Studentische Arbeiten
Für Ihre Bachelor-, Projekt- oder Masterarbeit finden Sie bei uns regelmäßig interessante Themenvorschläge. Die aktuellen Ausschreibungen stammen aus unterschiedlichen Forschungsbereichen und sind im Folgenden bereichsübergreifend aufgelistet. Bei Interesse an einem bestimmten Thema wenden Sie sich gerne direkt an die zuständigen Mitarbeiter*innen!
Projektarbeit/ Masterarbeit
für Studiengang (MB, ME, MA, INF, CE)
Stichworte:
Python; Topologieoptimierung; Simulation
Beschreibung:
Moderne Konstruktionsmethoden verfolgen zunehmend das Ziel, mechanische Funktionen direkt in Bauteilstrukturen zu integrieren. Neben der Maximierung von Steifigkeit können dabei auch gezielt nachgiebige Bereiche genutzt werden, um definierte Bewegungen oder Kraftübertragungen ohne zusätzliche Gelenke zu realisieren. Solche nachgiebigen Strukturen finden beispielsweise Anwendung in der Medizintechnik, wo orthopädische Hilfsmittel sowohl stützende als auch bewegungsführende Eigenschaften aufweisen müssen. Die Entwicklung geeigneter Optimierungsverfahren zur gezielten Einstellung dieser Eigenschaften stellt daher ein aktuelles Forschungsthema dar. Im Rahmen dieser Arbeit wird der selektiver nachgiebiger Topologieoptimierungsansatz untersucht und weiterentwickelt. Hierfür wird ein verfügbarer MATLAB-Code in Python überführt und vom planaren Fall (2D) auf räumliche Strukturen (3D) unter Annahme kleiner Verformungen erweitert. Die entwickelte Routine wird anschließend anhand eines etablierten Greifers sowie eines komplexeren Anwendungsbeispiels, beispielsweise einer Fußgelenksorthese, getestet. Abschließend werden die Leistungsfähigkeit, Anwendbarkeit sowie die Vorteile und Grenzen des Ansatzes bewertet.
Beginn der Arbeit: ab sofort
Ansprechpartner:
M.Sc. Julian Hippmann
Paul-Gordan-Straße 5, Zi.-Nr. 00.030
Telefon: 09131 85-23215
E-Mail: hippmann@mfk.fau.de
Projektarbeit/ Masterarbeit
für Studiengang (MB, ME, MA, INF, CE)
Stichworte:
Python; Topologieoptimierung; Simulation
Beschreibung:
Die Topologieoptimierung ermöglicht die automatische Auslegung von Strukturen mit dem Ziel, bei vorgegebenem Materialeinsatz eine möglichst hohe Steifigkeit zu erreichen. Neben klassischen Leichtbauanwendungen gewinnen jedoch auch Fragestellungen an Bedeutung, bei denen gezielt nachgiebige Bereiche gefordert sind. Ein Beispiel hierfür sind Wirbelsäulenkorsette in der Medizintechnik, die einerseits ausreichend stützen, andererseits definierte Bewegungen und Verformungen zulassen sollen. Für solche Anwendungen werden spezielle Verfahren der nachgiebigen Topologieoptimierung entwickelt. Im Rahmen dieser Arbeit soll ein bestehender Optimierungsansatz zur Synthese nachgiebiger Strukturen weiterentwickelt werden. Hierzu wird der auf der charakteristischen Steifigkeit basierende Topologieoptimierungsansatz zunächst auf den SIMP-Ansatz umformuliert und in einen Code-Rahmen integriert. Die entwickelte Methode wird anschließend anhand etablierter Benchmark-Beispiele sowie einer Anwendung aus dem Bereich orthopädischer Hilfsmittel validiert und hinsichtlich ihrer Potenziale und Grenzen bewertet.
