Studien-/Abschlussarbeit: Physics-Informed ML für Zuladung und Windlast an Seilbahnstützen

Ausschreibung für die Fachrichtungen wie z. B.: Automatisierungstechnik, Informatik, Kybernetik, Luft- und Raumfahrttechnik, Maschinenbau, Mechatronik, Physik, technische Informatik oder vergleichbare.

Seilbahnen sind im alpinen und urbanen Raum extremen dynamischen Belastungen und wechselnden Witterungsbedingungen ausgesetzt. Um die Sicherheit zu erhöhen und teure Ausfälle, etwa durch frühzeitige Lagerschäden, zu vermeiden, gewinnt die kontinuierliche Zustandsüberwachung (Condition Monitoring) zunehmend an Bedeutung. In einem Forschungsprojekt entwicklen wir gemeinsam mit zwei Industriepartnern eine KI-gestützte Lösung zur Überwachung von Seilbahnanlagen. Als kostengünstiger und robuster Sensor dient dabei eine kraftmessende Unterlegscheibe, deren Daten direkt vor Ort auf energiesparenden Mikrocontrollern (Edge AI) ausgewertet werden, um Betriebsgrößen wie Windlast, Kabinenzuladung, Geschwindigkeit, Vorspannkraft und Lagerzustand präzise zu schätzen.

Eine zentrale Herausforderung beim Einsatz von Künstlicher Intelligenz in realen Industrieanlagen ist die Knappheit an gelabelten Trainingsdaten für sämtliche Betriebszustände. Im Rahmen Ihrer Abschlussarbeit untersuchen Sie daher, wie sich bekanntes domänenspezifisches Physikwissen am wirksamsten in datengetriebene Lernmodelle integrieren lässt (Physics-Informed Machine Learning). Dabei betrachten Sie die Seilstatik nicht als isolierte Simulation, sondern als direkt integrierten Baustein eines hybriden Lernmodells. Ziel Ihrer Arbeit ist es, verschiedene Ansätze der Physikeinbindung systematisch zu vergleichen, mit realen Felddaten zu validieren und den Transfer von der Simulation auf reale Sensordaten unterschiedlicher Stützen sowie die Ausführbarkeit auf einem Mikrocontroller zu erproben.

Hier sorgen Sie für Veränderung

- Modellierung: Aufbau eines differenzierbaren Physikmodells der Seilbahnstütze in PyTorch (Seilstatik, Einflusslinie, Windlast), dessen Parameter direkt aus Messdaten gelernt werden können

- Konzeption: Entwicklung hybrider Architekturen aus Physikmodell und neuronalem Netz sowie Vergleich mit rein physikalischen Simulationen (z.B. MATLAB) und rein datengetriebenen Ansätzen

- Analyse: Systematische Bewertung verschiedener Formen der Physikeinbindung (physikbasierte Merkmale, synthetisches Pretraining, integrierte Physikschichten, Physik-Terme in der Loss-Funktion)

- Validierung: Erprobung der Modelle anhand realer Felddaten einer Seilbahn-Testanlage und Untersuchung der Übertragbarkeit (Transfer Learning) auf weitere Stützen

- Integration: Prüfung der Ressourceneffizienz und Implementierbarkeit des besten Modells auf einem energiesparenden STM32-Mikrocontroller