Masterand Porsche Klimawindkanal – Methodenuntersuchung zur energetischen Optimierung von Anlagen mit Hilfe neuronaler Netze (KI) in Weissach bei Dr Ing h c F Porsche AG

Große Anlagen werden in der Regel von einem aufwändigen Automatisierungssystem gesteuert und überwacht. Dabei stehen im Normalfall die
einwandfreie Funktion der Technik und die Sicherheit an erster Stelle. Zur Erarbeitung tragfähiger Optimierungsansätze ist das komplexe technische Gesamtgebilde physikalisch
zu verstehen. Während ein möglichst geringer Energiebedarf für die angeforderte Betriebsleistung regelmäßig Bestandteil der Anlagenauslegung vor dem Bau war, ist die
weitere Verfolgung und Optimierung unter der Betriebszeit häufig sehr anspruchsvoll.
Dies hat auch damit zu tun, dass viele tausend Parameter zu jedem Zeitpunkt sensiert und in Echtzeit geregelt werden. In sehr vielen realen Anlagen liegen Verlaufsdaten nur für
wenige Größen an den äußeren Systemgrenzen vor (beispielsweise Gesamt-Strom- oder
Gasverbrauch, Umgebungstemperatur, etc.).
In diesen Fällen gehen die Parameter innerhalb der Systemgrenzen zwar in die Anlagenautomatisierung ein, werden aber nicht
mitgeschrieben. Dabei kann man die Großanlage gesamthaft als „blackbox“ aus vielen Einzelsystemen sehen. Löst man die Limitation durch gezieltes internes Datenlogging auf,
ist mit sehr großen Datenmengen umzugehen – „Big Data“ real.

• Für den Klimawindkanal der Porsche AG sind im Betrieb kontinuierlich erfasste Daten zunächst in eine auswertbare Form zu bringen und ggf. um weitere Informationen zu ergänzen.
• Auf dieser Basis ist die Anwendung neuronaler Netze zur teilweisen oder gesamthaften Modellierung des Systems zu untersuchen.
• Ziel ist einerseits die Abbildung des Systemverhaltens zur Vorhersage insbesondere des Energiebedarfs für bestimmte Betriebszenarien. Andererseits sollen entsprechende Optimierungspotentiale in der
  Anlagenführung und -parametrierung identifiziert werden.
• Es ist zu untersuchen, inwieweit eine (teil-) physikalische Modellierung im Sinne eines digitalen Zwillings unverzichtbar ist, bzw. ob diese durch Training eines geeigneten neuronalen Netzes teilweise oder ganz ersetzt werden kann. Dabei sind pragmatische Ansätze zulässig und erwünscht.

• Studiengang in Mechatronik, Maschinenbau, Informatik, Elektrotechnik
• Studienschwerpunkte: Energietechnik, Automatisierungstechnik, Maschinelles Lernen, Künstliche Intelligenz
• Gute Allgemeinkenntnisse Technische Physik, Thermodynamik, Energetische Optimierung, Machine Learning, Neuronale Netze, Digitaler Zwilling (digital twin)
• gutes ingenieur-physikalisches Grundverständnis
• Umgang mit großen Datenmengen, sowie Kenntnisse in KI-Methoden / neuronalen Netzen
• IT-Kenntnisse: Python, SQL, Programmierumgebung und Tools wie git
• Sprachkenntnisse: Englisch (Lesen/Schreiben)
• Selbständige Arbeit, ausgeprägtes Strukturierungs- und
  Abstraktionsvermögen

Sollten Teile dieser Skills noch nicht durchgängig auf dem erforderlichen Niveau vorliegen, ist mit entsprechend längerer Vorbereitungszeit eine Bearbeitung trotzdem grundsätzlich denkbar.

„Am Anfang schaute ich mich um, konnte aber den Wagen, von dem ich träumte, nicht finden. Also beschloss ich, ihn mir selbst zu bauen.“

Dieser Satz von Ferry Porsche bringt alles auf den Punkt, was Porsche ausmacht. Als Marke, als Unternehmen, als Automobilhersteller, als Arbeitgeber. Die „Idee Porsche“ hat so einzigartige Sportwagen wie den Porsche 356 oder den 911 hervorgebracht. Durch die Kombination von Tradition und Innovation mit den Porsche typischen, manchmal etwas unkonventionellen Denkweisen unserer Mitarbeiter, lassen wir automobile Träume wahr werden und haben so immer das „Etwas-mehr“ im Blick. Porsche ist allerdings viel mehr als "nur" ein exklusiver Sportwagenhersteller. Denn auch als Arbeitgeber hat Porsche viel zu bieten: vielfältige Einstiegs- und Karrieremöglichkeiten, Maßnahmen zur Vereinbarkeit von Beruf und Familie sowie flexible Arbeitszeitmodelle.