Beginn der Arbeit: ab sofort
Ansprechpartner:
M.Sc. Julian Hippmann
Paul-Gordan-Straße 5, Zi.-Nr. 00.030
Telefon: 09131 85-23215
E-Mail: hippmann@mfk.fau.de
Bachelorarbeit/ Projektarbeit
für Studiengang (MB, WING)
Stichworte:
Literaturrecherche; Topologieoptimierung
Beschreibung:
Die Topologieoptimierung nachgiebiger Strukturen hat sich in den vergangenen Jahren zu einem dynamischen Forschungsgebiet entwickelt. Neue Optimierungsstrategien, Materialmodelle und Anwendungsfelder erweitern kontinuierlich die Möglichkeiten zur Synthese von Mechanismen, die Bewegungen und Kraftübertragungen allein durch elastische Verformungen realisieren. Insbesondere durch Fortschritte in der additiven Fertigung und den steigenden Bedarf an funktionsintegrierten Strukturen wächst die Zahl neuer Ansätze und Anwendungsgebiete stetig. Ziel dieser Arbeit ist die Erstellung einer strukturierten Übersichtsarbeit zu aktuellen Verfahren der nachgiebigen Topologieoptimierung. Hierzu werden zunächst die Grundlagen der Topologieoptimierung und nachgiebiger Mechanismen erarbeitet sowie eine systematische Literaturrecherche durchgeführt. Anschließend werden bestehende Klassifikationsschemata nach Gallego und Herder überprüft, erweitert und auf aktuelle Entwicklungen angewendet. Die identifizierten Methoden werden hinsichtlich Optimierungsansatz, Anwendungsgebiet, Randbedingungen, Zielfunktionen sowie ihrer jeweiligen Vorteile und Grenzen eingeordnet. Die Ergebnisse werden abschließend in Form einer konsistenten Klassifikation und einer strukturierten Übersichtsarbeit zusammengeführt.
Beginn der Arbeit: ab sofort
Ansprechpartner:
M.Sc. Julian Hippmann
Paul-Gordan-Straße 5, Zi.-Nr. 00.030
Telefon: 09131 85-23215
E-Mail: hippmann@mfk.fau.de
Bachelorarbeit/Projektarbeit
für Studiengang MB, ME, IP, WING
Stichworte:
Zwei-Scheiben-Prüfstand, Tribologie, Elastohydrodynamik, Schmierfilmhöhenmessung
Beschreibung:
Reibung, Schmierung und Verschleiß treten in nahezu jedem mechanischen System auf und bestimmen maßgeblich dessen Lebensdauer. Insbesondere die Schmierfilmhöhe stellt dabei eine zentrale Kenngröße der Tribologie dar. Eine Messung der Schmierfilmhöhe ist bisher noch nicht praktikabel möglich. Jedoch existieren bereits erste Messmethoden, die auf der Modellebene an Prüfständen eingesetzt werden können. Ziel dieser Arbeit, ist die Validierung eines Messverfahrens zur Schmierfilmhöhenmessung an einem Zwei-Scheiben-Prüfstand. Hierfür erfolgt zuerst eine systematische Darstellung des Stands der Technik zur Schmierfilmhöhenmessung. Anschließend wird die Funktion einer bestehenden Schmierfilmhöhenmessung auf der Prüfstandsebene in mehreren Versuchsreihen iterativ evaluiert, analysiert und abschließend validiert.
Beginn der Arbeit: nach Rücksprache
Ansprechpartner:
Christopher Platis, M.Sc.
Martensstraße 9, 91085 Erlangen, Zi.-Nr. 00.020
Telefon: 09131 85-25427
E-Mail: platis@mfk.fau.de
Bachelorarbeit/Projektarbeit
für Studiengang MB, WING, ME, IP
Stichworte:
Literaturrecherche, maschinelles Lernen, Tribologie, Elastohydrodynamik, Schmierfilmhöhe
Beschreibung:
Reibung, Schmierung und Verschleiß treten in nahezu jedem mechanischen System auf und bestimmen maßgeblich dessen Lebensdauer. Insbesondere die Schmierfilmhöhe stellt dabei eine zentrale Kenngröße der Tribologie dar. Während eine Messung der Schmierfilmhöhe nicht praktikabel möglich ist, ist auch eine nummerische Berechnung dieser mit einem hohen zeitlichen und technischen Aufwand verbunden. Um diese Probleme zu lösen, werden Methoden des maschinellen Lernens verwendet, die auf Basis von Stellgrößen wie Last, Drehzahl oder Viskosität eine Vorhersage zur resultierenden Schmierfilmhöhe treffen. Ziel der Arbeit ist die systematische Analyse und Abbildung des aktuellen Stands der Technik in Bezug auf den Einsatz von Methoden des maschinellen Lernens in der Elastohydrodynamik. Der Fokus liegt dabei auf der Vorhersage der Schmierfilmhöhe in elastohydrodynamischen Kontakten.
Beginn der Arbeit: nach Rücksprache
Ansprechpartner:
Christopher Platis, M.Sc.
Martensstraße 9, 91085 Erlangen, Zi.-Nr. 00.020
Telefon: 09131 85-25427
E-Mail: platis@mfk.fau.de
Studentische Arbeit
für Studiengang (MB/MT/WING/IP/ME/ACES)
Stichworte:
Resilienz, Einflussanalyse, Literarturrecherche, Soziotechnische Systeme
Beschreibung:
Systeme sind selten vollständig vor Störungen geschützt. Ob ein Ausfall einzelner Komponenten, externe Einwirkungen oder unvorhergesehene Betriebszustände: Störszenarien können weitreichende Folgen für das Gesamtsystem haben, deren Ausmaß stark vom jeweiligen Kontext abhängt. Um solche Einflüsse gezielt analysieren zu können, stehen verschiedene Methoden zur Verfügung, die je nach Systemtyp, Störart und Analyseziel sehr unterschiedlich geeignet sind. Ein strukturiertes Vorgehen zur Methodenauswahl fehlt bislang weitgehend. Ziel dieser Arbeit ist es, bestehende Methoden zur Einflussanalyse von Störszenarien systematisch zu erfassen, zu klassifizieren und hinsichtlich ihrer Eignung für verschiedene Anwendungsfälle zu bewerten. Darauf aufbauend wird ein regelbasiertes Vorgehen erarbeitet, das eine situationsgerechte Methodenauswahl unterstützt. Die Ergebnisse sollen Anwender in die Lage versetzen, für ein gegebenes Störszenario schnell und begründet die geeignete Analysemethode zu identifizieren.
Beginn der Arbeit: nach Rücksprache
Ansprechpartner:
Yannick Hemmeter, M.Sc. Fürther Str. 246c, 90429 Nürnberg
Telefon: +49 (0)911/5302-96619
E-Mail: hemmeter@mfk.fau.de
Studentische Arbeit
für Studiengang (MB/MT/WING/IP/ME/ACES)
Stichworte:
Resilienz, Einflussanalyse, Literarturrecherche, Soziotechnische Systeme
Beschreibung:
Jedes technische System kann im Laufe seines Lebens mit Störungen konfrontiert werden. Bereits in der Produktentwicklung gilt es daher, mögliche Störszenarien frühzeitig zu erkennen und systematisch zu berücksichtigen. Je nach Entwicklungsphase stehen hierfür unterschiedliche Methoden zur Verfügung, die sich in ihrem Vorgehen, ihrer Genauigkeit und ihrem Anwendungsbereich erheblich unterscheiden. Ein phasenübergreifender Vergleich dieser Methoden fehlt bislang weitgehend. Ziel dieser Arbeit ist es, bestehende Methoden zur Ermittlung von Störszenarien systematisch zu erfassen, zu klassifizieren und den jeweiligen Phasen der Produktentwicklung zuzuordnen. Durch einen strukturierten Vergleich werden Gemeinsamkeiten, Unterschiede und methodische Lücken sichtbar gemacht. Die Ergebnisse sollen Entwicklern eine fundierte Grundlage bieten, um in jeder Entwicklungsphase gezielt geeignete Methoden zur Störszenarien-Ermittlung auswählen zu können.
