Index

Durch moderne Computer Vision Verfahren wird die automatisierte Qualitätsprüfung komplexer Systeme immer robuster. Jedoch bedarf das Training der Modelle umfangreiche Trainingsdatensätze. Für alltägliche Objekte wie beispielsweise Autos oder Tiere existieren hierfür eine Vielzahl an Datensätzen und bereits fertig trainierte Modelle. Für industrielle Anwendungen ist die Verfügbarkeit mager. Die Qualität der Ergebnisse in der industriellen Bildverarbeitung hängt jedoch stark von der Qualität und dem Umfang der Trainingsdatensätze ab. Gleichzeitig müssen Daten häufig manuell annotiert und segmentiert werden, was sehr zeitaufwendig und fehleranfällig ist.

Ziel dieser Arbeit ist die Entwicklung eines Systems, zur synthetischen Erstellung von Trainingsdatensätzen für die Automatisierung im Schaltschrankbau. Es sollen 3D-Scans von elektrischen Komponenten aus dem Schaltschrankbau realitätsnah und in unterschiedlichen Konfigurationen (Anordnungen, Beleuchtungen, Hintergründe, …) gerendert werden. Die virtuell erzeugten Bilder sollen dann automatisiert annotiert und segmentiert werden, um in kurzer Zeit einen umfangreichen Trainingsdatensatz erstellen zu können. Neben der Zeitersparnis sorgt dies auch für eine reproduzierbare Qualität der Trainingsdaten beim Einführen neuer Komponenten.

Die ausgeschriebene studentische Arbeit ist Teil des Projekts ProTekt, das die automatisierte optische und elektrische Prüfung von Schaltschränken zum Ziel hat.

Die Arbeit umfasst:

• Recherche zum aktuellen Stand der Forschung im Bereich synthetischer Trainingsdaten
• Erstellung und Vorbereitung der 3D Scans von ausgewählten Komponenten (z.B. mit Keyence 3D Scanner)
• Programmieren des Renderers inkl. automatisierter Anreicherung der Szene durch Variation von:
  Benachbarte Komponenten, Beschriftungen auf den Komponenten, Beleuchtung, Einfügen von Kabeln, … (je nach Möglichkeit/Notwendigkeit/Ergebnissen)
• Programmierung der Software-Pipeline zur Annotation der generierten 2D-Bilder
• Training eines Modells zum Testen des erstellten Datensatzes an realen Komponenten

Voraussetzungen

• Studium im Bereich Maschinenbau / IPEM / WING / Mechatronik / Elektrotechnik o.Ä.
• Solide Programmierkenntnisse – vorzugsweise in Python
• Gutes Verständnis für optische und räumliche Zusammenhänge, Interesse an Computer Vision
• Aber am wichtigsten: Kreativität, Eigenverantwortung und die Lust, verschiedene Möglichkeiten der Umsetzung auszuprobieren

Benefits:

• Hoher Programmieranteil – Arbeit von überall möglich
  (ein paar Termine vor Ort werden nötig sein, um realen Aufbau zu verstehen und die Komponenten zu scannen)
• Arbeiten an einer realen Computer Vision Anwendung aus der Industrie mit Impact
• Freiheit in der Gestaltung der Lösung
• Möglichkeit für Anschlussarbeit oder anschließende Anstellung als HiWi in ähnlichem Themengebiet (Automatisierung, Bildverarbeitung, Robotik, Schaltschrankbau)

Die Arbeit kann in Deutsch oder Englisch geschrieben werden.

Der Roboteraufbau befindet sich am FAPS in Nürnberg “auf AEG”. Gut erreichbar mit den öffentlichen Verkehrsmitteln.

