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!
Studentische Arbeit
für Studiengang (MB/ME/WING)
Stichworte:
Fahrradantriebsstrang; Freilauf; Prüfstand; Normen; Lastkollektiv; Prüfkonzept, E-Bike
Beschreibung:
Freiläufe im Fahrrad- und E-Bike-Antriebsstrang sind komplexen, stark variierenden Belastungen ausgesetzt, die maßgeblich durch den Menschen bestimmt werden. Dazu zählen dynamische Drehmomentverläufe, Lastspitzen und wechselnde Betriebszustände. Für die gezielte Weiterentwicklung und Validierung ist ein anwendungsnahes Prüfkonzept erforderlich. Ziel der Arbeit ist die Entwicklung eines solchen Prüfkonzepts zur realitätsnahen Abbildung der Belastungen. Hierzu werden Normen, Prüfverfahren und Prüfstandsaufbauten recherchiert und bestehende Testdesigns bewertet, um Forschungslücken zu identifizieren und einen geeigneten Belastungstest für Freiläufe abzuleiten. Die Ergebnisse werden in ein strukturiertes Prüfkonzept überführt und hinsichtlich der Umsetzbarkeit auf einem vorhandenen Prüfstand bewertet. Dabei werden die Möglichkeiten von Hardware und Software analysiert, um realistische Prüfabläufe zu definieren. Das Konzept dient als Grundlage für die spätere Validierung von Freilaufparametern. Interesse an praktischen Fragestellungen und Fahrradanwendungen ist wünschenswert.
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
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
Projektarbeit/Masterarbeit
MB/CE/MT/WING/ME/IP/ACES
Stichworte:
Machine Learning, Uncertainty Quantification, 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 Ersatzmodelle genutzt, um die Auswirkungen der fertigungsbedingten Bauteilabweichungen auf die nicht-geometrischen Zielgrößen zeiteffizienter beurteilen zu können. Eine Möglichkeit dafür stellen Multi-Fidelity Polynomial Chaos Expansions (PCE) dar. Diese ermöglichen die Berücksichtigung von Finite Elemente Modellen unterschiedlicher Komplexität und somit unterschiedlichen Berechnungsdauern. Damit stellt sich die Frage, ob es eine optimale Konfiguration aus Berechnungsdauer und Ergebnisgenauigkeit gibt. Für die Lösung der Forschungsfrage ist eine Simulationskette zur Durchführung von Toleranzanalysen mit nicht-geometrischen Zielgrößen zu entwickeln, die den Multi-Fidelity PCE Ansatz nutzt. Für den implementierten Ansatz ist anhand eines Demonstrators ein Optimum aus Berechnungszeit und Ergebnisgenauigkeit zu ermitteln und ein Vergleich zu einem Metamodell-basierten Ansatz durchzuführen. Vorkenntnisse im Bereich Machine Learning und Programmierung sind wünschenswert für die Bearbeitung.
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
Projektarbeit/Masterarbeit
für Studiengang (MB/MT/WING/IP/ME)
Stichworte:
Empirische Studie, Wälzlager, Maschinelles Lernen
Beschreibung:
Wälzlager sind Maschinenelemente, die in unserem täglichen Leben eine Bewegung von Bauteilen ermöglichen und Reibung auf ein Minimum reduzieren. Um diese Maschinenelemente effizienter auszulegen kann maschinelles Lernen (ML) im Rahmen der Simulation eingesetzt werden. Im Rahmen der Arbeit soll mittels einer initialen Literaturrecherche der Einsatz von maschinellem Lernen in der allgemeinen Produktentwicklung der Ingenieurswissenschaften ermittelt werden. Die identifizierten Ergebnisse sollen dann anhand einer Nutzerstudie im Kontext der Wälzlagerauslegung überprüft, analysiert und gegebenenfalls erweitert werden. Anhand der Nutzerstudie wird der aktuelle Nutzen identifiziert und Potenziale für ML-Verfahren herausgearbeitet. Abschließend werden Ergebnisse statistisch ausgewertet, validiert und diskutiert.
Beginn der Arbeit: nach Rücksprache
Ansprechpartner:
Felix Pfister, M.Sc.
Martensstraße 9, Raum: 00.020
Telefon: 09131 85-27289
E-Mail: pfister@mfk.fau.de
Bachelorarbeit/Projektarbeit
für Studiengang (MB/WING/MECH)
Stichworte:
Systems Engineering; SysMLv2; Computer Aided Design (CAD)
Beschreibung:
Schon in den frühen Phasen der Produktentwicklung kann es sinnvoll sein, Geometrien wie Bauraum oder Schnittstellen direkt im Systemmodell zu berücksichtigen. So lassen sich mögliche Konflikte zwischen Bauteilen frühzeitig erkennen und vermeiden. Eine zentrale Herausforderung ist dabei die Verbindung zwischen abstrakten Systemmodellen und detaillierten CAD-Designs. Mit SysML v2 eröffnet sich nun neue Potentiale. Geometrien können direkt im Systemmodell beschrieben werden und die API schafft Möglichkeiten für die Integration zwischen SysML und CAD. Ziel dieser studentischen Arbeit ist die Erforschung einer bidirektionalen Schnittstelle zwischen abstrakter SysMLv2-Geometrie und CAD-Tools. Hierzu sollen Anforderungen an eine solche anhand zu definierender Use-Cases analysiert, eine Referenzarchitektur auf Basis eines Vergleichs verschiedener Ansätze konzipiert und ein Demonstrator entwickelt werden. Anhand dessen werden Machbarkeit, Herausforderungen und bestehende Forschungslücken evaluiert und eine Handlungsempfehlung für die SysMLv2-CAD-Integration abgegeben.
