Masterarbeit
Auswertung des Rauschspektrums eines MEMS Mikrofons mit Hilfe von Machine Learning
In der heutigen Zeit sind MEMS Mikrofone (Micro-Electro-Mechanical Systems) aus unserem Alltag nicht mehr wegzudenken und finden sich in einer Vielzahl von Anwendungen, insbesondere in Smartphones und anderen tragbaren Geräten. Diese Mikrofone eignen sich aber nicht ausschließlich für Unterhaltungszwecke, sondern auch zum Detektieren von Umweltparametern wie Gase. Ein neuer Ansatz verfolgt dabei die Idee, die Gaskonzentration von verschiedenen Gasgemischen, die Umgebungstemperatur und die Luftfeuchtigkeit über das Rauschspektrum zu erfassen.
Ziel der Arbeit
Das Ziel dieser Masterarbeit besteht darin, das Potenzial von Machine Learning zur Analyse und Interpretation von Rauschspektren eines MEMS Mikrofons zu nutzen. Im Rahmen dieser Arbeit werden zunächst bereits gesammelte Gasmessdaten analysiert, gefolgt von der Erhebung neuer Rauschspektren unter variierenden Bedingungen wie unterschiedlichen Gasgemischen, Temperaturen und Luftfeuchtigkeiten. Anschließend wird ein Machine Learning Modell entwickelt, das in der Lage ist, Muster zu erkennen und Umweltparameter basierend auf den erfassten Rauschspektren zu identifizieren. Die Validierung und das Testen des entwickelten Systems erfolgt anhand vorhandener Messdaten.
Die Arbeit umfasst folgende Schwerpunkte:
-
Analyse von bereits gesammelten Gasmessdaten.
-
Sammeln von Rauschspektren mit verschiedenen Gasgemischen, Temperaturen und Luftfeuchtigkeiten.
-
Entwicklung eines Machine Learning Modells zur Mustererkennung und Identifikation von Umweltparametern aus dem Rauschspektrum
-
Validierung und Test des Systems mit vorhandenen Messdaten.
Betreuung
Die Arbeit wird vom Team der Professur Sensorik betreut und interessierte Kandidat*innen wenden sich für weitere Fragen bitte an: