Student*in für Masterarbeit Unsicherheitsquantifizierung und Zuverlässigkeitsbewertung virtueller KI-Sensoren Fahrwerk

Tätigkeitsbereich:Forschung & Entwicklung incl. Design Fachabteilung:Lastkollektive Messung, Data Analytics, BF Federung/Dämpfung Gesellschaft:Mercedes-Benz AG Standort:Mercedes-Benz Werk Sindelfingen, Sindelfingen Startdatum:11.01.2027 Veröffentlichungsdatum:10.11.2026 Stellennummer:MER0004ACI Arbeitszeit:Vollzeit Aufgaben Die Abteilung RD/MDS ist verantwortlich für die Betriebsfestigkeit des Fahrwerks und führt u. a. den entsprechenden Nachweis zur Serienfreigabe durch. Entlang der Entwicklungsphase bis hin zur Serienfreigabe erstellen wir für das Gesamtfahrzeug Lastkollektivberechnungen und messungen. Außerdem führen wir Festigkeitsberechnungen und -prüfungen sowie Verschraubungsauslegungen und experimentelle Analysen für das Fahrwerk durch. Wesentliche Grundlage für diese Aufgaben sind Belastungsmessungen in Entwicklungsfahrzeugen sowie die Kenntnis der zu erwartenden Belastungen in den weltweit im Einsatz befindlichen Kundenfahrzeugen. Die relevanten Belastungsgrößen können meist nicht direkt durch vorhandene Sensoren erfasst werden. Daher kommt in Entwicklungsfahrzeugen aufwendige Messtechnik zum Einsatz, um z. B. Bauteilkräfte oder Antriebsmomente zu messen. An nicht zugänglichen Stellen oder für Fahrzeuge ohne spezielle Messtechnik müssen die relevanten Größen hingegen abgeschätzt werden. Hierfür werden sogenannte virtuelle Sensoren verwendet, die auf Basis vorhandener Signale die Belastungen vorhersagen. Thema und Problematik: * Virtuelle Sensoren liefern als Regressionsmodelle heute nur eine Punktschätzung der Belastung. Wie verlässlich die einzelne Vorhersage ist, bleibt offen. * Im Kundenfahrzeug verändern sich die Betriebsbedingungen, zum Beispiel durch Anbauteile, andere Räder und Reifen, Fahrwerksänderungen, Verschleiß oder fehlerhafte Eingangssignale (Signaldrift, Sensorausfall, ...). Das Modell gerät dadurch außerhalb seines Trainingsbereichs. * In der Entwicklung stehen Referenzmessungen zur Verfügung, im Kundenbetrieb dagegen nicht. Die Zuverlässigkeit muss dort also ohne Ground Truth bewertet werden. Aufgaben und Ziele: * Einarbeitung in den Stand der Technik zu Unsicherheitsquantifizierung (z. B. Conformal Prediction, Quantilregression, Bayes'sche Verfahren) sowie zu Out-of-Distribution- (OOD-) und Drift-Erkennung * Entwicklung eines modellagnostischen Konzepts, das Vorhersageintervalle mit einer Zuverlässigkeitsbewertung verbindet und auf beliebige Regressionsmodelle anwendbar ist * Differenzierung zwischen Verfahren, die Referenzdaten benötigen (Entwicklung), und Verfahren, die ohne Label auskommen (Kundenbetrieb) * Implementierung und Validierung im bestehenden Python-Framework anhand realerMessdaten und definierter Fahrzeugzustandsänderungen * Bewertung hinsichtlich Aussagekraft, Rechen- und Speicheraufwand im Hinblick auf eine spätere Embedded-Umsetzung * optional: Übertragung der Unsicherheit auf betriebsfestigkeitsrelevante Kenngrößen sowie prototypische Embedded-Implementierung * Dokumentation und