Beginn der Arbeit: ab sofort
Ansprechpartner:
M.Sc. Tobias Kirch
Paul-Gordan-Straße 5, Zi.-Nr. 00.028
Telefon: 09131 85-23659
E-Mail: kirch@mfk.fau.de
Studentische Arbeit
für Studiengang Berufspädagogik Technik/MB/MT/IP/ME)
Stichworte:
Maschinenelemente, moderne Lehr- und Lernmethoden
Beschreibung:
Im Rahmen einer Studienarbeit entwickeln Sie ein digitales Lernmodul für die Grundstudiums-vorlesung Maschinenelemente. Die Arbeit umfasst die Einarbeitung in digitale Lehr- und Lernmethoden an der FAU, die Erstellung eines didaktischen Konzepts für ein abgegrenztes Themengebiet sowie die Realisierung und technische Umsetzung des Lernmoduls in StudOn. Ziel ist es, ein innovatives Lernformat zu schaffen, das den Studierenden hilft, die Inhalte nachhaltig zu erfassen. Anforderungen: zuverlässige und systematische Arbeitsweise Interesse an Maschinenelementen und sehr gute Deutschkenntnisse (Niveau C1)
Beginn der Arbeit: ab sofort
Ansprechpartner:
Prof. Dr.-Ing. Katharina Völkel
Martensstraße 9, 91058 Erlangen
E-Mail: voelkel@mfk.fau.de
Masterarbeit
MB / WING / ME / AI / CE / IP / MED
Stichworte:
Machine Learning, Reinforcement Learning in der Produktentwicklung, Intrinsische Belohnungen
Beschreibung:
Mit Reinforcement Learning (RL) können Konstruktionsanpassungen automatisiert werden. Im Fokus dieser Arbeit steht dabei die automatisierte Anpassung des Lagenaufbaus von Faser-Kunststoffverbund-(FKV)-Bauteilen mit RL. Ziel ist es, Konstruktionen so anzupassen, dass sich Bauteileigenschaften wie Spannungen oder Gewicht gezielt verbessern. Eine zentrale Herausforderung dabei ist, dass RL-Verfahren bei komplexen Lagenaufbau-Optimierungen häufig in lokalen Minima stecken bleiben. In der Arbeit sollen daher intrinsische Belohnungen (z. B. Curiosity, Novelty, Ensemble-Disagreement) untersucht werden. Vereinfacht gesagt erhält der RL-Agent eine zusätzliche Belohnung, wenn eine Konstruktionsänderung ihm hilft, besser zu lernen, wie sich Änderungen im Lagenaufbau auf das Bauteilverhalten auswirken. Dazu werden in dieser Arbeit zunächst geeignete Konzepte intrinsischer Belohnungen recherchiert, auf FKV-Konstruktionsanpassungen übertragen und die vielversprechendsten Ansätze umgesetzt. Anschließend werden geeignete Bewertungskriterien (z. B. Lernstabilität, Konvergenzgeschwindigkeit, Ergebnisqualität) definiert und die Ansätze experimentell mit einer RL-Baseline ohne intrinsische Belohnungen verglichen.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Yannick Utz, M.Sc.
E-Mail: utz@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
AI / CE / MB / ME / ACES / MED
Stichworte:
Transfer Learning, Übertragbarkeit, Datengetriebene Modellierung, Parameterstudie
Beschreibung:
Das Sperrverhalten eines Exzentermechanismus wird u. a. durch Geometrie- und Materialparameter beeinflusst. Um den Aufwand bei der Gestaltung und Analyse solcher Mechanismen zu reduzieren, bietet sich der Einsatz datengetriebener Methoden an. Insbesondere Transfer Learning ermöglicht es, Erkenntnisse aus bestehenden Konfigurationen auf neue Varianten zu übertragen und so umfangreiche Datenerhebungen zu vermeiden. Bislang sind die Einsatzgrenzen und Voraussetzung hierfür jedoch nur unzureichend bekannt. Daher soll im Rahmen dieser Arbeit, am Beispiel des Exzentersperrmechanismus, untersucht werden inwiefern sich die Prognose des Systemverhaltens mithilfe von Transfer Learning auf neue Konfigurationen übertragen lässt. Hierzu sollen zunächst auf Basis eines vereinfachten analytischen bzw. simulationsgestützten Modells Datensätze für unterschiedliche Konfigurationen erzeugt und analysiert werden. Darauf aufbauend wird untersucht, inwiefern Transfer-Learning-Ansätze eine übertragbare, zuverlässige Prognose des Systemverhaltens ermöglichen. Hierbei sind der Aufwand für die Generierung neuer Daten sowie die Randbedingungen und Parameter des Transfer Learnings zu berücksichtigen. Schließlich sind die Grenzen der Übertragbarkeit abzuleiten und zu untersuchen, inwiefern die erreichbare Prognosegüte bereits Vorfeld abgeschätzt werden kann.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Dr.-Ing. Stefan Götz
E-Mail: goetz@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:
Yannick Utz, M.Sc.
E-Mail: utz@mfk.fau.de