Werkstudent/in (w/m/d) - Explainable AI for Deep Learning-based Remaining Useful Life Prediction

Das erwartet dich
Zur Vorhersage der Restnutzungsdauer (RUL) von elektromechanischen Flugsteuerungsaktuatoren (EMA) ist es notwendig, mechanische Komponenten, wie die Kugellager zu überwachen, z. B. durch Beschleunigungsmessungen am EMA-Gehäuse. Durch die ständigen Anpassungen der Flugsteuerungsflächen, in Kombination mit übermäßigen Belastungen während des Flugbetriebs, wird das Degradationsverhalten der Kugellager in den überwachten Daten sichtbar. Diese Degradation kann dann mit Hilfe von Deep Learning-basierten Gesundheitsindikatoren als Grundlage für die RUL-Vorhersage modelliert werden. Aufgrund der Black-Box-Eigenschaften von Deep-Learning-Modellen ist die Zuverlässigkeit der Ergebnisse jedoch begrenzt. Die Verbesserung dieser Vertrauenswürdigkeit ist für solche sicherheitskritischen Systeme besonders wichtig. Im Rahmen einer Masterarbeit sollen daher Ansätze zur Erklärbarkeit untersucht werden.

Deine Aufgaben

• Literatur-Recherche zu existierenden Entwicklungsmethoden für deep-learning-basierte Zustandsindikatoren 
• Identifizierung, Vorverarbeitung und Aufbereitung bestehender Datenbanken
• Implementierung von erklärbaren KI-Methoden in Python für Run-to-Failure-Datensätze von rotierenden Kugellagern
• Visualisierung der Ergebnisse
• Charakterisierung des Degradationsverhaltens und der Unsicherheiten des Schätzungsprozesses
  

Das bringst du mit

• aktuelles Masterstudium aus den Bereichen Maschinenbau, Informatik, Sicherheitstechnik oder ähnlichem Studiengang
• gute Programmierkenntnisse in Python
• gute Kenntnisse auf dem Gebiet der künstlichen Intelligenz
• gute Kenntnisse auf dem Gebiet der mechatronischen Systeme und deren dynamisches Verhalten
• sehr gute englische Sprachkenntnisse