Beginn der Arbeit: nach Rücksprache
Ansprechpartner:
Yannick Hemmeter, M.Sc. Fürther Str. 246c, 90429 Nürnberg
Telefon: +49 (0)911/5302-96619
E-Mail: hemmeter@mfk.fau.de
Studentische Arbeit
für Studiengang (MB/MT/WING/IP/ME/ACES)
Stichworte:
Resilienz, Messung, Literarturrecherche, Soziotechnische Systeme
Beschreibung:
Resilienz ist eine der zentralen Eigenschaften moderner Systeme und beschreibt die Fähigkeit, mit Störungen umzugehen, sich anzupassen und handlungsfähig zu bleiben. Systeme, die aus Menschen und Technik bestehen, sind täglich mit unvorhergesehenen Ereignissen konfrontiert, sei es in der Energieversorgung, der Produktion oder im Gesundheitswesen. Doch was Resilienz ausmacht und wie sie sich messen lässt, wird je nach Disziplin sehr unterschiedlich beantwortet. Ziel dieser Arbeit ist es, bestehende Methoden und Metriken zur Resilienzmessung durch eine strukturierte Literaturrecherche systematisch zu erfassen, zu vergleichen und zu bewerten, mit Blick darauf, was gemessen wird und welche Ansätze sich für welche Systemkontexte eignen. Die Ergebnisse sollen eine fundierte Grundlage für künftige Arbeiten zur Bewertung und Steigerung von Resilienz in soziotechnischen Systemen schaffen.
Beginn der Arbeit: nach Rücksprache
Ansprechpartner:
Yannick Hemmeter, M.Sc. Fürther Str. 246c, 90429 Nürnberg
Telefon: +49 (0)911/5302-96619
E-Mail: hemmeter@mfk.fau.de
Projektarbeit/Masterarbeit
MB/CE/MT/WING/ME/IP/ACES
Stichworte:
Adaptives Metamodelltraining, Unsicherheitsquantifizierung, Effiziente Toleranzanalyse
Beschreibung:
Die Absicherung von nicht-geometrischen Zielgrößen, z.B. Maximalspannungen einer Baugruppe, stellt aufgrund der zeitaufwendigen Lösung von Finite Elemente Simulationen eine Herausforderung im Kontext von Sampling-basierten Toleranzanalysen dar. Aus diesem Grund werden Metamodelle genutzt, um die Auswirkungen der fertigungsbedingten Bauteilabweichungen auf die nicht-geometrischen Zielgrößen zeiteffizienter beurteilen zu können. Die Genauigkeit der Metamodellvorhersagen wird beispielsweise durch die Anzahl der Trainingsdatenpunkte bestimmt, die für einen effizienten Prozess möglichst gering sein sollte. Potential für Effizienzsteigerungen von Toleranzanalysen schaffen adaptive Metamodelle, die gezielt neue Auswertungsstellen für eine iterative Metamodellverbesserung erzeugen. Für die Beurteilung der Forschungsfrage ist zunächst eine Literaturrecherche zu bestehenden Ansätzen zur Berücksichtigung von Unsicherheiten in Metamodellen durchzuführen. Darauf aufbauend ist eine Methode zu entwickeln, bei der die Metamodellunsicherheiten gezielt für eine adaptiven Verbesserung der Metamodelle genutzt werden. Das Potential der Methode wird anhand eines Vergleichs zu einem bestehenden Ansatz für Metamodell-basierte Toleranzanalysen ermittelt.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Jan Kopatsch, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23220
E-Mail: kopatsch@mfk.fau.de
Masterarbeit
MB/WING/MT/ME
Stichworte:
3D-Computer-Vision, Geometrierückführung, algorithmische Geometrie, Computergrafik
Beschreibung:
Moderne Optimierungsverfahren wie Topologieoptimierung können sehr leistungsfähige und materialeffiziente Bauteile erzeugen. Die Ergebnisse liegen jedoch oft nur als unstrukturierte Geometrie vor und müssen für die Weiterverwendung im Konstruktionsprozess (z.B. in CAD-Programmen) in parametrische Modelle überführt werden. Ein vielversprechender Ansatz nutzt dafür ein Flächenskelett der optimierten Geometrie. In der Praxis gibt es dabei jedoch einige Herausforderungen, insbesondere im Umgang mit aufwendigen und schwer interpretierbaren Strukturen. Diese Masterarbeit setzt an diesem Punkt an: Sie entwickelt einen Ansatz, um problematische Bereiche innerhalb der medialen Achse von Strukturen zu erkennen und sinnvoll zu unterteilen. Dafür werden zunächst die Stellen identifiziert, an denen die Geometrie des Flächenskeletts topologisch nicht eindeutig beschrieben werden kann. Anschließend wird das Skelett in klar abgegrenzte und gut handhabbare Teilbereiche zerlegt. Ziel der Arbeit ist die Entwicklung eines Workflows, der diese Schritte automatisiert und damit die Anwendbarkeit der bestehenden Rückführungsmethode deutlich verbessert.
