Diplom-/ Masterarbeiten in Visual Data Science (WS 2019)

Die Visual Analytics Gruppe des Kompetenzzentrums VRVis Forschungs-GmbH in Wien (ganz nah bei der U1 Station "VIC/Kaisermühlen") freut sich auf deine Unterstützung! Unsere Forschungsgruppe erarbeitet in inspirierender Atmosphäre und in engem Kontakt zur Industrie neue Lösungen für aktuelle Fragestellungen der Visual Data Science.

Zur Unterstützung unseres Teams suchen wir nach Studierenden (w/m), die bei ihrer Diplom- bzw. Masterarbeit den Praxisbezug gewährleisten wollen. Wir haben vier spannende Diplomarbeitsthemen zu vergeben (s.u.), die allesamt folgende Kriterien erfüllen:

  • Forschung in Kernbereichen der Visual Data Science
  • Nützlich und anwendbar, d.h. direkt auf die Praxisbedürfnisse namhafter Partnerunternehmen in der Industrie 4.0 (z.B. RHI Magnesita), der Automobilindustrie (z.B. AVL List) und der Energiewirtschaft (z.B. Austrian Power Grid) ausgerichtet
  • Nutzung von Echtdaten zum Nutzen von und in Zusammenarbeit mit Domain-ExpertInnen unserer Industriepartner
  • Mitwirkung an unserer leistungsstarken Software Plattform "Visplore" (http://goo.gl/wqJ4AS)
  • Eine großartige Gelegenheit, praktische Erfahrungen in den Bereichen Data Science, Software-Engineering, C++, Multithreading-Programmierung und Visual Analytics zu sammeln
  • Enge Einbindung und Unterstützung durch unser erfahrenes, motiviertes und sehr kollegiales Team
  • Finanzielle Honorierung nach erfolgreichem Abschluss

Ein Video, welches unsere Software Visplore im industriellen Einsatz zeigt, gibt es auf unserem: YouTube-Kanal.

Thema I: Effiziente Darstellung mehrerer überlagerter Kurven

In der industriellen Produktion werden bei der Herstellung von Produkten verschiedene Arten von Daten erzeugt, welche danach oft als Kurven repräsentiert werden. Für ProzessingenieurInnen sind die Unterschiede dieser Kurven von Interesse, um zu sehen ob es Abweichungen im Produktionsprozess gibt. Um diese Kurven zu analysieren werden sie oft in einem einzigen Plot übereinandergelegt (siehe Abbildung). Je mehr Kurven dabei analysiert werden sollen, desto schwieriger wird es, diese Kurven auch wirklich performant in einem Plot zu zeichnen. Weiters müssen die Interaktionsmöglichkeiten (z.B. Selektion von einzelnen Kurven oder Wertebereichen) angepasst werden, im Falle, dass sehr viele Kurven analysiert werden sollen. Ziel der Masterarbeit ist es, einen effizienten Plot zur Darstellung sehr vieler Kurven zu entwickeln. Dies umfasst einerseits das schnelle und performante Rendern von vielen Kurven, als auch die Implementierung von geeigneten Interaktionsmöglichkeiten.

Thema II: Vergleiche von Datenklassen

In einem großen Datensatz lassen sich Daten oft zu größeren Gruppen zusammenfassen, meistens basierend auf einem Datenattribut oder basierend auf Zeitwerten. Es ist vor allem von Interesse, verschiedene Zeitbereiche in den Daten miteinander zu vergleichen, um zum Beispiel Unterschiede in den Sensordaten während einer industriellen Produktion zu verschiedenen Zeitpunkten zu erkennen. Ziel dieser Masterarbeit ist es, verschiedenen Metriken zum Vergleichen von Gruppen von Datensätzen zu implementieren, und zu analysieren welche Metriken für welche Art von Daten besser funktionieren. Ziel ist sowohl ein performanter Vergleich von Datengruppen, als auch eine interaktive visuelle Darstellung der Unterschiede.

Thema III: Anomalieerkennung in industriellen Prozessdaten

In der Industrie 4.0 erfassen eine Vielzahl von Sensoren permanent Daten über den Zustand von Maschinen und Umgebungsbedingungen. Es ist eine zentrale Zielstellung heutiger Wirtschaftsakteure, diese Masse an Daten für Aufgaben wie z.B. eine vorausschauende Wartung nutzbar zu machen. In dieser Diplomarbeit geht es um das automatische Erkennen von Abweichungen und Anomalien im Produktionsprozess. Es sollen dabei Algorithmen implementiert werden, die eine möglichst parameterfreie Erkennung ermöglichen, bei der so wenig BenutzerInneninput wie möglich verlangt wird. Das Hauptziel der Masterarbeit ist daher das Implementieren und Austesten von verschiedenen Algorithmen zur Anomalieerkennung. Außerdem umfasst die Arbeit die Gestaltung geeigneter Benutzeroberflächen zur Darstellung und eventuellen Verfeinerung der Ergebnisse.

Thema IV: Mustersuche in industriellen Prozessdaten

In der Industrie 4.0 erfassen eine Vielzahl von Sensoren permanent Daten über den Zustand von Maschinen und Umgebungsbedingungen. Es ist eine zentrale Zielstellung heutiger Wirtschaftsakteure, diese Masse an Daten für Aufgaben wie z.B. eine vorausschauende Wartung nutzbar zu machen. In dieser Diplomarbeit geht es um das Wiederfinden von Mustern in einer großen Menge an Sensordaten. Unsere Anwen-derInnen würden gerne interessante Anomalien oder kritische Prozesszustände in den Daten markieren, und dann in Folge, möglichst automatisch, weitere ähnliche Datenbereiche finden. Ein großes Ziel dieser Masterarbeit ist daher die effiziente Implementierung von Algorithmen zu Mustersuche in Prozessdaten. Weiters umfasst die Arbeit die Gestaltung geeigneter BenutzerInnenoberflächen für die Spezifizierung von Suchmustern, sowie die effektive Darstellung von Suchergebnissen.

Bewerbungen

Interessierte sollten Erfahrungen im objektorientierten Programmieren (idealerweise C++) sowie Interesse an der Analyse von Daten mitbringen. Ein Basiswissen über Machine Learning Methoden ist von Vorteil, aber kein Muss. Außerdem ist es hilfreich, von den gängigsten Software Engineering Methoden gehört zu haben.

Bewerbungen sind jederzeit willkommen. Wir freuen uns besonders über Zusendungen von Bewerberinnen.

Bitte sende deine Themenwahl zusammen mit einem kurzen Lebenslauf an Hrn. Harald Piringer. Dieser steht auch für weiterführende inhaltliche Fragen gerne zur Verfügung.

Bitte sende deine Themenwahl und Lebenslauf an Harald Piringer. Um diese Ausschreibung als PDF runterzuladen, bitte hier klicken.

Contact

Dr. Harald Piringer
VRVis Zentrum für Virtual Reality und Visualisierung
Forschungs-GmbH (Research Center)
Donau-City-Strasse 11, 1220 Vienna / Austria
Tel.: +43 1 908 9892 301
hp-@-vrvis.at
Visual Analytics