Schlagwortarchiv für: Statistik




Das TUM Data Innovation Lab (TUM-DI-LAB) ist ein Bildungs- und Forschungspraktikum der Technischen Universität München. Es richtet sich an Master-Studierende aller Fachrichtungen, die Interesse an der Erforschung neuer, datengesteuerter Verfahren für interdisziplinäre und praktische Aufgaben haben.

Das umfassende Bildungs- und Forschungspraktikum wird von Partnern aus der Industrie begleitet, die anwendungsbezogene Projekte für die Studierenden anbieten. Gearbeitet wird in kleinen Projektteams in einem gemeinschaftlichen Umfeld mit dem Ziel, ein innovatives Produkt aus der modernen Welt der Datenwissenschaft zu entwickeln.

PROCON IT ist in diesem Jahr erstmals mit dabei und bietet im Sommersemester 2023 ein spannendes, interdisziplinäres Projekt zum Thema „Remaining Lifetime Estimation in Semiconductor Scenarios“ an. Im Data-Science-Team von PROCON IT sind die Disziplinen Informatik, Mathematik, Statistik und Physik vertreten; geleitet wird das Projekt seitens PROCON IT von Dr. Stephan Brehm und Dr. Aman Steinberg.

TUM-Studierende jeder Master-Fachrichtung können sich für die Teilnahme an den angebotenen Projekten bewerben.

Wir teilen gerne unsere Leidenschaft für Dateninnovationen mit euch und freuen uns darauf, euch kennenzulernen! Eine Bewerbung ist bis zum 29.01.2023 möglich.



Das Projekt im Detail:

Remaining Lifetime Estimation in Semiconductor Scenarios

 

Beschreibung

Thermomechanische Ermüdung ist eine der Ursachen für das Versagen von Transistoren, wie man sie in Power-Modulen für Windkraftanlagen, Photovoltaikanlagen oder elektrische Fahrzeuge findet.

Wegen der Temperaturzyklen mit einer hohen Amplitude, die innerhalb von Sekunden oder Minuten stattfinden, unterliegen die verschiedenen Materialien innerhalb eines Transistors thermomechanischer Belastung.

Eine Kombination aus Spectral Residual und Convolutional Neural Network wird für die Erkennung von Anomalien verwendet, die die Lebensdauer des Transistors beeinträchtigen (arxiv:1906.03821).

Die Gesamtanzahl der thermischen Belastungszyklen wird durch eine Rainflow-Analyse der Zeitreihendaten bestimmt (ASTM E1049, DOI:10.1520/E1049-85R17) und die Remaining Lifetime Estimation wird mittels Referenzdaten und der Palmgren-Miner-Regel erreicht (DOI:10.1115/1.4009458).

Hosting
etablierte AWS-Technologien für Cloud-Anwendungen

Tech Stack
AWS, Docker, Flask, Python, Matplotlib, Dash, TimeEval-GUI, Rainflow-Algorithmus, Anomalie-Erkennung






English Version



PROCON IT is partner of the TUM Data Innovation Lab

The TUM Data Innovation Lab (TUM-DI-LAB) is an educational and research internship at Technische Universität München. It is aimed at Master’s students from all disciplines who are interested in researching new, data-driven methods for interdisciplinary and practical tasks.

The comprehensive educational and research internship is accompanied by partners from industry who offer application-related projects for the students. Work is done in small project teams in a collaborative environment with the aim of developing an innovative product from the modern world of data science.

PROCON IT is participating for the first time this year and is offering an exciting, interdisciplinary project on the topic of „Remaining Lifetime Estimation in Semiconductor Scenarios“ in the summer semester of 2023. The PROCON IT data science team includes members from the disciplines of computer science, mathematics, statistics and physics, and the project is led by Dr Stephan Brehm and Dr Aman Steinberg.

TUM students from any Master’s subject area can apply to participate in the projects on offer.

We are happy to share our passion for data innovation with you and look forward to meeting you! An application is possible until 29.01.2023.



The project in detail:

Remaining Lifetime Estimation in Semiconductor Scenarios

 

Description

Thermomechanical fatigue is one of the root causes for failures of transistors as can be found in power modules for wind turbines, photovoltaic systems or electric vehicles.
Because of temperature cycles with high amplitude that take place within a short time period (seconds or minutes), the various materials within a transistor experience thermomechanical stress.
A combination of Spectral Residual and Convolutional Neural Network is employed for the detection of anomalies that are detrimental to the lifetime of the transistor (arxiv:1906.03821).
The overall temperature stress cycles are determined through a rainflow analysis of the time series data (ASTM E1049, DOI:10.1520/E1049-85R17) and a remaining lifetime estimation is achieved utilizing reference data and the Palmgren-Miner rule (DOI:10.1115/1.4009458).

Hosting
established AWS technologies for cloud applications

Tech Stack
AWS, Docker, Flask, Python, Matplotlib, Dash, TimeEval GUI, Rainflow Algorithm, Anomaly Detection 






Über den Autor

Dr. Aman Steinberg hat in theoretischer Physik promoviert. Bei PROCON IT ist er als Consultant tätig und beschäftigt sich mit Data Science sowie Machine Learning im Business-Umfeld. Er betreut Kundenprojekte für Predictive Maintenance in der Maschinenbauindustrie.

Dr. Aman Steinberg gehört zum Team Data Science & AI.