> Markdown version of [/jobs/ext/3645817-masterthesis-zur-entwicklung-eines-selbstlernenden-zuverlassigkeitskonzepts-fur-smarte-strukturen](https://www.wearedevelopers.com/jobs/ext/3645817-masterthesis-zur-entwicklung-eines-selbstlernenden-zuverlassigkeitskonzepts-fur-smarte-strukturen). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md).

---

# Masterthesis zur Entwicklung eines selbstlernenden Zuverlässigkeitskonzepts für smarte Strukturen

- **Company:** Fraunhofer-Gesellschaft
- **Location:** Darmstadt, Germany
- **Contract:** Permanent contract
- **Skills:** Artificial Intelligence, Data Analysis, Systems Engineering, Artificial Neural Networks, Failure Mode Effects Analysis, Python (Programming Language), MATLAB, Machine Learning, Operational Data Store, Reliability Engineering
- **Published:** October 9, 2026
- **Apply:** https://jobs.fraunhofer.de/talentcommunity/apply/1445736033/?locale=de_DE

## About the Role

* 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

## Description

* 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