Anfragen bitte per Mail mit aktueller Notenübersicht und Lebenslauf

Durch moderne Computer Vision Verfahren wird die automatisierte Qualitätsprüfung komplexer Systeme immer robuster. Jedoch bedarf das Training der Modelle umfangreiche Trainingsdatensätze. Für alltägliche Objekte wie beispielsweise Autos oder Katzen existieren hierfür eine Vielzahl an Datensätzen und bereits fertig trainierte Modelle. Für industrielle Anwendungen ist die Verfügbarkeit mager. Die Qualität der Ergebnisse in der industriellen Bildverarbeitung hängt jedoch stark von der Qualität und dem Umfang der Trainingsdatensätze ab. Gleichzeitig müssen Daten häufig manuell annotiert und segmentiert werden, was sehr zeitaufwendig und fehleranfällig ist.

Ziel dieser Arbeit ist die Entwicklung eines robotergestützten Systems, welches die Erstellung von Bilddatensätzen automatisiert. Elektrische Komponenten aus dem Schaltschrankbau sollen unter variierenden aber definierten Bedingungen aus verschiedenen Richtungen mit dem Roboter fotografiert werden. Die Bilder sollen virtuell angereichert und dann annotiert werden. Dies ermöglicht es, neue Komponenten aufwandsarm und in konstanter Qualität einzulernen.

Die ausgeschriebene studentische Arbeit ist Teil des Projekts ProTekt, das die automatisierte optische und elektrische Prüfung von Schaltschränken zum Ziel hat.

Die Arbeit umfasst:

• Recherche zum aktuellen Stand der Technik und der Forschung
• Bau eines Hardwarerahmens zur Platzierung der Komponenten
• Pfadplanung des Roboters inkl. Kompensation von Positionsungenauigkeiten
• Programmierung der Software-Pipeline zur Bildverarbeitung und Annotation
  (Vorverarbeitung, Datenanreicherung, automatisierte Annotation durch Projektion 2D/3D)
• Validierung durch Erstellen und Anwenden eines Demo-Datensatzes für ausgewählte Komponenten

Voraussetzungen:

• Studium im Bereich Maschinenbau / IPEM / WING / Mechatronik / Elektrotechnik o.Ä.
• Solide Programmierkenntnisse – vorzugsweise mit Python
• Interesse an Robotik und Computer Vision
• Gutes Verständnis für optische und räumliche Zusammenhänge
• Aber das aller wichtigste: Kreativität, Eigenverantwortung und die Freude am Ausprobieren verschiedener Lösungen sowie am Tüfteln

Benefits:

• Arbeit mit einem 6-achsigen UR-Cobot vor Ort
• Programmierarbeit von überall aus
• Interessante Kombination von Hardware und Software, welche die verschiedenen Fragestellungen aus Computer Vision und Robotik vereint
• Möglichkeit für Anschlussarbeit oder anschließende Anstellung als HiWi in ähnlichem Themengebiet (Automatisierung, Bildverarbeitung, Robotik, Schaltschrankbau)

Die Arbeit kann in Deutsch oder Englisch geschrieben werden.

Der Roboteraufbau befindet sich am FAPS in Nürnberg “auf AEG”. Gut erreichbar mit den öffentlichen Verkehrsmitteln.

Anfragen bitte per Mail mit aktueller Notenübersicht und Lebenslauf

Initial Situation:

MLOps tools are essential for managing the complex machine learning lifecycle, but many suffer from poor usability, making adoption difficult for practitioners. This thesis explores how to design more intuitive, user-friendly interfaces for MLOps platforms. Through a structured evaluation of open-source tools and the identification of key interaction techniques, this research will contribute to building reusable UI components in Svelte 5 and shadcn-svelte—bridging the gap between powerful ML workflows and seamless user experiences.A well-designed MLOps interface enhances productivity, reduces onboarding time, and improves collaboration between data scientists, ML engineers, and DevOps teams. By applying UI/UX best practices, this thesis aims to make MLOps more accessible and efficient for everyone.

Tasks:

Within the thesis following topics will be worked on:

• Conduct a literature review on user-friendly design of MLOps tools.
• Methodical quantitative and qualitative evaluation of open source MLOps tools.
• Identification of key interaction techniques in the ML lifecycle
• Implementation of several identified components as reusable components in Svelte 5, shadcn-svelte.

