KI-basierte Rekonstruktion von Sensordaten im Kontext der Produktion und des Betriebes von elektrischen Motoren

Kontext:

Für die Transformation zu einer CO2-neutralen Gesellschaft spielt die Elektrifizierung von Antriebssystemen eine entscheidende Rolle - im Zentrum stehen dabei elektrische Motoren (E-Motoren). Ihre Zustandsüberwachung und -prüfung entlang des Produktions- und Lebenszyklus erfolgt jedoch häufig uneinheitlich, da die verfügbare Sensorik meist nicht durchgängig integriert ist. Die daraus resultierenden nur partiellen Messdaten induzieren folglich Unsicherheit in komplexen Anwendungsbereichen wie Betriebsverhaltenssimulationen oder dem End-of-Line-Testing.

Mittels KI-Methoden lassen sich fehlende Sensordaten durch das Abbilden komplexer Abhängigkeiten zwischen physikalischen Messgrößen rekonstruieren. Auf Basis historischer, vollständiger Messdaten und bekannter physikalischer Eigenschaften des E-Motors lassen sich dazu KI-Modelle trainieren, die fehlende Werte aus den vorhandenen Messgrößen ableiten. Dadurch wird eine Generalisierbarkeit unter variierenden Betriebsbedingungen erreicht, die sich für eine robuste Systemüberwachung sowie die Vorhersage komplexer Motoreigenschaften einsetzen lässt.

Die Arbeit erfolgt in Kooperation mit der weg//weiser GmbH, einem Technologie-Start-up, das fortgeschrittene Prüf- und Analysedienstleistungen für E-Motoren anbietet und diese durch die Integration von KI gezielt erweitern möchte. Im Rahmen der Zusammenarbeit besteht die Möglichkeit, die entwickelte Lösung praxisnah an einem realen Prüfstand unter industrienahen Bedingungen zu optimieren und zu evaluieren.

Ziele:

• Literaturrecherche zum aktuellen Stand der Technik im Bereich Sensordatenrekonstruktion
• Konzeption und Implementierung eines ML-basierten Modelles zur Sensordatenrekonstruktion bzw. Vorhersage von Eigenschaften von E-Motoren
• Entwicklung und Training des Modells anhand von historischen Daten und ggf. Simulationsdaten
• Vergleich und (ggf. praxisnahe) Evaluation der entwickelten Methode

Voraussetzungen:

• Eigenständige und lösungsorientierte Arbeitsweise
• Programmierkenntnisse in Python, idealerweise mit Erfahrung in ML-Bibliotheken (z. B. PyTorch)
• Kenntnisse im Bereich Machine Learning/Deep Learning
• Gute Deutsch- und Englischkenntnisse in Wort und Schrift
• Idealerweise Kenntnisse zur grundlegenden Funktionsweise von E-Motoren