Extraction of CAUSAL MODELS by Injection and Observation of Impulses in Plant Simulation Data
Typ:

Masterarbeit-/ Diplomarbeit

Betreuer:

Josephine Rehak

Status:

zu vergeben

Möglicher Beginn:

ab sofort

Extraction of Causal Models by Injection and Observation of Impulses in Plant Simulation Data

Beschreibung
Causal Discovery, das Ermitteln von kausalen Zusammenhängen, hat sich zu einem großen Trend im Machine Learning entwickelt. Bisher liegt der Schwerpunkt in der passiven Datenanalyse, also in der Betrachtung von beobachteten Daten. Ausschlaggebend dafür war, dass in vielen Anwendungsgebieten wie der Medizin und Soziologie Interventionen zur Datenerhebung nicht ethisch vertretbar sind.
Ebenso fehlt es in technischen Anlagen an Wissen über die kausalen Zusammenhänge, jedoch bietet sich hier die Möglichkeit aktiv einzugreifen. Durch die Betrachtung von injizierten Signalen und ihrer Ausbreitung, kann Information über den intrinsischen kausalen Zusammenhänge gewonnen werden. Um Anlagen durch das Eingreifen nicht zu beschädigen, wird vorerst auf Simulationen zurückgegriffen.

Konkrete Zielstellung

Ausgangspunkt soll ein System sein an dem nur Mess- und Stellwerte bekannt sind, aber nicht deren Reihenfolge und Anordnung im System. Ziel ist es durch das Einbringen eines Signals an einem Stellwert der Anlage und durch Beobachtung der Ausbreitung des Signals im System das zu Grunde liegende kausale Modell zu ermitteln.
Das erfordert das Finden eines einzelnen oder kontinuierlichen Signals mit hohem Wiedererkennungswert, ebenso eine Analyse wie sich das Signale in verschiedenen Komponenten der technischen Anlage verändert und wie das Signal nach der Injektion möglichst akkurat wiedergefunden werden kann. Im besten Fall ist es möglich durch genügend injizierte Signale alle kausal abhängigen zu finden und ein kausales Modell zu erstellen.

Voraussetzungen

  • Studienfach: Informatik, Mathematik, Elektrotechnik oder vergleichbar
  • Gute Programmierkenntnisse (idealerweise Python)
  • Bereitschaft sich in die Grundlagen von Kausalität und Simulationswerkzeugen einzuarbeiten

Bei Interesse senden Sie mir bitte eine Email mit informellen Anschreiben und ihren Bewerbungsunterlagen (tabellarischer Lebenslauf, aktueller Notenauszug) sowie den gewünschten Starttermin. Außerdem bedarf es ein kurzes Exposé zum Thema "Ladder of Causation" (ca. 2 Seiten) des Turing-Award Träger Judea Pearl. Ein wichtiger Punkt dabei ist die zweite Ebene "Intervention". Die Einreichung des Exposés kann auch nach dem Anschreiben erfolgen. Gern können Sie sich bei mir zu weiteren Details der Arbeit informieren.

Literatur

"The Seven Tools of Causal Inference, with reflections on Machine Learning" von Judea Pearl, 2019.

Kontakt und Bewerbung
Josephine Rehak Dipl.-Inf.
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung
Fraunhoferstraße 1
76131 Karlsruhe
Josephine.Rehak@kit.edu