Notes on application:

• Interest in UI and UX design
• Practical online courses and books will be provided after consultation on the existing level of knowledge
• Mandatory experience: Svelte (5), SvelteKit, tailwindcss, TypeScript
• Applications without Svelte experience will be ignored
• Nice to have experience: libraries or projects such as shadcn-svelte, d3, xyflow / Svelte-flow, tanstack
• Written and spoken German or English required
• The thesis has to be written in English in LaTeX (e.g., TexStudio, Overleaf)
• Literature management must be done using JabRef
• Please send applications with CV and current overview of subjects by e-mail to benedikt.scheffler@faps.fau.de.
• Generic e-mails will be ignored (how to write a proper e-mail).
• In the first meeting there are questions regarding the stated requirements. Based on this, the student’s suitability for this thesis is determined.

Ausgangssituation

Um die Absolutgenauigkeit von 6-Achs-Industrierobotern zu verbessern, wird ein Computer-Vision-basiertes Regelungssystem entwickelt. Die 6DoF Pose des Bauteils am Endeffektor des Roboters muss sehr genau innerhalb eines großen Messraums bestimmt werden. Damit diese Ziele erreicht werden können, werden mehrere Kameras gleichzeitig verwendet. Mit Image Registration werden die Bilder von verschiedenen Kameras in dasselbe Koordinatensystem transformiert. Die dadurch erzeugten hochgenauen konsistenten Bilddaten können dann von nachfolgenden Algorithmen genutzt werden.

Aufgabenschwerpunkte

• 3D Computer Vision 
• Pose Estimation
• Point-Set Registration
• Image Reconstruction
• Photogrammetrie
• Robotik
• Simulation
• Subpixel Algorithmen

Vorkenntnisse

• Python Kenntnisse wünschenswert
• Computer Vision Kenntnisse wünschenswert
• Deep Learning Kenntnisse wünschenswert
• ROS Kenntnisse von Vorteil
• C++ Kenntnisse von Vorteil

Im Zuge der Mobilitätswende und des steigenden Bedarfs an elektrifizierten Antriebssystemen gewinnen Batterien als zentrale Komponenten zunehmend an strategischer Bedeutung. Insbesondere im Bereich der leichten und schweren Nutzfahrzeuge entstehen neue Herausforderungen entlang der gesamten Wertschöpfungskette – von der Rohstoffbeschaffung über Produktion und Nutzung bis hin zur Rückführung und Wiederverwertung. Der Recyclingprozess von Traktionsbatterien spielt dabei eine entscheidende Rolle für Nachhaltigkeit, Ressourceneffizienz und Versorgungssicherheit.

Die Supply Chain des Batterie-Recyclings ist hochkomplex: unterschiedliche Zellchemien, unklare Rücklaufmengen, logistischer Aufwand, technologische Unsicherheiten sowie regulatorische Vorgaben beeinflussen die Rückführung und Wiederverwertung erheblich. Traditionelle Analysewerkzeuge stoßen hier an ihre Grenzen. Die Methode der System Dynamics bietet hingegen die Möglichkeit, dynamische Zusammenhänge, Rückkopplungen und zeitverzögerte Effekte transparent zu modellieren und zu simulieren.

Ziele der studentischen Arbeit

• Vertiefung der Kenntnisse in der Systemtheorie, insbesondere im Bereich System Dynamics

• Durchführung einer fundierten Literaturrecherche zu Batterieproduktion, Rückführung und Recycling im Mobilitätssektor, insbesondere bei Nutzfahrzeugen

• Analyse der technischen, logistischen und organisatorischen Prozesse entlang der Batterie-Supply-Chain

• Identifikation und Modellierung relevanter Akteure, Materialflüsse, Einflussfaktoren und Wirkzusammenhänge im Batterie-Recyclingprozess

• Aufbau eines dynamischen Simulationsmodells zur Abbildung des Batterie-Recyclings unter Einsatz von System Dynamics

• Ableitung von Erkenntnissen zur Optimierung der Recyclingstrategie für leichte und schwere Nutzfahrzeuge

Voraussetzungen

• Hohes Interesse an nachhaltiger Mobilität, Kreislaufwirtschaft und Batteriesystemen

• Bereitschaft, sich intensiv mit System Dynamics auseinanderzusetzen

• Idealerweise erste praktische Erfahrungen mit Modellierungs- oder Simulationssoftware (z. B. Vensim, AnyLogic, Stella o. Ä.)

