Studien-, Abschlussarbeiten und Forschungspraktika

Masterarbeit

AI / CE / MB / ME / ACES / MED

Stichworte:

Transfer Learning, Übertragbarkeit, Datengetriebene Modellierung, Parameterstudie

Beschreibung:

Das Sperrverhalten eines Exzentermechanismus wird u. a. durch Geometrie- und Materialparameter beeinflusst. Um den Aufwand bei der Gestaltung und Analyse solcher Mechanismen zu reduzieren, bietet sich der Einsatz datengetriebener Methoden an. Insbesondere Transfer Learning ermöglicht es, Erkenntnisse aus bestehenden Konfigurationen auf neue Varianten zu übertragen und so umfangreiche Datenerhebungen zu vermeiden. Bislang sind die Einsatzgrenzen und Voraussetzung hierfür jedoch nur unzureichend bekannt. Daher soll im Rahmen dieser Arbeit, am Beispiel des Exzentersperrmechanismus, untersucht werden inwiefern sich die Prognose des Systemverhaltens mithilfe von Transfer Learning auf neue Konfigurationen übertragen lässt. Hierzu sollen zunächst auf Basis eines vereinfachten analytischen bzw. simulationsgestützten Modells Datensätze für unterschiedliche Konfigurationen erzeugt und analysiert werden. Darauf aufbauend wird untersucht, inwiefern Transfer-Learning-Ansätze eine übertragbare, zuverlässige Prognose des Systemverhaltens ermöglichen. Hierbei sind der Aufwand für die Generierung neuer Daten sowie die Randbedingungen und Parameter des Transfer Learnings zu berücksichtigen. Schließlich sind die Grenzen der Übertragbarkeit abzuleiten und zu untersuchen, inwiefern die erreichbare Prognosegüte bereits Vorfeld abgeschätzt werden kann.

Beginn der Arbeit: ab sofort

Ansprechpartner:

Dr.-Ing. Stefan Götz
E-Mail: goetz@mfk.fau.de

Bachelorarbeit/Projektarbeit/Masterarbeit

für Studiengang MB/MT/WING/IP/ME/CE

Stichworte:

Modellierung, Simulation, Versuchsplanung, Wälzlager, Geräuschsimulation

Beschreibung:

Die effiziente Auslegung anforderungsgerechter Produkte ist für die Wettbewerbsfähigkeit von Unternehmen unerlässlich. Hierfür werden bei der Produktentwicklung von Wälzlagern Simulationstools herangezogen, um diese für Zielgrößen, wie zum Beispiel Geräusch, zu optimieren. Bei der Geräuschoptimierung von Wälzlagern besteht die Fragestellung, wie sich Abweichungen der Profile in axialer Richtung im Verhältnis zu Abweichungen in Umfangsrichtung auf die Schwingungen eines Wälzlagers auswirken. Ziel der Arbeit ist die systematische Erarbeitung des Stands der Technik und eine anschließende Untersuchung des Einflusses von nicht idealen Laufbahnprofilen auf das Geräuschverhalten von Wälzlagern durch quasistatische Geräuschsimulationen.

Beginn der Arbeit: nach Rücksprache

Bei Interesse mit Bitte um Zusendung von Notenübersicht, Lebenslauf und Motivation an:

Ansprechpartner:

Felix Pfister, M.Sc.
Martensstraße 9, 91058, Raum 00.020
Telefon: 09131 85-27289
E-Mail: pfister@mfk.fau.de

Projektarbeit/Masterarbeit

für Studiengang MB/MT/WING/IP/ME/CE

Stichworte:

Methodenentwicklung, Tribologie, Geräuschsimulation, Wälzlager

Beschreibung:

Die effiziente Auslegung anforderungsgerechter Produkte ist für die Wettbewerbsfähigkeit von Unternehmen unerlässlich. Hierfür werden bei der Produktentwicklung von Wälzlagern Simulationstools herangezogen, um diese für Zielgrößen, wie zum Beispiel Geräusch, zu optimieren. Bei der Geräuschoptimierung von Wälzlagern besteht die Fragestellung, in welchen Anwendungsgrenzen die quasistatische Geräuschsimulation verwendet werden kann, beziehungsweise ab welchen Grenzen dynamische Simulationen unverzichtbar sind. Ziel der Arbeit ist zunächst die systematische Aufarbeitung des aktuellen Stands der Technik zu Geräuschsimulationen, Normen und Richtlinien von Wälzlagern. Darauf aufbauend wird eine Methode entwickelt, die auf Grundlage physikalischer Wirkzusammenhänge im Wälzlager definiert, unter welchen Bedingungen welche Simulationsmethode (z. B. quasistatisch oder dynamisch) geeignet ist, um das Geräuschverhalten von Wälzlagern zeiteffizient zu ermitteln.

