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

Herzlich willkommen am Institut für Flugsystemtechnik. Im Zentrum unserer Arbeit steht das Zusammenspiel von Flugzeugkonfiguration, Pilotinnen und Piloten und moderner Flugsystem-Technologie. Von der Flugdynamik bis zu unbemannten Luftfahrzeugen, von der Simulation bis zum realen Flugversuch – wir analysieren, testen und entwickeln Innovationen, die das Fliegen der Zukunft prägen.

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

Wir freuen uns darauf, dich kennenzulernen!

Fragen zu dieser Position (Kennziffer 2397) beantwortet dir gerne :

Lauri Bodenröder

Tel. : 0531 295-1446