• Grundkenntnisse in Programmierung (z. B. Python, Java)

• Sehr gute Deutschkenntnisse (mindestens Niveau C1) und gute Englischkenntnisse

• Selbstständige und strukturierte Arbeitsweise

• Verpflichtende Ergebnispräsentation und -diskussion im Seminar

Die studentische Arbeit kann ab dem 01.05.2025 oder zu einem späteren, individuell vereinbarten Zeitpunkt begonnen werden und ist innerhalb des in der Prüfungsordnung festgelegten Bearbeitungszeitraums abzuschließen.

Die Arbeit kann als Projekt- oder Masterarbeit verfasst werden.

Bei Interesse senden Sie bitte eine E-Mail mit Lebenslauf und Notenspiegel an
📧 baris.albayrak@faps.fau.de

Ich freue mich auf Ihre Bewerbung!

Inmitten des wachsenden Spektrums elektrischer Antriebstechnologien, wie dem inzwischen etablierten Hairpin-Motor und aufstrebenden Varianten wie Continuous Hairpin, Hairpins aus Hohlleitern oder Litzen und Axialflussmaschinen, steht das Richten von Flachdraht als zentraler Prozessschritt im Fokus. Die gegenwärtige Herausforderung im industriellen Umfeld liegt in der Steuerung dieses Prozesses, der bisher auf statischen Parametern und dem empirischen Wissen von Facharbeitern basiert und Schwankungen im Eingangsmaterial nur unzureichend berücksichtigt.

Mögliche Aufgabenstellungen:

Im Rahmen aktueller Forschungsaktivitäten am Lehrstuhl FAPS soll der Prozessschritt des Richtens von Flachdraht durch die Erforschung und Implementierung inlinefähiger Sensorik zur Erfassung von Wechselwirkungen im Prozess sowie innovativer Regelungsansätze revolutioniert werden. Auf diese Weise soll die Qualität in der Hairpin-Produktion effektiv und effizient gesteigert und ein wichtiger Beitrag zur Weiterentwicklung neuer Trends in der Automobilindustrie geleistet werden.

Mögliche Themengebiete:

• Planung und Konstruktion von Anlagenkomponenten
• Erforschung neuer Messmethoden
• Implementierung und Validierung von Messsystemen
• Planung und Durchführung von experimentellen Untersuchungen
• KI-gestützte Analyse und Interpretation experimenteller Daten
• Modellierung und Simulation der Produktionsprozesse

Detaillierte Informationen zu den möglichen Themengebieten und deren Aufgabenstellungen werden gerne in einem persönlichen Gespräch erläutert.

Anforderungsprofil:

• Interesse an der Produktion elektrischer Traktionsantriebe
• Je nach Themengebiet: Grundkenntnisse in Konstruktion, Messtechnik, Werkstoffkunde, Programmierung, Datenanalyse (KI/ML) oder Regelungstechnik
• Freude an praktischer Arbeit wie z.B. Durchführung und Auswertung von Versuchsreihen oder Aufbau von Messtechnik
• Analytisches Denkvermögen sowie selbstständige, gewissenhafte und strukturierte Arbeitsweise
• Teamfähigkeit und Kommunikationsstärke
• Gute Deutsch- und Englischkenntnisse in Wort und Schrift

Bewerbung per E-Mail mit Lebenslauf, aktuellem Notenspiegel und Angabe des bevorzugten Themengebietes an anja.preitschaft@faps.fau.de

 

 

 