Beginn der Arbeit: nach Rücksprache

Bei Interesse mit Bitte um Zusendung von Notenübersicht, Lebenslauf und Motivation an:

Ansprechpartner:

Felix Pfister, M.Sc.
Martensstraße 9, 91058, Raum 00.020
Telefon: 09131 85-27289
E-Mail: pfister@mfk.fau.de

Studentische Arbeit

für Studiengang MB/MT/IP/ME/ACES/Comput. Engineering)

Stichworte:

CFD-Simulation, Effizienz, Strömungsverluste, Wälzlager, Maschinenelemente

Beschreibung:

Die Effizienzoptimierung von Wälzlagern ist ein zentrales Thema bei der Energiewende, da diese Maschinenelemente in nahezu jedem rotierenden System zu finden sind. In Anbetracht der globalen Herausforderung, Energie effizient zu nutzen und den Ressourcenverbrauch zu minimieren, ist das Verständnis der Strömungszustände in Wälzlagern entscheidend. Mithilfe von Computational Fluid Dynamics (CFD)-Simulationen können die Strömungsverluste analysiert und optimiert werden. In dieser Studienarbeit werden Sie ein CFD-Simulationsmodell zur Strömungssimulation von Wälzlagern aufbauen. Ziel ist es, durch eine systematische Literaturrecherche und eine Einarbeitung in die CFD-Software ein präzises Modell zu erstellen und dieses durch Verifikation und Validierung mit Testdatensätzen zu überprüfen. Anforderungen: zuverlässige Arbeitsweise Erfahrungen in der Simulation, idealerweise in der CFD-Simulation sehr gute Deutsch- oder Englischkenntnisse

Beginn der Arbeit: ab sofort

Ansprechpartner:

Prof. Dr.-Ing. Katharina Völkel
Martensstraße 9, 91058 Erlangen
E-Mail: voelkel@mfk.fau.de

Masterarbeit

für Studiengang (MB/WING/MECH)

Stichworte:

Wissensmanagement; Ontologie; Large Language Model (LLM); Konzeptentwicklung

Beschreibung:

Der Einsatz von Large Language Modellen (LLMs) gewinnt in der Produktentwicklung zunehmend an Bedeutung, beispielsweise in der Konzeptentwicklung. Eine große Herausforderung stellt dabei die Rückführung von manuellen Anpassungen der KI-generierten Inhalte dar. Hierfür können Ontologien, die Nutzerwissen enthalten, mit LLMs verbunden werden. Ziel dieser Masterarbeit ist daher die Entwicklung eines methodischen Vorgehens für den Einsatz von Prompt Engineering in der Konzeptentwicklung – am Beispiel von Customer Journeys – sowie die Integration einer Ontologie zur Wissensdarstellung und effizienten Verbesserung des Promptings in der Produktentwicklung. Die Arbeit umfasst daher die Erstellung einer Prompt Engineering Lösung zur Konzeptentwicklung, den Aufbau einer Ontologie als Wissensbasis, sowie die Integration beider Bausteine mit geeigneten Methoden, so dass Informationen aus der Ontologie das Prompting anreichern. Die Ergebnisse sind kritisch zu diskutieren und in eine Handlungsempfehlung zu überführen.

