Machine learning engineer Jobs in Kassel

Das Fraunhofer IEE in Kassel forscht in den Bereichen Energiewirtschaft und Energiesystemtechnik mit den Schwerpunkten : Energieinformatik, Energiemeteorologie und Geoinformationssysteme, Energiewirtschaft und Systemdesign, Energieverfahrenstechnik und -speicher, Netzplanung und Netzbetrieb, Netzstabilität und Stromrichtertechnik sowie thermische Energietechnik. Rund 450 Wissenschaftlerinnen und Wissenschaftler, Angestellte, Studentinnen und Studenten entwickeln Lösungen für die Energiewende und erwirtschaften rund 40 Mio. Euro Erträge pro Jahr.

Das Team "AEFDI - Automatic Energy Fault Detection and Identification" widmet sich der Herausforderung, die Zuverlässigkeit und Effizienz im Betrieb von Energiesystemen zu verbessern. Wir kombinieren Methoden der künstlichen Intelligenz mit der Analyse von Betriebs- und Wartungsdaten, um Störungen und Fehler im Energiesystem frühzeitig zu erkennen sowie potenzielle Fehlerquellen zu identifizieren. Unser Fokus liegt hierbei auf Windkraftanlagen, Wärmepumpen, Fernwärmesysteme und Photovoltaikanlagen. Wir entwickeln fortschrittliche Zuverlässigkeitsmethoden, Monitoringkonzepte, Anomalieerkennungsmodelle und Methoden zur Digitalisierung und Nutzbarmachung von Instandhaltungsinformationen, um Betriebssicherheit zu optimieren und Betriebs- und Instandhaltungskosten signifikant zu reduzieren.

Hier sorgst Du für Veränderung

Du entwickelst innovative Ansätze in Datenanalyse und Deep Learning, um die Betriebszuverlässigkeit und Effizienz verschiedener Energieanlagen zu steigern. Wir bieten eine Vielzahl von Themen für Bachelor- und Masterarbeiten im Bereich Zuverlässigkeit und Predictive Maintenance in Energiesystemen an. Aktuelle Themen sind :

• Anomalieerkennung in Ferwärmesystemen : Erweiterung datengetriebener Verfahren durch Domainwissen (z.B. Ensemble-Modellierung für die strukturierte Abbildung von Hausstationen und Physics-Informed-Machine-Learning).
• Klassifikation und Diagnose von Anomalien : Zuordnung erkannter Anomalien zu einer hierarchischen Fehler-Taxonomie (z.B. mithilfe von Decision Trees mit hierarchischen Strategien oder Feature-Importances).
• Erklärbare KI für Fehlerdiagnose : Analyse der Stabilität und Aussagekraft von xAI-Methoden zur Unterstützung von Klassifikation und Diagnose.
• Fallbasiertes Diagnose-Assistenzsystem : Entwicklung eines RAG-basierten Systems zur Suche ähnlicher Anomalien und Wartungsfälle sowie zur Erstellung nachvollziehbarer Zusammenfassungen zur Unterstützung der Fehlerdiagnose.
• Dokumentanalyse Instandhaltungsdaten : Digitalisierung von und Informationsextraktion aus Instandhaltungsdaten mittels bspw. Vision Language Models inkl. Erkennung von Handschrift.
• Physics-informed ML : Kombination datengetriebener und physikalischer Modellierung (z. B. PINNs) mit möglichen Anwendungen in den Themenbereichen Lastschätzung oder Anomalieerkennung.
• Robuste KI-Modelle : Bewertung von KI-Fehleridentifikationsalgorithmen hinsichtlich Transparenz / Erklärbarkeit und Robustheit gegenüber kontaminierten Trainingsdaten.
• Zuverlässige Ladeinfrastruktur (Einstellung über externen Partner) :   Potentialanalyse anhand verschiedener Datengrundlagen wie bspw. OCPP 1.6 oder 2.0.1 hinsichtlich Zuverlässigkeitsbewertungen.

Je nach Interesse kannst du zusätzlich an Projektarbeiten, internen Berichten oder wissenschaftlichen Publikationen mitarbeiten. Deine Ergebnisse dokumentierst du in deiner Abschlussarbeit und präsentierst sie im Projektteam.

Hiermit bringst Du Dich ein

Was wir für Dich bereithalten

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber

Im Rahmen der Masterarbeit besteht außerdem die Möglichkeit als wissenschaftliche Hilfskraft, mit einem dir passenden Stundenumfang (40 bis 80 Stunden) tätig zu sein. Die Stelle ist zunächst auf 12 Monate befristet, wobei wir eine längerfristige Zusammenarbeit anstreben. Ausnahmen für eine kürzere Laufzeit sind grundlegende betriebliche Gründe, der persönliche Wunsch des Studierenden oder das Ende des Studiums. Die Vergütung richtet sich nach der Gesamtbetriebsvereinbarung zur Beschäftigung der Hilfskräfte.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.

Bereit für Veränderung?