Handlungsfeld

Die Entwicklung mechatronischer Systeme ist aufgrund der steigenden Anzahl von Teilsystemen und Disziplinen eine Herausforderung. Model-Based Systems Engineering (MBSE) begegnet dieser Herausforderung durch eine disziplinübergreifende Systembeschreibung mit einem einheitlichen Systemmodell, ist aber in der Praxis noch wenig verbreitet. Dies liegt insbesondere an den hohen Einstiegshürden im Mittelstand, die u.a. durch den notwendigen Einsatz kostenintensiver Software, das erforderliche Fachwissen sowie das durchzuführende Change Management begründet sind. Large Language Models (LLM) bieten das Potenzial, die Entwicklung und Verarbeitung dieser Systemmodelle mittels generativer künstlicher Intelligenz zu automatisieren und damit die Einstiegshürden zu senken und gleichzeitig die Entwicklungseffizienz und -qualität in der MBSE signifikant zu steigern.

Forschungsvorhaben LLM-SE

Im Rahmen des Forschungsprojektes LLM-SE (Large Language Model unterstütztes Systems Engineering) entwickeln wir gemeinsam mit unseren Industriepartnern ein an der MBSE-Philosophie und -Struktur orientiertes Assistenzsystem unter Verwendung von Large Language Models zur Teilautomatisierung des Engineeringprozesses mechatronischer Systeme von der Anforderungsanalyse bis zur virtuellen Inbetriebnahme. Dieses soll Benutzereingaben wie Anforderungen und Anpassungen interpretieren, durch die Verfügbarkeit von unternehmensspezifischen Produktkatalogen, historischen Projektdaten und Best Practices in individuelle, modellbasierte Lösungen transformieren und diese durch geeignete Validierungs- und Verifikationsmechanismen absichern.

Ihre Arbeitspunkte im Projekt

• Literaturrecherche zur Modellierungssprache SysML v2
• Recherche, Evaluation und Auswahl geeigneter KI-Methoden und -Modelle
• Entwicklung und Evaluation des Assistenzsystems hinsichtlich technischer Machbarkeit und Wirtschaftlichkeit
• Prototypische Adaption an einem geeigneten Use-Cases z.B. automatische Generierung von Funktionsblöcken aus der Anforderungsspezifikation

Ihre Benefits

• Praktische Erfahrung in der Entwicklung von Algorithmen der künstlichen Intelligenz und Deep Learning Techniken
• Möglichkeit zur aktiven Mitarbeit an einem Forschungsprojekt
• Austausch mit anderen Studierenden am FAPS
• Zukunfts- und anwendungsorientierte Arbeit für den weiteren Karriereweg
• Flexible Arbeitsweise

Anforderungen

• Gute Programmierkenntnisse insbesondere in Java und/oder  in C/C++ und/oder Python erforderlich
• Grundkenntnisse und Erfahrung in REST-API und Apache Kafka wünschenswert
• Interesse und Vorkenntnisse in MBSE, SysML wünschenswert
• Grundkenntnisse in Machine Learning (ML) und Natürliche Sprachverarbeitung (NLP) wünschenswert
• Eigenständige, strukturierte Arbeitsweise sowie hohe Lernbereitschaft

Hinweise zur Bewerbung

• Beginn zum nächstmöglichen Zeitpunkt
• Bewerbungen bitte per E-Mail mit aktuellem Notenspiegel und Lebenslauf sowie einem kurzen Motivationsschreiben
• Bitte beachten Sie, dass unvollständige Bewerbungen nicht berücksichtigt werden können.
• Weitere Informationen auf Anfrage per E-Mail oder gerne auch in einem persönlichen Gespräch.