Beginn der Arbeit: ab sofort/nach Rücksprache
Ansprechpartner:
Tim Ruf
E-Mail: ruf@mfk.fau.de
Studentische Arbeit
für Studiengang (MB/ME/WING)
Stichworte:
Maschinenelemente, Wälzlager, maschinelles Lernen, Simulation, Assistenzsystem
Beschreibung:
Im Rahmen der Entwicklung des Assistenzsystems ProBeNo sollen verschiedene Machine-Learning-Algorithmen zur Vorhersage simulationsbasierter Geräuschkennwerte von Wälzlagern untersucht werden. Ziel der Arbeit ist es, einen reproduzierbaren Benchmarking-Workflow aufzubauen, unterschiedliche Regressionsmodelle systematisch zu vergleichen und deren Eignung für die ML-gestützte Toleranzanalyse zu bewerten. Dabei sollen klassische ML-Verfahren, moderne Ensemble-Methoden und AutoML-Ansätze wie AutoGluon hinsichtlich Vorhersagegüte, Robustheit, Interpretierbarkeit und praktischer Nutzbarkeit verglichen werden. Die Ergebnisse unterstützen die Weiterentwicklung von ProBeNo zur simulationsbasierten Untersuchung des Geräuschverhaltens von Wälzlagern.
Beginn der Arbeit: nach Absprache
Ansprechpartner:
Felix Pfister, M.Sc.
Martenstraße 9, Raum: 0.020
E-Mail: pfister@mfk.fau.de
Studentische Arbeit
für Studiengang (MB/MWT/WING)
Stichworte:
Freilauf; Klemmkörper; Drahterodieren; Fertigungstechnik; Werkstoffprüfung
Beschreibung:
Freiläufe werden unter anderem in E-Bike-Anwendungen eingesetzt und stellen hohe Anforderungen an Lebensdauer und Zuverlässigkeit. Eine zentrale Rolle spielt dabei der Klemmkörper, der üblicherweise durch Profildrahtziehen mit sehr hoher Genauigkeit gefertigt wird. Dieses Verfahren ist jedoch für die Prototypenfertigung aufgrund hoher Kosten und langer Lieferzeiten nur eingeschränkt geeignet. Im Rahmen eines Forschungsprojekts werden daher alternative Herstellungsverfahren untersucht. Erste Versuche mit drahterodierten Klemmkörpern zeigen vielversprechende geometrische Ergebnisse. Ziel der Arbeit ist es, diese Verfahren praktisch zu erproben und die mechanischen Eigenschaften der hergestellten Klemmkörper experimentell mit konventionellen Bauteilen zu vergleichen. Hierzu werden Klemmkörper gefertigt, werkstofftechnisch charakterisiert und am Freilaufprüfstand unter realitätsnaher Belastung getestet. Die Ergebnisse werden ausgewertet und hinsichtlich der Eignung für die Prototypenentwicklung bewertet. Die Arbeit ist stark experimentell geprägt und umfasst Laborarbeit, Prüfstandversuche und Messtechnik. Interesse an experimenteller Arbeit ist ausdrücklich erwünscht.
Beginn der Arbeit: nach Absprache
Ansprechpartner:
Michael Hamm, M.Sc.
