Thesisverfasser im Bereich Data Science und AI - Batteriealterung (w/m/d)

Overview

Stellenbezeichnung: Thesisverfasser im Bereich Data Science und AI - Batteriealterung (w/m/d)

Startdatum der Ausschreibung:

Dein Arbeitsumfeld: Wir bei MAN Truck & Bus sind Teil eines starken internationalen Teams und einer der führenden europäischen Nutzfahrzeughersteller und Anbieter von Transportlösungen. Zusammen mit den Marken Scania, Volkswagen Truck & Bus und International gehören wir zur TRATON GROUP. Als Teil dieses Verbundes stehen wir vor großen Herausforderungen: Unsere Fahrzeuge werden immer autonomer und vernetzter, um emissionsärmer unterwegs zu sein. Dafür arbeiten wir an nachhaltigen Lösungen. Eine Karriere bei MAN Truck & Bus bietet unzählige Möglichkeiten, sich an diesem Wandel zu beteiligen. Der Kunde an erster Stelle, Respekt, Teamgeist, Verantwortung und Verschwendung vermeiden – das sind unsere Unternehmenswerte, die wir bei MAN leben. Zieh mit uns an einem Strang. Als Teil unseres globalen Teams von über 36.000 Mitarbeitenden wirst du Zukunftsvisionen mit uns gemeinsam Wirklichkeit werden lassen. Wir sehen Individualität unserer Mitarbeitenden als Stärke an und freuen uns über vielfältige Bewerbungen von Personen mit unterschiedlichen Hintergründen. Falls du während deiner Bewerbung Unterstützung benötigst, melde dich bitte bei uns.

Im Data & Analytics und AI Team arbeitest Du eng zusammen mit dem Projektmanager, verschiedenen Fachbereichen und anderen Data Scientists/Analysts an der Umsetzung verschiedener Projekte bzw. Use Cases im Bereich der Forschung & Entwicklung. Das übergeordnete Ziel des Teams ist es datenbasierte Lösungen in Form von Dashboards, Analysen, Machine Learning Modellen etc. für die verschiedenen Engineering Bereiche zu entwickeln, um die digitaleTransformation bei der MAN sowohl intern, z.B. in Form von Produkt- und Prozessverbesserungen und mehr Transparenz als auch extern, z.B. mit Hilfe neuer innovativer digitaler Produkte, voranzutreiben. Die präzise Prognose der Batteriealterung ist ein zentraler Baustein für die Weiterentwicklung nachhaltiger Elektromobilität. Ziel dieser Abschlussarbeit ist es, bestehende Algorithmen zur Vorhersage von Batteriealterungsfaktoren zu optimieren, zu generalisieren und auf weitere Fahrzeug- sowie Batterietechnologien zu übertragen.

Deine Aufgaben

• Analyse und Optimierung bestehender Algorithmen und Inputgrößen (Feature): Untersuchung und Verbesserung vorhandener Modelle zur Prognose von Batteriealterungsfaktoren
• Modellerweiterung auf weitere Batterietechnologien: Anpassung und Validierung des bestehenden Prognoseansatzes für unterschiedliche Fahrzeugplattformen und Einsatzprofile
• Analyse technologischer Besonderheiten der verschiedenen Batterietechnologien
• Produktive Verfügbarkeit der erlangten Ergebnisse sicherstellen
• Entwicklung eines generalisierten Prognoseansatzes ohne Verwendung von traktionsbatteriespezifischen Parametern: Konzeption und Implementierung eines skalierbaren, technologieübergreifenden Modells zur Batteriealterung, das auf unterschiedliche Randbedingungen und Technologien anwendbar ist
• Validierung und Bewertung: Quantitative Bewertung der Modellgüte anhand geeigneter Metriken sowie Vergleich verschiedener Modellarchitekturen

Das bringst Du mit

• Studium im Bereich Elektrotechnik, Informatik, Maschinenbau, Physik, Data Science oder vergleichbar
• Gute Kenntnisse in Python
• Erfahrung im Umgang mit SQL und Datenbanksystemen (AWS)
• Praktische Erfahrung mit ML-Frameworks (z. B. TensorFlow oder vergleichbar)
• Selbstständige, strukturierte und analytische Arbeitsweise
• Idealerweise Kenntnisse in Zeitreihenanalyse, Machine Learning / Deep Learning und Batteriesystemen oder Elektromobilität
• Gute Deutsch- und sehr gute Englischkenntnisse

Informationen zur Stelle: Kennziffer: 5661

Ansprechpartner (Fachbereich): Jan Gerlach,

Ansprechpartnerin (HR): Claudia Wünsche,

Integrität und Compliance sind wesentliche Teile unserer Unternehmenskultur. Wir fördern Vielfalt und Chancengleichheit und freuen uns auf vielfältige Bewerbungen.