Studien-, Abschlussarbeiten und Forschungspraktika
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!
Masterarbeit
für Studiengang (MB/WING/MECH)
Stichworte:
Wissensmanagement; Ontologie; Large Language Model (LLM); Konzeptentwicklung
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 für den Einsatz von Prompt Engineering in der Konzeptentwicklung – am Beispiel von Customer Journeys – sowie die Integration einer Ontologie zur Wissensdarstellung und effizienten Verbesserung des Promptings in der Produktentwicklung. Die Arbeit umfasst daher die Erstellung einer Prompt Engineering Lösung zur Konzeptentwicklung, den Aufbau einer Ontologie als Wissensbasis, sowie die Integration beider Bausteine mit geeigneten Methoden, so dass Informationen aus der Ontologie das Prompting anreichern. Die Ergebnisse sind kritisch zu diskutieren und in eine Handlungsempfehlung zu überführen.
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
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
für Studiengang (MB/WING/MECH)
Stichworte:
Wissensmanagement; Ontologie; Large Language Model (LLM); Bilderkennung; Wiederverwendung
Beschreibung:
Ontologien spielen in der Produktentwicklung eine zentrale Rolle, da sie Wissen strukturiert darstellen, verknüpfen und wiederverwendbar machen. Ihre Entwicklung ist jedoch aufwendig und erfordert Expertenwissen. Gleichzeitig haben Large Language Models (LLMs) in den letzten Jahren, etwa durch Fortschritte wie ChatGPT, gezeigt, dass sie komplexe Wissensstrukturen erkennen und generieren können. Vor diesem Hintergrund eröffnet sich die Möglichkeit, LLMs gezielt einzusetzen, um die Erstellung von Ontologien zu unterstützen. Ziel dieser Masterarbeit ist daher die Entwicklung eines methodischen Vorgehens, das konzeptionelle Wissensgraphen automatisiert in eine formale Ontologie im OWL-Format überführt. Hierbei sollen LLMs und Bilderkennung genutzt werden, um aus zweidimensionalen Wissensgraphen Klassen, Relationen und Strukturen zu identifizieren. Untersucht wird, inwieweit Wissensgraphen von einer strikten ontologischen Struktur abweichen dürfen, ohne dass der Informationsgehalt verloren geht. Die Arbeit umfasst die Recherche zu LLMs, Bilderkennung und Wissensmanagement, die Entwicklung eines Workflows, die Implementierung der Extraktion in die Ontologie sowie die Prüfung der Ontologie auf Vollständigkeit und Korrektheit. Abschließend ist eine Handlungsempfehlung zur effizienten Nutzung solcher Methoden zu formulieren. Diese Arbeit trägt dazu bei, die Anwendbarkeit von Ontologien in der Produktentwicklung zu verbessern und die Schnittstelle zwischen menschlich konzipierten Wissensstrukturen und automatisierter Ontologieerstellung zu untersuchen.
Beginn der Arbeit: ab sofort
Ansprechpartner:
M. Sc. Jessica Pickel, M. Sc. Simon Schleifer
E-Mail: pickel@mfk.fau.de; schleifer@mfk.fau.de
Bachelorarbeit
für Studiengang MB/ME/WING
Stichworte:
Mechatronische Systeme; Produktentwicklung; Mehrzieloptimierung; Algorithmen
Beschreibung:
Die zunehmende Komplexität technischer Produkte sowie stetig wachsende Anforderungen an beispielsweise Funktionalität und Wirtschaftlichkeit führen dazu, dass der systematische Optimierungsprozess in der Produktentwicklung eine immer zentralere Rolle einnimmt. In diesem Zusammenhang wird verstärkt auf die Mehrzieloptimierung zurückgegriffen, bei denen mehrere – häufig in Zielkonflikt stehende – Kriterien simultan analysiert und in den Lösungsfindungsprozess integriert werden. Die Lösung solcher Probleme erfordert dabei den Einsatz leistungsfähiger Optimierungsalgorithmen, die in der Lage sind, komplexe Suchräume effizient zu analysieren. Im Rahmen dieser Arbeit soll eine systematische Untersuchung, Klassifikation und vergleichende Analyse bestehender Optimierungsalgorithmen erfolgen, mit besonderem Fokus auf deren Nutzungskriterien.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Marc Behringer, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.028