Martenstraße 9, Raum: 0.013
Telefon: +49 911 5691278
E-Mail: hamm@mfk.fau.de
Masterarbeit
MB / WING / AI / CE / ME / IP / MED
Stichworte:
Machine Learning für Konstruktionsanpassungen, Reinforcement Learning in der Produktentwicklung
Beschreibung:
Wie bringen wir Reinforcement Learning (RL) näher an die Arbeitsweise eines Produktentwicklers? Klassisches RL startet ohne Vorwissen: Der Agent probiert anfangs viele Aktionen aus und lernt über Trail-and-Error, was zu hohem Trainingsaufwand zunächst wenig plausiblen Konstruktionsentscheidungen führen kann. Das passt nur bedingt zur Entwicklungspraxis, denn Produktentwickler arbeiten mit Konstruktionsregeln, Randbedingungen und Erfahrung. In dieser Arbeit entwickelst du deshalb einen wissensbasierten Workflow für Anpassungskonstruktionen am Beispiel von Faserkunststoff-Verbund-Bauteilen (FKV). Dafür wählst du exemplarisch einige praxisrelevante Heuristiken zur Anpassung des Lagenaufbaus aus und ordnest sie in harte Nebenbedingungen (müssen eingehalten werden) sowie weiche Präferenzen (sinnvolle Empfehlungen) ein. Anschließend überführst du dieses Wissen in eine maschinenlesbare Form und integrierst es in ein RL-Verfahren, z. B. über Aktionsmaskierung und Reward Shaping. Zusätzlich entwickelst du die Explorationsstrategie des RL (epsilon-greedy) so weiter, dass der Agent zu Beginn bevorzugt sinnvolle, heuristikbasierte Aktionen untersucht statt blind zu raten. Abschließend vergleichst du den Ansatz mit einem RL ohne Zusatzwissen. Ziel ist ein RL, das schneller lernt und wirksamere Entscheidungen trifft.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Yannick Utz, M.Sc.
E-Mail: utz@mfk.fau.de
Bachelorarbeit
für Studiengang (MB/MT/WING/IP/ME/AI/ACES/CE)
Stichworte:
Graphdatenbank, neo4j, Integrationsplattform
Beschreibung:
Über den Produktionsanlauf hinweg unterliegen sowohl Produkt- als auch Prozess- und Qualitätsinformationen einem kontinuierlichen Erkenntniszuwachs, wodurch sich Annahmen zu Toleranz- und Prozessparametern fortlaufend ändern. Mithilfe einer Graphdatenbank können die Toleranzwerte dynamisch während der laufenden Produktion angepasst werden. Hierfür wird eine Integrationsplattform zum Import der heterogenen Daten benötigt. Im Rahmen der Arbeit sollen Anforderungen an die Integration einer bestehenden neo4j-Graphdatenbank analysiert werden. Darauf aufbauend werden unterschiedliche Integrationsplattformen recherchiert, beschrieben und anhand definierter Kriterien verglichen. Ziel ist die systematische Analyse und Bewertung geeigneter Integrationsplattformen zur automatisierten, skalierbaren und echtzeitfähigen Anbindung großer Datenmengen an eine Graphdatenbank. Die Arbeit liefert eine fundierte Entscheidungsgrundlage zur Auswahl von Integrationsplattformen für neo4j und zeigt deren Eignung für skalierbare und automatisierte Datenflüsse für die dynamische Toleranzallokation
Beginn der Arbeit: ab sofort
Ansprechpartner:
Madeleine Helmer, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23224
E-Mail: helmer@mfk.fau.de
Masterarbeit
für Studiengang (MB/WING/MECH)
Stichworte:
Wissensmanagement; Ontologie; Large Language Model (LLM); implizites Wissen
Beschreibung:
Der Einsatz von Large Language Modellen (LLMs) gewinnt in der Produktentwicklung zunehmend an Bedeutung, beispielsweise in der Konzeptentwicklung. Eine große Herausforderung stellt dabei die Rückführung von manuellen Anpassungen der KI-generierten Inhalte dar. Hierfür können Ontologien, die Nutzerwissen enthalten, mit LLMs verbunden werden. Ziel dieser Masterarbeit ist daher die Entwicklung eines methodischen Vorgehens zur Erfassung und Rückführung manueller Anpassungen in eine Ontologie. Dadurch lässt sich der Einsatz von Prompt Engineering Pipelines perspektivisch automatisch an die Nutzergewohnheiten anpassen. Die Arbeit umfasst daher die Nutzung bzw. Anpassung bestehender Prompt Engineering Pipelines zur Erstellung von SysML v2 Use Case Diagrammen aus Customer Journeys, sowie die Erfassung impliziten Wissens aus Nutzerfeedback und deren Überführung in eine Ontologie zur Wissensintegration. Die Ergebnisse sollen kritisch diskutiert und eine Handlungsempfehlung abgegeben werden.
