und getestet werden, welche in der Lage sind mittels historischer multivariater Sensordaten unüberwacht Anomalien zu detektieren. Hierbei soll der Fokus auf die Erkennung von fortschreitendem Verschleiß sowie sich anbahnender, problematischer Anlagenzustände liegen.