Banner

Wissenschaftliche/r Mitarbeiter/in (m/w/d)

"Autonome lernbasierte stochastische Regelung in der Verfahrenstechnik"

Umfang:
Vollzeit        
Vergütung:
Entgeltgruppe 13 TV-L
Befristung:
befristete Stelle
Beginn:
zum nächstmöglichen Zeitpunkt

Die Technische Universität Kaiserslautern und der Campus Landau der Universität Koblenz-Landau wachsen zu einer neuen Technischen Universität zusammen. Wir suchen Sie, um den Start unserer neuen Universität im Jahr 2023 am Standort in Kaiserslautern schon heute mitzugestalten.

Die Technische Universität Kaiserslautern (TUK) steht für Forschungsstärke, gute Lehre und ein weltoffenes und familiäres Miteinander. Mit flachen Hierarchien, moderner Infrastruktur und familienfreundlichen Leistungen ist die einzige Technische Universität in Rheinland-Pfalz eine attraktive Arbeitgeberin, die ihren Beschäftigten zukunftssichere Perspektiven bietet. Hier forscht und lehrt man vor allem in den Bereichen der Natur- und Ingenieurswissenschaften, außerdem in den Sozial-, Wirtschafts- und Planungswissenschaften sowie der Architektur. Über 100 Studiengänge werden an 12 Fachbereichen sowie dem Fernstudienzentrum DISC angeboten und rund 14.500 Studierende und 2.500 Mitarbeiter*innen beleben tagtäglich den naturnahen, grünen Campus. Das Betriebliche Gesundheitsmanagement, der Unisport sowie CampusKultur sorgen für vielfältige Angebote rund um Sport, Gesundheit und Freizeit.

Die TUK steht für die Vielfalt aller Beschäftigten. Wir begrüßen Bewerbungen von allen Interessierten, unabhängig von deren ethnischer und sozialer Herkunft, Alter, Religion, Geschlecht, Behinderung und sexueller Orientierung oder Identität. Personen mit Schwerbehinderung werden bei gleicher Eignung bevorzugt eingestellt (bitte Nachweis hinzufügen). Die TUK strebt in Bereichen, in denen Frauen unterrepräsentiert sind, eine Erhöhung des Frauenanteils an. Bewerbungen von Wissenschaftlerinnen und Wissenschaftlern aus dem Ausland sind ausdrücklich erwünscht. Die Stelle ist grds. auch in Teilzeit besetzbar.

Der Lehrstuhl von Prof. Bajcinca forscht schwerpunktmäßig an modernen Methoden und anspruchsvollen Anwendungen der Regelungs- und Systemtheorie und ist in den drei Hauptsäulen Hybride Systeme und Cyberphysik, Komplexe Dynamische Systeme und Maschinelles Lernen und Steuerung organisiert. Durch die Vernetzung mit einer Vielzahl von nationalen und internationalen Forschungs-, universitären und Industriepartner können regelmäßig Förderprojekte mit hochinteressanten Aufgabenstellungen der modell- und datenbasierten Regelung, Inferenz und Entscheidungsfindung in komplexen technischen und biologischen dynamischen Systeme gewonnen werden. Darüber hinaus verfügt der Lehrstuhl über eine ausgezeichnete Laborausstattung in den Bereichen autonomes Fahren, Robotik und Energiesysteme, welche kontinuierlich weiterentwickelt wird. Für mehr Informationen: (https://www.mv.uni-kl.de/mec/home)

Wir bieten:

Forschungsbereich und Stellenbeschreibung:

Die Prozesskette der Karbonisierung umfasst mehrere Stufen der Materialverarbeitung, wie z. B. Auflösung, Filtration, Fällung und Zentrifugation, die nahtlos miteinander verbunden sind und als eine kontinuierliche Prozesskette funktionieren. Ziel der Karbonatisierungsprozesskette ist die Umwandlung von mineralischen Abfallstoffen in verwertbare Karbonat-Nebenprodukte.

Klassische Prozesssteuerungsansätze (wie MOM, AMOM, MPC und ihre Varianten) haben einen oder mehrere der folgenden Nachteile: (i) mangelnde Autonomie: Da Steuerungsmethoden auf Ex-situ-Messungen und/oder -Aktivierung beruhen, müssen die Regler in den meisten Fällen manuell von einem menschlichen Bediener eingestellt und/oder nachjustiert werden; (ii) mangelnde Robustheit: Im Allgemeinen sind Prozesse verschiedenen hoch-/niederfrequenten stochastischen Störungen unterworfen, so dass die oben genannten Methoden aufgrund des fehlenden Rauschmodells nicht in der Lage sind, gegenüber Störungen robust zu wirken; und (iii) fehlende Lernfähigkeit: Da die meisten Methoden der Regelungstheorie anstelle einer statistischen Formulierung auf einer statischen oder dynamischen Optimierungsformulierung beruhen, ist die Fähigkeit zum Lernen aus Daten nicht gegeben. Andererseits bieten (tiefe) neuronale Netze (NNs/DNNs) aufgrund ihrer universellen Approximationsfähigkeit und hohen Rechenflexibilität und Skalierbarkeit eine vielversprechende Methode nicht nur für die numerische Lösung komplexer dynamischer Systeme, sondern auch für deren Regelung. In diesem Kontext bietet sich das Konzept des modellbasierten Reinforcement Learning (RL) in Zusammenhang mit dem Einsatz von DNNs als numerische Solver als geeignet für den Entwurf von erklärbaren und lernfähigen Regelalgorithmen. 

Das vorliegende Projekt ist Teil des DFG Schwerpunktprogramms SPP2364 - “Autonome Prozesse in der Partikeltechnik” und wird in Zusammenarbeit mit zwei Arbeitsgruppen aus  KIT und OvGU durchgeführt. Hauptziel des Projekts ist die Entwicklung eines Algorithmus zur autonomen Steuerung einer Karbonisierungsprozesskette. Zu diesem Zweck soll ein sog. SLARC-Algorithmus (Self-Learning Robust Autonomous Control) entwickelt werden, der aus drei miteinander verbundenen Modulen zur Anlagen-/Prozesssimulation, Schätzung und Regelung besteht. Jedes dieser Module wird als parametrisches statistisches Modell betrachtet, das mittels (tiefen) neuronalen Netzen (DNN) implementiertwerden soll. Die damit verbundenen Aufgaben umfassen:

  • Formulierung und Analyse eines prozessspezifischen stochastischen Optimierungsproblems für die gesamte Prozesskette
  • Entwicklung und Implementierung dess prozessspezifischen SLARC-Reglers mittels (D)NN durch Entwicklung und Integration der Netze zur Prozesssimulation, Schätzung und Regelung
  • Verifizierung und Validierung der Steuerung in der Simulation und im geschlossenen Regelkreis
  • Zusammenarbeit mit Prozessingenieuren und Bearbeitung von relevanten prozessspezifischen Informationen und Messdaten

Unser Anforderungsprofil:

  • Überdurchschnittlicher Master-Abschluss in Mathematik oder Elektrotechnik
  • Vorzugsweise Spezialisierung auf stochastische Prozesse und PDEs
  • Grundlegende Kenntnisse in maschinellem Lernen oder Statistik
  • Beherrschung der Programmierung in Python und Matlab
  • Selbstständiges Arbeiten, Kommunikationsfähigkeiten und hohe Motivation
  • Verhandlungssichere Englischkenntnisse in Wort und Schrift; Deutschkenntnisse sind vorteilhaft
Zurück zur Übersicht Online-Bewerbung