Beginn der Arbeit: ab Oktober 2025
Ansprechpartner:
M.Sc. Jessica Pickel, M.Sc. Simon Schleifer
E-Mail: pickel@mfk.fau.de; schleifer@mfk.fau.de
Masterarbeit
AI / CE / MB / ME / ACES / MED
Stichworte:
Maschinelles Lernen für FE-Simulationen, Ähnlichkeitsmetriken, Out-of-Distribution-Tests
Beschreibung:
Immer mehr Produktentwickler:innen nutzen Finite-Elemente-Simulationen, um Bauteile und Strukturen schon früh im Entwicklungsprozess zu bewerten. Das Problem: Nicht immer sind die Ergebnisse ausreichend abgesichert – Fehlentscheidungen können die Folge sein. Um Fehlentscheidungen auf Basis nicht validierter Ergebnisse zu vermeiden, entsteht im Rahmen eines Forschungsprojekts ein Deep-Learning-basiertes Assistenzsystem zur automatischen Plausibilitätsprüfung solcher Simulationen. Hierzu wurden bereits auf Convolutional Neural Networks (CNNs) basierende Ansätze entwickelt – deren Grenzen und Generalisierbarkeit sind bisher jedoch wenig erforscht. In dieser Arbeit setzt du daher den Grundstein für die Weiterentwicklung der bestehenden Ansätze. Zunächst entwickelst du ein quantifizierbares Ähnlichkeitsmaß, das lineare FE-Simulationen hinsichtlich Struktur, Randbedingungen und Ergebnisfeldern vergleichbar macht. Auf dieser Basis stellst Du einen Out-of-Distribution-Datensatz zusammen, der gezielt neue, im bisherigen Trainingsdatensatz nicht enthaltene Simulationen abbildet (Semantic Shift, Covariance Shift u. a.). So entsteht ein Benchmark, um die Übertragbarkeit der CNN-Modelle kritisch zu prüfen. Abschließend zeigst Du exemplarisch, wie das Ähnlichkeitsmaß zur Auswahl geeigneter Trainings- und Testfälle genutzt werden kann und leitest Empfehlungen zur künftigen Datensatzpflege ab.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Aron Roos, M.Sc.
E-Mail: roos@mfk.fau.de
Projektarbeit/Masterarbeit
für Studiengang (MB/MT/WING/ME)
Stichworte:
Neo4j, Python, Toleranzallokation, Graphdatenbank, Entscheidungsfindung
Beschreibung:
Im Produktionsanlauf treten häufig Toleranzabweichungen auf, deren Ursachen in komplexen Wechselwirkungen zwischen Produkt- und Prozessparametern liegen. Die Auswahl geeigneter Gegenmaßnahmen erfolgt dabei oft erfahrungsbasiert und wenig systematisch. Ziel dieser Arbeit ist somit die Entwicklung eines graphbasierten Entscheidungsmodells in Neo4j, um Handlungsempfehlungen für die dynamische Toleranzallokation im Produktionsanlauf systematisch abzuleiten. Dafür ist die Identifikation optimaler Maßnahmen bei Toleranzabweichungen unter Berücksichtigung von Einflussgrößen wie Kosten, Zeit, Qualität, usw. notwendig. Hierzu ist eine geeignete Gewichtungs- und Entscheidungslogik zu konzipieren und anhand eines Beispiels zu demonstrieren.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Madeleine Helmer, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23224
E-Mail: helmer@mfk.fau.de