Beginn der Arbeit: ab Oktober 2025

Ansprechpartner:

M.Sc. Jessica Pickel, M.Sc. Simon Schleifer
E-Mail: pickel@mfk.fau.de; schleifer@mfk.fau.de

Masterarbeit

für Studiengang (MB/WING/MECH)

Stichworte:

Wissensmanagement; Ontologie; Large Language Model (LLM); implizites Wissen

Beschreibung:

Der Einsatz von Large Language Modellen (LLMs) gewinnt in der Produktentwicklung zunehmend an Bedeutung, beispielsweise in der Konzeptentwicklung. Eine große Herausforderung stellt dabei die Rückführung von manuellen Anpassungen der KI-generierten Inhalte dar. Hierfür können Ontologien, die Nutzerwissen enthalten, mit LLMs verbunden werden. Ziel dieser Masterarbeit ist daher die Entwicklung eines methodischen Vorgehens zur Erfassung und Rückführung manueller Anpassungen in eine Ontologie. Dadurch lässt sich der Einsatz von Prompt Engineering Pipelines perspektivisch automatisch an die Nutzergewohnheiten anpassen. Die Arbeit umfasst daher die Nutzung bzw. Anpassung bestehender Prompt Engineering Pipelines zur Erstellung von SysML v2 Use Case Diagrammen aus Customer Journeys, sowie die Erfassung impliziten Wissens aus Nutzerfeedback und deren Überführung in eine Ontologie zur Wissensintegration. Die Ergebnisse sollen kritisch diskutiert und eine Handlungsempfehlung abgegeben werden.

Beginn der Arbeit: ab Oktober 2025

Ansprechpartner:

M.Sc. Jessica Pickel, M.Sc. Simon Schleifer
E-Mail: pickel@mfk.fau.de; schleifer@mfk.fau.de

Masterarbeit

für Studiengang (MB/WING/MECH)

Stichworte:

Wissensmanagement; Ontologie; Large Language Model (LLM); Bilderkennung; Wiederverwendung

Beschreibung:

Ontologien spielen in der Produktentwicklung eine zentrale Rolle, da sie Wissen strukturiert darstellen, verknüpfen und wiederverwendbar machen. Ihre Entwicklung ist jedoch aufwendig und erfordert Expertenwissen. Gleichzeitig haben Large Language Models (LLMs) in den letzten Jahren, etwa durch Fortschritte wie ChatGPT, gezeigt, dass sie komplexe Wissensstrukturen erkennen und generieren können. Vor diesem Hintergrund eröffnet sich die Möglichkeit, LLMs gezielt einzusetzen, um die Erstellung von Ontologien zu unterstützen. Ziel dieser Masterarbeit ist daher die Entwicklung eines methodischen Vorgehens, das konzeptionelle Wissensgraphen automatisiert in eine formale Ontologie im OWL-Format überführt. Hierbei sollen LLMs und Bilderkennung genutzt werden, um aus zweidimensionalen Wissensgraphen Klassen, Relationen und Strukturen zu identifizieren. Untersucht wird, inwieweit Wissensgraphen von einer strikten ontologischen Struktur abweichen dürfen, ohne dass der Informationsgehalt verloren geht. Die Arbeit umfasst die Recherche zu LLMs, Bilderkennung und Wissensmanagement, die Entwicklung eines Workflows, die Implementierung der Extraktion in die Ontologie sowie die Prüfung der Ontologie auf Vollständigkeit und Korrektheit. Abschließend ist eine Handlungsempfehlung zur effizienten Nutzung solcher Methoden zu formulieren. Diese Arbeit trägt dazu bei, die Anwendbarkeit von Ontologien in der Produktentwicklung zu verbessern und die Schnittstelle zwischen menschlich konzipierten Wissensstrukturen und automatisierter Ontologieerstellung zu untersuchen.

Beginn der Arbeit: ab sofort

Ansprechpartner:

M. Sc. Jessica Pickel, M. Sc. Simon Schleifer
E-Mail: pickel@mfk.fau.de; schleifer@mfk.fau.de

Masterarbeit

MB / WING / ME

Stichworte:

Mechanische Fügeverfahren, Machine Learning

Beschreibung:

Im Kontext der virtuellen Auslegung mechanischer Fügeverbindungen ist die Verfügbarkeit belastbarer und vielfältiger Eingabedaten entscheidend. Ziel dieser Arbeit ist die Entwicklung und Evaluierung eines Deep-Learning-basierten Generators, der aus wenigen realen oder invers identifizierten Prozessparametern realitätsnahe virtuelle Stichproben erzeugt. Ein zentraler Fokus liegt dabei auf der Integration physikalischer oder statistischer Nebenbedingungen um trotz begrenztem Trainingsdatensatz plausible Eingabeverteilungen zu generieren. Die erzeugten virtuellen Daten werden sowohl statistisch als auch anhand von FE-Simulationen validiert. Die Arbeit bietet damit einen innovativen Ansatz, um Datenlücken zu schließen und die Prognosefähigkeit bestehender Modelle zu erhöhen.

