Machine Learning zur Fehler-Ursachen-Analyse in der EOL-Prüfung von Traktionsantrieben für Elektrofahrzeuge (BA/PA/MA)

Bildquelle: Reilhofer

Ausgangslage:

Durch die zunehmende Verbreitung der Elektromobilität wird sich die hiesige Automobilindustrie grundlegend verändern. Gerade im Bereich der Elektromotorenproduktion steht Deutschland angesichts des intensiven globalen Wettbewerbs stark unter Druck. Neben innovativer Motorenkonzepten sind insbesondere effiziente, flexibel automatisierte Fertigungsprozesse erforderlich um die Wertschöpfung in Deutschland anhaltend zu sichern.

Die digitale Transformation der Produktion verspricht, die Produktivität im Inland zu steigern und neue Geschäftspotentiale zu erschließen. Das Revolutionäre an Industrie 4.0 ist nicht allein die Digitalisierung der Produkte und ihrer Produktion, sondern die Möglichkeit technische Systeme in Echtzeit zu vernetzen. Die dadurch gewonnenen Daten können mit Methoden des Maschinellen Lernens (ML) nutzbringend ausgewertet und daraus neues Wissen generiert werden.

Dies birgt insb. für die Fehler-Ursachen-Analyse in der End-of-Line-Prüfung (EOL) großes Potential. So sollen E-Motoren nicht nur nach Gut- und Schlechtteil klassifiziert, sondern auch Rückschlüsse auf die Fehlerursache (z.B. Abweichungen in vorgelagertem Fertigungsschritt) detektiert werden.

Aufgabenstellung:

Ziel dieser Abschlussarbeit ist es, die Fehler-Ursachen-Analyse in der EOL-Prüfung von Elektromotoren unter Einsatz von ML zu optimieren. Die Arbeitspakete gliedern sich wie folgt:

  • Einarbeitung in die Methoden und Tools des maschinellen Lernens anhand interaktiver Online-Kurse sowie der Anwendungsdomäne, d.h. die EOL-Prüfung von Elektromotoren
  • Strukturierte Aufarbeitung von bestehenden ML-Ansätzen bei der EOL-Prüfung von E-Motoren (z.B. beim Condition Monitoring von Motoren)
  • Erarbeitung eines Konzepts zum Einsatz von ML zur Fehler-Ursachen-Analyse in der EOL-Prüfung von E-Motoren unter Einbezug von fortgeschrittener Messtechnik (u.a. Luft- und Körperschall)
  • Praktische Umsetzung des Konzepts am Motorenprüfstand des Lehrstuhls:
    • Generierung von Prüfdaten anhand von existierenden Versuchsmotoren im  Prüflabor des E-Drive-Centers
    • Aufbereitung und Fusion der (Sensor-)Daten
    • Auswertung der Daten mittels ML
  • Ggf. Vergleichsmessungen in Zusammenarbeit mit einem Industriepartner aus der Automobilindustrie

Nähere Informationen gerne auf Anfrage im persönlichen Gespräch. Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse.

Hinweise und Bewerbung:

  • Forschung an der Schnittstelle zwischen den Trendthemen KI und Elektromotorenproduktion
  • Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse
  • Bewerbungen bitte per E-Mail mit Lebenslauf und aktueller Fächerübersicht an BEIDE Betreuer, d.h. johannes.von_lindenfels@faps.fau.de und andreas.mayr@faps.fau.de.

Ansprechpartner:

Johannes von Lindenfels, M.Sc.

Andreas Mayr, M.Sc., M.Sc.

 

Kategorien:

Forschungsbereich:

Elektromaschinenbau

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Medizintechnik, Wirtschaftsingenieurwesen

Technologiefeld:

Fertigungsregelung und Intralogistik, Industrie- und Servicerobotik, Künstliche Intelligenz und Maschinelles Lernen, Medizintechnik, Planung und Simulation, Software Engineering und Deployment