Masterthesis zur Entwicklung eines selbstlernenden Zuverlässigkeitskonzepts für smarte Strukturen

• Aufbau und Charakterisierung eines Versuchsaufbaus mit adaptronischen Systems mit Sensorik und Aktorik zur Untersuchung von Schwingungen und Degradation.
• Erfassung und Analyse von Betriebsdaten, z. B. Schwingungsamplitude (RMS), Eigenfrequenz, Dämpfung und Temperatur.
• Entwicklung eines datengetriebenen Modells zur Zustands- und Zuverlässigkeitsbewertung, z.B. mittels neuronaler Netze oder anderer Machine-Learning-Verfahren.
• Entwicklung einer probabilistischen FMEA und eines kausalen Modells zur Identifikation und Bewertung möglicher Degradationsursachen.
• Kopplung der Ansätze zu einem geschlossenen Zuverlässigkeitskonzept und experimentelle Bewertung hinsichtlich Vorhersagequalität, Erklärbarkeit und Potenzial für adaptive Maßnahmen

• Studium im Bereich Maschinenbau, Mechatronik, Elektrotechnik, Computational Engineering, Systems Engineering oder einer vergleichbaren Fachrichtung.
• Interesse an Zuverlässigkeitstechnik, Schwingungstechnik und intelligenten/smarten Systemen.
• Gute Kenntnisse in Datenanalyse und Programmierung, vorzugsweise Python oder MATLAB.
• Grundkenntnisse in Machine Learning, Statistik oder probabilistischen Methoden sind von Vorteil.
• Selbstständige, analytische und experimentelle Arbeitsweise sowie Interesse an der Verbindung von Simulation, Experiment und KI

Die Fraunhofer-Gesellschaft (www.fraunhofer.de) ist eine der weltweit führenden Organisationen für anwendungsorientierte Forschung. 74 Institute entwickeln wegweisende Technologien für unsere Wirtschaft und Gesellschaft - genauer: 30 000 Menschen aus Technik, Wissenschaft, Verwaltung und IT. Sie wissen: Wer zu Fraunhofer kommt, will und kann etwas verändern. Für sich, für uns und die Märkte von heute und morgen.

Smarte und adaptive Systeme können ihren eigenen Zustand kontinuierlich überwachen, Fehler prognostizieren und auf Veränderungen reagieren. Ziel der Masterarbeit ist die Entwicklung und experimentelle Untersuchung eines datengetriebenen Zuverlässigkeitskonzepts am Beispiel eines adaptronischen Biegebalkens zur Schwingungsreduktion. Dabei werden Sensordaten genutzt, um den aktuellen Systemzustand zu bewerten und eine mögliche Degradation bzw. Ausfallwahrscheinlichkeit vorherzusagen. Ergänzend wird kausales Wissen aus einer probabilistischen FMEA (probFMEA) genutzt, um mögliche Schadensursachen zu identifizieren und die datengetriebene Vorhersage erklärbar zu machen. Daraus soll ein geschlossener Ansatz nach dem Prinzip “Messen - Vorhersagen - Erklären - Entscheiden - Handeln” entwickelt und experimentell demonstriert werden.

Masterthesis zur Entwicklung eines selbstlernenden Zuverlässigkeitskonzepts für smarte Strukturen (all genders) Darmstadt