Telefon: 09131 85-23659
E-Mail: behringer@mfk.fau.de
Masterarbeit
MB / WING / ME
Stichworte:
Mechanische Fügeverfahren, Machine Learning
Beschreibung:
Im Kontext der virtuellen Auslegung mechanischer Fügeverbindungen ist die Verfügbarkeit belastbarer und vielfältiger Eingabedaten entscheidend. Ziel dieser Arbeit ist die Entwicklung und Evaluierung eines Deep-Learning-basierten Generators, der aus wenigen realen oder invers identifizierten Prozessparametern realitätsnahe virtuelle Stichproben erzeugt. Ein zentraler Fokus liegt dabei auf der Integration physikalischer oder statistischer Nebenbedingungen um trotz begrenztem Trainingsdatensatz plausible Eingabeverteilungen zu generieren. Die erzeugten virtuellen Daten werden sowohl statistisch als auch anhand von FE-Simulationen validiert. Die Arbeit bietet damit einen innovativen Ansatz, um Datenlücken zu schließen und die Prognosefähigkeit bestehender Modelle zu erhöhen.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Jonathan-Markus Einwag, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23224
E-Mail: einwag@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
Masterarbeit
MB / ME / CE / ACES / MED
Stichworte:
Querpressverband, Literaturrecherche, Abweichungen, Simulation
Beschreibung:
Pressverbindungen werden im Maschinenbau u. a. bei Welle-Nabe-Systemen sowie der Montage von Wälz- und Gleitlagern eingesetzt. Ihr Verformungs- und Spannungsverhalten wird maßgeblich von realen Fügeflächengeometrien bestimmt. Konventionelle Auslegungsverfahren betrachten idealisierte Geometrien und erfordern dadurch enge Fertigungstoleranzen. Numerisch exakte Finite-Elemente-Analysen können diese Abweichungen zwar abbilden, sind jedoch für statistische Toleranzanalysen zu rechenintensiv. Im Rahmen eines Forschungsprojekts sollen daher zeiteffiziente Simulationsmethoden für Querpressverbindungen mit fertigungsbedingten Geometrieabweichungen entwickelt werden. Deine Masterarbeit bildet den ersten Meilenstein: Zunächst identifizierst Du in der Literatur relevanten Einflussfaktoren (z. B. Wellenlänge der Abweichungen, Formabweichung, Rauheit) und bewertest geeignete mathematische bzw. stochastische Repräsentationen (etwa FourierModelle, stochastische Felder, Splines) hinsichtlich Genauigkeit und Rechenaufwand. Auf Basis dieser Analyse leitest Du Empfehlungen ab, welche Repräsentationen sich für eine nachfolgende Simulation im Rahmen des Projekts eignen.
Beginn der Arbeit: ab sofort
Ansprechpartner:
Stephan Freitag M.Sc.
E-Mail: freitag@mfk.fau.de
Bachelorarbeit/Projektarbeit/Masterarbeit
für Studiengang MB/MT/WING/IP/ME/CE
Stichworte:
Digital Engineering, Simulation, Metamodelle, Versuchsplanung, Produktentwicklungsprozess
Beschreibung:
Die effiziente Auslegung optimierter Produkte (Design for X) ist für die Wettbewerbsfähigkeit eines Unternehmens unerlässlich. Hierfür werden in frühen Phasen des Produktentwicklungsprozesses Simulationstools herangezogen, um Produkte für eine oder mehrere Zielgrößen, wie zum Beispiel Reibung und Geräusch, zu optimieren. Um Wettbewerbsvorteile zu wahren, wird die Auslegung häufig als Dienstleistung angeboten, da die Tools implizites Wissen enthalten und daher nicht ausgeliefert werden. Ziel der Arbeit ist die Entwicklung eines Vorgehens, um Metamodelle für die gezielte Optimierung von Produkten und Systemen schnell zu erstellen und dem Kunden gemäß seiner Anforderungsliste zur Verfügung zu stellen. Somit kann der Kunde ohne Simulationstools Feinjustierungen innerhalb des Metamodells vornehmen.
Beginn der Arbeit: nach Rücksprache
Ansprechpartner:
Felix Pfister, M.Sc.