Beginn der Arbeit: ab sofort

Ansprechpartner:

Jonathan-Markus Einwag, M.Sc.
Paul-Gordan-Straße 5, Zi.-Nr. 00.033
Telefon: 09131 85-23224
E-Mail: einwag@mfk.fau.de

Masterarbeit

AI / CE / MB / ME / ACES / MED

Stichworte:

Maschinelles Lernen für FE-Simulationen, Ähnlichkeitsmetriken, Out-of-Distribution-Tests

Beschreibung:

Immer mehr Produktentwickler:innen nutzen Finite-Elemente-Simulationen, um Bauteile und Strukturen schon früh im Entwicklungsprozess zu bewerten. Das Problem: Nicht immer sind die Ergebnisse ausreichend abgesichert – Fehlentscheidungen können die Folge sein. Um Fehlentscheidungen auf Basis nicht validierter Ergebnisse zu vermeiden, entsteht im Rahmen eines Forschungsprojekts ein Deep-Learning-basiertes Assistenzsystem zur automatischen Plausibilitätsprüfung solcher Simulationen. Hierzu wurden bereits auf Convolutional Neural Networks (CNNs) basierende Ansätze entwickelt – deren Grenzen und Generalisierbarkeit sind bisher jedoch wenig erforscht. In dieser Arbeit setzt du daher den Grundstein für die Weiterentwicklung der bestehenden Ansätze. Zunächst entwickelst du ein quantifizierbares Ähnlichkeitsmaß, das lineare FE-Simulationen hinsichtlich Struktur, Randbedingungen und Ergebnisfeldern vergleichbar macht. Auf dieser Basis stellst Du einen Out-of-Distribution-Datensatz zusammen, der gezielt neue, im bisherigen Trainingsdatensatz nicht enthaltene Simulationen abbildet (Semantic Shift, Covariance Shift u. a.). So entsteht ein Benchmark, um die Übertragbarkeit der CNN-Modelle kritisch zu prüfen. Abschließend zeigst Du exemplarisch, wie das Ähnlichkeitsmaß zur Auswahl geeigneter Trainings- und Testfälle genutzt werden kann und leitest Empfehlungen zur künftigen Datensatzpflege ab.

Beginn der Arbeit: ab sofort

Ansprechpartner:

Yannick Utz, M.Sc.
E-Mail: utz@mfk.fau.de

Masterarbeit

MB / ME / CE / ACES / MED

Stichworte:

Querpressverband, Literaturrecherche, Abweichungen, Simulation

Beschreibung:

Pressverbindungen werden im Maschinenbau u. a. bei Welle-Nabe-Systemen sowie der Montage von Wälz- und Gleitlagern eingesetzt. Ihr Verformungs- und Spannungsverhalten wird maßgeblich von realen Fügeflächengeometrien bestimmt. Konventionelle Auslegungsverfahren betrachten idealisierte Geometrien und erfordern dadurch enge Fertigungstoleranzen. Numerisch exakte Finite-Elemente-Analysen können diese Abweichungen zwar abbilden, sind jedoch für statistische Toleranzanalysen zu rechenintensiv. Im Rahmen eines Forschungsprojekts sollen daher zeiteffiziente Simulationsmethoden für Querpressverbindungen mit fertigungsbedingten Geometrieabweichungen entwickelt werden. Deine Masterarbeit bildet den ersten Meilenstein: Zunächst identifizierst Du in der Literatur relevanten Einflussfaktoren (z. B. Wellenlänge der Abweichungen, Formabweichung, Rauheit) und bewertest geeignete mathematische bzw. stochastische Repräsentationen (etwa Fourier­Modelle, stochastische Felder, Splines) hinsichtlich Genauigkeit und Rechenaufwand. Auf Basis dieser Analyse leitest Du Empfehlungen ab, welche Repräsentationen sich für eine nachfolgende Simulation im Rahmen des Projekts eignen.

Beginn der Arbeit: ab sofort

Ansprechpartner:

Stephan Freitag M.Sc.
E-Mail: freitag@mfk.fau.de