e-Learning Support
Projektplenum: 01-V07-STP-2508 Application of a transformer architecture to classification tasks in vibroacoustics - Details

Projektplenum: 01-V07-STP-2508 Application of a transformer architecture to classification tasks in vibroacoustics - Details

Close message box
You are not logged into Stud.IP.

General information

Course name Projektplenum: 01-V07-STP-2508 Application of a transformer architecture to classification tasks in vibroacoustics
Subtitle
Course number 01-V07-STP-2508
Semester SoSe 2025 - WiSe 2025/2026
Current number of participants 0
expected number of participants 2
Home institute B.Sc. Systems Engineering
Courses type Projektplenum in category Teaching
Type/Form Lehrprojekt
Englischsprachige Veranstaltung Nein
ECTS points 15 bzw. 17 (je nach Modul)

Rooms and times

Comment/Description

Anmeldung im Stud.IP bis: April 2025
Projektauftakt am: SoSe25
max. Gruppengröße: 2
Ansprechperson: Marvin Walther (mwalther@uni-bremen.de)

Projektbeschreibung (inhaltlich, max. 1 DIN A4-Seite) Der andauernde AI Boom wurde maßgeblich von der Neuentwicklung der Transformer-Architektur vorangetrieben. Diese neuronalen Netze bilden die Grundlage von aktuellen Large Language Models wie GPT und sind in diesem Aufgabengebiet performanter als ihre Vorgänger, die auf rekurrenten neuronalen Netzen oder CNNs basieren.
Auch in andere Gebiete erhalten Transformer Einzug, so z. B. in die Verarbeitung akustischer Signale wie Geräusche oder Musik.
In diesem Projekt soll untersucht werden, wie Transformer zur Verarbeitung vibroakustischer Signale eingesetzt werden können, um ein zerstörungsfreies Structural Health Monitoring zu ermöglichen. Die Klassifikationsaufgabe besteht darin, Signalquellen in einem Plattenmaterial zu detektieren, lokalisieren und differenzieren. Die nötigen Daten sollen dabei in einem Versuchsaufbau eigenständig aufgenommen werden.
Erfahrungen im Umgang mit Python und PyTorch (Mit Lightning) sind erwünscht, Kenntnisse im Bereich Körperschall von Vorteil.

Registration mode

After enrolment, participants will manually be selected.

Potential participants are given additional information before enroling to the course.