Martensstraße 9, 91058, Raum 00.020
Telefon: 09131 85-27289
E-Mail: pfister@mfk.fau.de
Projektarbeit/Masterarbeit
für Studiengang MB/MT/WING/IP/ME/CE
Stichworte:
Wälzlager, Simulation, Toleranzen, Messtechnik, Programmierung
Beschreibung:
Zur Erfüllung der Trag- und Führungsfunktion müssen Wälzlager präzise gefertigt werden und unterliegen dabei engen Toleranzen. Die Aufweitung von Toleranzen resultiert in einem Kostenvorteil, jedoch besteht das Risiko einer Verschlechterung der Lagereigenschaften, wie z. B. Reibung oder Geräusch. Um diesen Zusammenhang unter Zuhilfenahme von Simulationen zu untersuchen, sind Modelle abweichungsbehafteter Wälzlager zu erstellen. Ziel der Arbeit ist die Erstellung von Modellen für abweichungsbehaftete Wälzlager, die real gefertigte Lager beschreiben. In Vorarbeiten sollen verschiedene Messdaten in CAE-geeignete Geometrien zurückgeführt werden. Anschließend werden die Modelle verallgemeinert, damit deren mathematische Beschreibung möglichst genau die gemessenen Wälzlager repräsentiert. Am Ende der Arbeit werden die Modelle verglichen und Ergebnisse diskutiert, um Handlungsempfehlungen zur Entwicklung eines Assistenzsystems abzugeben.
Beginn der Arbeit: nach Rücksprache
Ansprechpartner:
Felix Pfister, M.Sc.
Martensstraße 9, 91058, Raum 00.020
E-Mail: pfister@mfk.fau.de
Masterarbeit
MB/WING/IP/ME/ACES
Erforschung der Potentiale der Aufbereitung von Daten über Implicit Neural Representations
Stichworte:
Maschinelles Lernen, Implicit Neural Networks, Geometrische Repräsentation
Beschreibung:
Die effiziente und generalisierbare Repräsentation geometrischer Daten ist eine zentrale Herausforderung in der modernen Datenverarbeitung. Klassische Methoden wie Voxel, Meshes und Punktewolken stoßen bei der Repräsentation komplexer 3D-Geometrien aufgrund des hohen Speicherbedarfs und Rechenaufwands an ihre Grenzen. Im Vergleich hierzu bieten Implicit Neural Representations (INRs) einen innovativen Ansatz, um diese Limitierungen zu überwinden.
Im Rahmen dieser Arbeit sollen die Potentiale von INRs zur Repräsentation von komplexen Geometrien untersucht und ein INR-Netzwerk exemplarisch umgesetzt werden. Dabei stehen unter anderem neben dem Speicherbedarf auch die Generalisierbarkeit und Genauigkeit der Repräsentation im Vordergrund. Zudem soll die Möglichkeit des Einsatzes von INRs anstelle von konventionellen Repräsentationsmethoden als Eingabe in einer Deep-Learning-Pipeline untersucht werden.
Beginn der Arbeit:
nach Rücksprache
Ansprechpartner:
Yannick Utz, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 0.028
Telefon: 09131 85-23658
E-Mail: utz@mfk.fau.de
Masterarbeit
MB/MT/WING/IP/ME/ACES
Untersuchung neuraler Repräsentationen für effiziente und adaptive Topologieoptimierung
Stichworte:
Topologieoptimierung; Maschinelles Lernen; Leichtbau
Beschreibung:
Wie lassen sich Strukturen optimieren, die sowohl Material sparen als auch mechanischen Belastungen standhalten? Die klassische Topologieoptimierung bietet dafür bewährte Ansätze, wie das SIMP-Verfahren, die jedoch oft zeitaufwendig und rechnerisch intensiv sind. Neuronale Netzwerke eröffnen hier neue Möglichkeiten: Sie können durch ihre netzfreie Darstellung nicht nur Rechenzeiten verkürzen, sondern auch Lösungen für unterschiedlichste Designbedingungen generalisieren.
In dieser Arbeit entwickelst und analysierst du ein neuronales Modell für die Topologieoptimierung, das auf der Idee der impliziten Repräsentationen basiert. Du untersuchst, wie gut das Modell optimale Materialverteilungen unter verschiedenen Lastfällen und Materialbudgets vorhersagen kann. Zudem vergleichst du die Ergebnisse mit traditionellen Optimierungsansätzen wie SIMP, sowohl hinsichtlich der Genauigkeit als auch der Effizienz.
Am Ende soll ein trainiertes Modell stehen, das nicht nur flexibel auf verschiedene Randbedingungen reagiert, sondern auch Einblicke in die Vor- und Nachteile neuronaler Methoden in der Strukturmechanik liefert. Die Arbeit kombiniert so aktuelle Entwicklungen aus der künstlichen Intelligenz mit einem praxisrelevanten Ingenieurproblem.
Beginn der Arbeit:
nach Rücksprache
Ansprechpartner:
Marc Gadinger, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.030
Telefon: 09131 85-23215
E-Mail: gadinger@mfk.fau.de