Direkt zum Inhalt springen
login.png Login join.png Register    |
de | en
MyTUM-Portal
Technical University of Munich

Technical University of Munich

Sitemap > Bulletin Board > Diplomarbeiten, Bachelor- und Masterarbeiten > Abschlussarbeit/Forschungspraxis/Hauptseminar: Maschinelles Lernen zur Parameteridentifikation und Diagnose elektrischer Maschinen
up   Back to  News Board    previous   Browse in News  next    

Abschlussarbeit/Forschungspraxis/Hauptseminar: Maschinelles Lernen zur Parameteridentifikation und Diagnose elektrischer Maschinen

10.09.2021, Diplomarbeiten, Bachelor- und Masterarbeiten

Der elektrische Antrieb als Alternative zum konventionellen Verbrennungsmotor wird in zukünftigen Automobilen eine zentrale Rolle einnehmen. Eine zentrale Herausforderung bei der Entwicklung ist der Entwurf eines effizienten Regelungskonzepts zur bestmöglichen Ausnutzung der Komponenten. Maßgeblich dafür ist die Kenntnis über das transiente Verhalten der Systemparameter. Dieses kann sowohl online also während des Betriebs, als auch offline auf dem Prüfstand ermittelt werden. Vorteilhaft an der Online-Parameteridentifikation ist die zusätzliche Berücksichtigung von produktionsbedingten Parameterunterschieden und Alterungseffekten. Des Weiteren werden die Systemparameter durch Störeinflüsse aufgrund von sich aufbauenden Defekten beeinflusst.

Die Parameteränderungen während des Betriebs werden mit Hilfe verschiedener Methoden des maschinellen Lernens identifiziert. Eine verlässliche Online-Parameteridentifikation ermöglicht die Erkennung von Fehlern, da ungewolltes Systemverhalten oft eine Verletzung physikalischer Parametergrenzen zur Folge hat. Die so gewonnenen Informationen sollen zur Entwicklung eines parameterbasierten Diagnosekonzepts genutzt werden.

Als übergeordnetes Ziel wird demnach die Entwicklung eines Diagnosekonzepts für elektrische Antriebe zur Detektion von Fehlverhalten, sowie Prädiktion von drohendem Systemausfall durch alternde oder defekte Komponenten formuliert. Dies dient in erster Linie der Sicherheit des Fahrers. Zusätzlich können durch Fehlerprädiktion Stillstände aufgrund von Defekten am Fahrzeug und somit hohe Folgekosten vermieden werden.

Die Betreuung an der TUM übernimmt Prof. Endisch über den Lehrstuhl EAL in Zusammenarbeit mit der Forschungsgruppe Elektromobilität und lernfähige Systeme und dem Kooperationspartner Audi AG. Es besteht grundsätzlich die Möglichkeit mehrere wissenschaftlichen Arbeiten zu kombinieren.

Erforderliche Qualifikationen
- Hochschulstudium mit sehr guten Leistungen und Schwerpunkt Elektro- und Informationstechnik, Elektromobilität, Informatik, Mechatronik oder einer verwandten Fachrichtung
- Solide Kenntnisse im Umgang mit MATLAB
- Ausgeprägte logische Analysefähigkeit und Arbeitssystematik
- Eigeninitiative, Leistungsbereitschaft und hohe Motivation
- Sie arbeiten gerne im Team und sind kommunikativ

Kontakt: Prof. Dr.-Ing. Christian Endisch – els.eal@ei.tum.de