About this role
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 Hier sorgst Du für Veränderung 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 Hiermit bringst Du Dich ein 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 Was wir für Dich bereithalten Vielseitige und packende Projekte mit hohem Praxisbezug Arbeiten auf Augenhöhe und ein Kollegenteam, das füreinander einsteht Einen Einstieg in eine wissenschaftliche Karriere Verantwortungsvolle Aufgaben, mit denen Sie Ihre Kompetenzen ausbauen Ein kreatives Umfeld und Technik auf höchstem Niveau Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern. Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft. Bereit für Veränderung? Dann bewirb Dich jetzt, und mach einen Unterschied! Nach Eingang Deiner Online-Bewerbung erhältst Du eine automatische Empfangsbestätigung. Dann melden wir uns schnellstmöglich und sagen Dir, wie es weitergeht. Du hast Fragen zur Stelle? Unsere Kollegin Elena Slomski-Vetter ist für Dich da: Telefon +49 6151 705-589. Fraunhofer-Institut für Betriebsfestigkeit und Systemzuverlässigkeit LBF www.lbf.fraunhofer.de Kennziffer: 85761 Bewerbungsfrist: