About this role
Ausschreibung für die Fachrichtungen wie z. B.: Automatisierungstechnik, Informatik, Kybernetik, Luft- und Raumfahrttechnik, Maschinenbau, Mechatronik, Physik, Softwareengineering, technische Informatik oder vergleichbare.
In industriellen Antrieben und Energieanlagen, wie etwa in Seilbahnen oder Generatoren, führen unentdeckte Wälzlagerschäden und sich lösende Schraubenverbindungen schnell zu kritischen Sicherheitsrisiken und teuren, ungeplanten Stillständen. Um solche Fehler frühzeitig zu detektieren, entwickeln wir gemeinsam mit Industriepartnern eine KI-gestützte Zustandsüberwachung (Condition Monitoring). Als kostengünstiger und robuster Sensor dient dabei eine kraftmessende, intelligente Unterlegscheibe, deren Signale direkt vor Ort auf energiesparenden Mikrocontrollern ausgewertet werden.
Im Rahmen Ihrer Abschlussarbeit untersuchen Sie, ob eine solche im Kraftfluss eines Lagerbocks platzierte Unterlegscheibe hochfrequente Lagerschäden an einem Generator zuverlässig erkennt und gleichzeitig, getrennt davon, den Vorspannzustand ihrer eigenen Verschraubung gemäß VDI 2230 überwachen kann. Um den hohen Bedarf an aufwendig gelabelten Prüfstandsdaten zu senken, nutzen Sie domänenspezifisches Physikwissen und numerische Simulationen. Sie spannen dabei den Bogen von der theoretischen Modellierung über praktische Versuche an einem vorhandenen E-Motor- und Lagerprüfstand (inklusive kleinerer konstruktiver Anpassungen) bis hin zur finalen Implementierung der KI-Modelle auf dem Mikrocontroller.
Hier sorgen Sie für Veränderung
- Simulation: Modellierung und Simulation von typischen Wälzlager-Schadenssignalen in MATLAB inklusive eines physikalischen Sensormodells der kraftmessenden Unterlegscheibe unter Berücksichtigung der Schraubenberechnung nach VDI 2230
- Prüfstand und Konstruktion: Mechanische und messtechnische Integration der Sensorscheibe in einen vorhandenen E-Motor-/Lagerprüfstand (inkl. kleinerer konstruktiver Anpassungen) sowie Durchführung von Messkampagnen mit vorgeschädigten Lagern und variierenden Schraubenvorspannkräften
- Modellentwicklung: Entwurf von Physics-Informed Machine Learning Modellen, die physikalisches Vorwissen und synthetische Simulationsdaten nutzen, sowie deren Transfer auf die realen Sensordaten des Prüfstands
- Edge-Integration: Portierung und Optimierung der trainierten Modelle für einen energieeffizienten STM32-Mikrocontroller sowie systematische Evaluation hinsichtlich Speicherbedarf, Latenz und Energieverbrauch