Studien-/Abschlussarbeit - Physics-Informed ML in der Batteriezellfertigung (Wickelprozess)

• IT/OT Data-Mapping: Synchronisierung hochfrequenter SPS-Sensordaten einer realen Wickelanlage mit optischen Profilometriedaten zur Schaffung einer validen Ground-Truth für geometrische Zelldefekte • Modellentwicklung (PINN): Formulierung von Differenzialgleichungen der Bahnmechanik und Integration als physikalischer Regularisierungsterm in die Loss-Funktion eines neuronalen Netzes • Modellentwicklung (GINN): Nutzung von Geometry-Informed Neural Networks zur Abbildung geometrischer Zusammenhänge und zum Erlernen von Beziehungen zwischen Rezeptparametern und produzierten Produkten • Entwicklung eines echtzeitfähigen, kombinierten Surrogat-Modells des Wickelprozesses als Basis für modellprädiktive Anlagensteuerung

• Gültige Immatrikulation in Masterstudium an deutscher Hochschule in Data Science, Kybernetik, Informatik, Automatisierungstechnik, Maschinenbau oder vergleichbar • Sehr gute Programmierkenntnisse in Python und fundierte Erfahrung mit Deep-Learning-Frameworks (PyTorch, TensorFlow oder JAX) • Solides physikalisches Grundverständnis (Mechanik, Differenzialgleichungen) und idealerweise erste Erfahrung mit Scientific Machine Learning oder Graphennetzen • Hands-on-Mentalität, Eigeninitiative und Motivation zur Arbeit mit realen, verrauschten Produktionsdaten

Studien-/Abschlussarbeit - Physics-Informed ML in der Batteriezellfertigung (Wickelprozess)Studien-/Abschlussarbeit - Physics-Informed ML in der Batteriezellfertigung (Wickelprozess)StuttgartIPA - Produktionstechnik und Automatisierung