 

 

 

 

Handlungsfeld

Die Entwicklung mechatronischer Systeme ist aufgrund der steigenden Anzahl von Teilsystemen und Disziplinen eine Herausforderung. Model-Based Systems Engineering (MBSE) begegnet dieser Herausforderung durch eine disziplinübergreifende Systembeschreibung mit einem einheitlichen Systemmodell, ist aber in der Praxis noch wenig verbreitet. Dies liegt insbesondere an den hohen Einstiegshürden im Mittelstand, die u.a. durch den notwendigen Einsatz kostenintensiver Software, das erforderliche Fachwissen sowie das durchzuführende Change Management begründet sind. Large Language Models (LLM) bieten das Potenzial, die Entwicklung und Verarbeitung dieser Systemmodelle mittels generativer künstlicher Intelligenz zu automatisieren und damit die Einstiegshürden zu senken und gleichzeitig die Entwicklungseffizienz und -qualität in der MBSE signifikant zu steigern.

Die Bewertung der Qualität von KI-generierten SysML-Diagrammen stellt dabei eine große Herausforderung dar. Es gibt keine allgemein anerkannten Richtlinien für die Bewertung der Qualität konzeptioneller Modelle, und es herrscht wenig Einigkeit unter den Experten darüber, was ein “gutes” Modell ausmacht. Daher ist es unerlässlich, ein validiertes Rahmenwerk zur Bewertung der Qualität von SysML-Diagrammen zu entwickeln.

Ihre Arbeitspunkte

• Literaturrecherche zur Modellierungssprache bspw. SysML v2
• Recherche, Bewertung bestehender Methoden zur Bewertung der Qualität von SysML-Modellen
• Entwicklung und Bewertung des Rahmenwerks hinsichtlich der technischen Machbarkeit
• Prototypische Adaption des Rahmenwerkes an einem geeigneten Use-Cases z.B. Bewertung der Qualität von Funktionsdiagrammen nach Kohäsion, Kohärenz und Vollständigkeit

Ihre Benefits

• Praktische Erfahrung in der Entwicklung von Algorithmen der künstlichen Intelligenz und Deep Learning Techniken
• Möglichkeit zur aktiven Mitarbeit am Forschungsprojekt LLM-SE
• Austausch mit anderen Studierenden am FAPS
• Zukunfts- und anwendungsorientierte Arbeit für den weiteren Karriereweg
• Flexible Arbeitsweise

Anforderungen

• Gute Programmierkenntnisse insbesondere in Java und/oder  in C/C++ und/oder Python wünschenswert
• Grundkenntnisse und Erfahrung in REST-API und Apache Kafka wünschenswert
• Interesse und Vorkenntnisse in MBSE, SysML wünschenswert
• Grundkenntnisse in Machine Learning (ML) und Natürliche Sprachverarbeitung (NLP) wünschenswert
• Eigenständige, strukturierte Arbeitsweise sowie hohe Lernbereitschaft

Hinweise zur Bewerbung

• Beginn zum nächstmöglichen Zeitpunkt
• Bewerbungen bitte per E-Mail mit aktuellem Notenspiegel und Lebenslauf sowie einem kurzen Motivationsschreiben
• Bitte beachten Sie, dass unvollständige Bewerbungen nicht berücksichtigt werden können.
• Weitere Informationen auf Anfrage per E-Mail oder gerne auch in einem persönlichen Gespräch.

Im Zuge der Digitalisierung übernehmen digitale Plattformen wie AWS oder Wucato eine zunehmend zentrale Rolle entlang der industriellen Wertschöpfungsketten. Aufgrund ihres weitreichenden Einflusses auf Unternehmensprozesse, Märkte, politische Entscheidungen und gesellschaftliche Strukturen gelten Plattformökonomien als potenziell wertstiftende Organisationsformen der industriellen Wertschöpfung. Die Wechselwirkungen zwischen den vielfältigen Akteuren und Einflussfaktoren, die die Funktionsmechanismen digitaler Plattformen prägen, charakterisieren diese als komplexe sozio-technische Systeme.

Traditionelle Analysewerkzeuge wie die Wertstromanalyse oder BPMN stoßen bei der Abbildung der Dynamik solcher Systeme jedoch an ihre Grenzen. Gleichzeitig ist eine systematische Modellierung der verschiedenen Rollen, Mechanismen, Prozesse und Funktionen auf digitalen Plattformen essenziell, um ein umfassendes und konsistentes Verständnis dieser Systeme zu ermöglichen. In diesem Zusammenhang zeigt die Methode der System Dynamics großes Potenzial, die Komplexität digitaler Plattformen in der Industrie adäquat zu erfassen und abzubilden.

