Studentische Hilfskräfte für den Bereich »Deep Learning in Predictive Maintenance"

Du erarbeitest und entwickelst innovative Ansätze zur Datenanalyse und Deep Learning, um die Betriebszuverlässigkeit und Effizienz verschiedener Energieanlagen zu verbessern. Mögliche Themenbereiche und Aufgaben sind:   Übertragung von Anomalieerkennungsansätzen: Du überträgst bekannte Anomalieerkennungsansätze von Windenergieanlagen (WEAs) auf andere Energiesysteme, wie z.B. Fernwärmesysteme. Ziel ist es, bewährte Modelle zur Fehlerfrüherkennung an die spezifischen Betriebsbedingungen anderer Energiesysteme anzupassen und deren Effektivität anhand von Fehlerdaten zu bewerten.   Untersuchung von Explainable AI-Ansätzen (XAI): Du untersuchst und entwickelst Methoden zur Erhöhung der Transparenz von AI-Modellen, um deren Integration in den Betrieb zu erleichtern. Dies beinhaltet die Adaption, Anwendung und den Vergleich verschiedener XAI-Ansätze, um die Entscheidungsprozesse von AI-Modellen nachvollziehbar zu machen und das Vertrauen in AI-gestützte Systeme zu stärken.   Effiziente Modellierung von Ermüdungslasten an Windenergieanlagen: Du adaptierst Surrogate-Modelle zur Bestimmung von systemspezifischen Ermüdungslasten (Verschleiß) an Windenergieanlagen. Dabei ersetzt du rechenintensive Lastberechnungen mittels komplexer aeroelastischer Modelle durch datengetriebene Modelle, die die physikalischen Rahmenbedingungen respektieren.   Zudem ist es im Zusammenhang mit der studentischen Tätigkeit möglich, eine Bachelor- oder Masterarbeit zu einer Vielzahl an spannenden und anwendungsorientierten Themen im Bereich Predictive Maintenance zu verfassen.