Untersuchung von Methoden des maschinellen Lernens zur Verbesserung mathematischer Modelle von handgeführten Elektromaschinen

Masterthesis

Am Fachgebiet Systemzuverlässigkeit, Adaptronik und Maschinenakustik SAM werden Methoden erforscht, um die Zuverlässigkeit komplexer Systeme des Maschinenbaus zu bewerten und die Unsicherheit zu beherrschen. Ziel ist u. a. die Quantifizierung von Unsicherheit und Verbesserung der Vorhersage-genauigkeit von Modellen strukturdynamischer Systeme zur erweiterten Bewertung der Produktperformanz und -zuverlässigkeit. Aufgrund verkürzter Entwicklungszyklen und vermehrt individualisierter Produkteigenschaften findet eine Verlagerung zu einem deutlich modellbasierten Entwicklungsprozess statt. Gleichzeitig entstehen so erhöhte Anforderungen an die Vorhersagegenauigkeit mathematischer Modelle. Neben den nominellen Produkteigenschaften, müssen vor allem die Schwankungen (Unsicherheit) in den Produkteigenschaften vom Modell abgebildet werden. Erst so können Ingenieure valide Aussagen über die Produktzuverlässigkeit treffen.

Handgeführte Elektromaschinen stellen besondere Anforderungen an Performanz, Sicherheit und Zuverlässigkeit sowie an das Benutzererlebnis. Diese Aspekte lassen sich unter anderem geeignet durch die experimentelle und mathematische Analyse und Bewertung des strukturdynamischen Verhaltens der Maschinen untersuchen. In diesem Kontext erscheinen Methoden des maschinellen Lernens vielversprechend, um bestehende Physik-getriebene Modellierungsansätze (whitebox) hin zu Daten- und Physik-getriebenen Modellierungsansätzen (greybox) für die Zuverlässigkeitsbewertung zu ergänzen. Zur Analyse und Bewertung solcher Daten- und Physik-getriebenen Modellierungsansätze am Beispiel von handgeführten Elektromaschinen ergeben sich im Rahmen der ausgeschriebenen Master-Thesis vielfältige Möglichkeiten für experimentelle und simulative Aufgaben.