Ziele der studentischen Arbeit

• Vertiefung der Kenntnisse in der Systemtheorie, insbesondere im Bereich System Dynamics
• Durchführung einer umfassenden Literaturrecherche zu industriellen Plattformen und zur Methodik von System Dynamics
• Entwicklung eines technischen und organisatorischen Verständnisses digitaler Plattformen
• Identifikation und Analyse der beteiligten Rollen, Funktionen, Wirkmechanismen sowie der Wertschöpfungsschritte digitaler Plattformen
• Bewertung der Eignung von System Dynamics zur Analyse komplexer Plattformökonomien im industriellen Kontext

Voraussetzungen

• Hohe Motivation und Interesse an der Mitwirkung bei aktueller, interdisziplinärer und industrienaher Forschung
• Bereitschaft, sich intensiv in die Systemtheorie und speziell in System Dynamics einzuarbeiten
• Idealerweise erste praktische Erfahrungen in der Simulation von Wertschöpfungssystemen (z. B. mit Tools wie Siemens Plant Simulation oder AnyLogic)
• Solide Programmierkenntnisse in gängigen Programmiersprachen wie Python oder Java
• Sehr gute Deutschkenntnisse (mindestens Niveau C1) und gute Englischkenntnisse

Die studentische Arbeit ist ab dem 01.02.2025 oder zu einem späteren, individuell vereinbarten Zeitpunkt zu beginnen und innerhalb des in der Prüfungsordnung festgelegten Bearbeitungszeitraums abzuschließen.

Die Arbeit kann als Projekt- oder Masterarbeit verfasst werden.

Bei Interesse senden Sie mir  eine E-Mail mit Lebenslauf und Notenspiegel an baris.albayrak@faps.fau.de.

Ich freue mich auf Ihre Bewerbung!

Ausgangslage:

Mit der fortschreitenden Elektrifizierung der Fahrzeuge steigt auch die Nachfrage nach komfortablen, sicheren und in den Alltag integrierbaren Lademöglichkeiten. Kontaktlose Energieübertragungssysteme ermöglichen Szenarien wie „Road Charging“ und „Opportunity Charging“. Weitere Vorteile sind ein gesteigerter Ladekomfort für den Anwender sowie eine geringere Angriffsfläche für Vandalismus. Folglich ist für die nächsten Jahre eine gesteigerte Nachfrage nach induktiven Energieübertragungssystemen für Elektromobile zu erwarten. Allerdings stehen bislang keine Verfahren zur Verfügung, die eine wirtschaftliche Fertigung induktiver Energieübertragungssysteme in hoher Stückzahl ermöglichen.

Mögliche Aufgabenstellung

Verlegen, Kontaktieren und Isolieren sind die drei wichtigsten Schritte zur Herstellung eines induktiven Energieübertragungssystems. Die Verfahren sollen durch geeignete Maßnahmen für die industrielle Fertigung befähigt werden. Neben praktischen Versuchen ist auch der prototypische Aufbau von Demonstratoren vorgesehen. Mögliche Aufgabenstellungen können sein:

• Einarbeiten in die Technologien für die kontaktlose Energieübertragung
• Analyse von verschiedenen Systemaufbauten der Marktbegleiter
• Adaption bestehender Konzepte aus dem Elektromaschinenbau auf den neuen Anwendungskontext
• Entwicklung und Konzeption geeigneter Vorrichtungen und Aufbau von Demonstratorsystemen

Hinweise und Bewerbung:

• Bearbeitung der Aufgaben im studentischem Team
• Strukturierte und selbstständige Arbeitsweise
• Bewerbungen bitte per E-Mail mit Lebenslauf und aktueller Fächerübersicht an info@seamless-energy.com

Ansprechpartner:

Dr.-Ing. Michael Weigelt info@seamless-energy.com

Michael Masuch