MASTERARBEIT – VORAUSSCHAUENDE WARTUNG UND UMWELTÜBERWACHUNG IN MIKRO-WASSERKRAFTWERKSSCHWÄRMEN (M/W/D)

fortiss ist das Forschungsinstitut des Freistaats Bayern für die Entwicklung softwareintensiver Systeme mit Sitz in München. Die Wissenschaftler des Instituts kooperieren in Forschungs-, Entwicklungs- und Transferprojekten mit Hochschulen und Technologieunternehmen in Bayern, Deutschland und Europa. Im Mittelpunkt steht die Erforschung modernster Methoden, Techniken und Werkzeuge für die Entwicklung software- und kI-basierter Technologien für zuverlässige und sichere cyber-physische Systeme (CPS). fortiss ist in der Rechtsform einer gemeinnützigen GmbH organisiert. Gesellschafter sind der Freistaat Bayern (Mehrheitsgesellschafter) und die Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.

Zur Erweiterung unserer Forschungslinien in unserem Team "Architectures and Services for Critical Infrastructures" bieten wir eine:

Masterarbeit im Bereich "Graph Neural Networks für vorausschauende Wartung und Umweltüberwachung in Schwärme von Mikro-Wasserkraftanlagen” (m/w/d)

In den letzten Jahren hat sich die Landschaft der Energieverteilungssysteme erheblich verändert. Die Modernisierung und Diversifizierung der Energienetze brachten große Herausforderungen und Chancen mit sich, und das Aufkommen intelligenter Stromnetze hat in diesem Bereich eine Ära der massiven Datengenerierung und des Datenaustauschs eingeleitet. Daten von mehreren über das Netz verteilten Messgeräten stehen nun zur Verfügung, was zusammen mit den Möglichkeiten moderner maschineller Lernverfahren Chancen für eine widerstandsfähigere, effizientere und nachhaltigere Energieinfrastruktur eröffnet.

Ziel des Projekts ist die Entwicklung eines automatisierten Prozesses für eine robuste und genaue vorausschauende Wartung, Diagnose und Umweltüberwachung in einer neuen Form der erneuerbaren Energie, die aus einer Vielzahl von Flusswasserkraftwerken besteht. Zu diesem Zweck müssen Lernmethoden unter Einbeziehung von Graph-Neural-Networks, die topologische Informationen sowie externen Wissensquellen berücksichtigen. Unsere Forschung stützt sich auf die Einbeziehung von Daten aus heterogenen Messgeräten an verschiedenen Standorten und erweitert Elemente aus früheren Forschungsarbeiten zur Fehlerlokalisierung in Mittelspannungsnetzen.

• Recherche zur aktuellen Literatur über Graph Neural Networks
• Erweiterung von Methoden aus früheren Forschungen zu Graph Neural Networks für die Fehlerlokalisierung in Nieder- und Mittelspannungsnetzen
• Skalierung und Parallelisierung von Simulationen und Training, z. B. über Cloud Computing, Containerisierung und Virtualisierungstechniken (Cloud/Docker/Kubernetes/VMs)
• Entwicklung von Skriptlösungen zur Optimierung von Datenpipelines (Python/Bash)
• Integration von Daten aus heterogenen Sensoren in einem 5G-Netzwerk
• Entwicklung und Verbesserung von Graph-Neuralnetzwerkmodellen für Prognosen, Diagnosen und vorausschauende Wartung (Python/Pytorch/Matlab)
• Integration von Flusstopologie und Umweltmessungen in Ausbreitungsmodelle
• Code-Versionierung und Issue-Management (Git)
• Training und Mitentwicklung neuer Verfahren und ML-Modelle
• Eventuell Mitverfassen von Forschungsarbeiten und Unterstützung bei der Verbreitung.

• Student/in in den letzten Semestern eines M.Sc. Studiums in Informatik,
• Elektrotechnik oder ähnlichen Fachgebieten
• Erfahrung in der Softwareentwicklung
• (Wünschenswert) Linux-Erfahrung
• Kenntnisse in neuronalen Netzen, maschinellem Lernen, idealerweise auch in Graph Neural Networks
• Selbstmotivierte und strukturierte Arbeitsweise
• Gute Kommunikationsfähigkeiten in Englisch
• (Wünschenswert) Kommunikationsfähigkeiten in Deutsch
• Verfügbarkeit für die Arbeit vor Ort

• Internationales und dynamisches Arbeitsumfeld
• Flexible Arbeitszeiten und Arbeit an einem verkehrsgünstigen Standort
• Möglichkeit zur Forschung zu anspruchsvollen und spannenden Themen im Bereich maschinelles Lernen und neue Technologien für erneuerbare Energien
• Möglichkeit, zur Erstellung, Veröffentlichung und Verbreitung von Forschungsartikeln beizutragen

Dann bewirb dich bitte mit einem Motivationsschreiben, einem ausführlichen Lebenslauf und einem aktuellen Zeugnis.

Job-ID: ASCI-MA-01-2026