e-Learning Support
Projektplenum: 01-M07-FP-2625 Optimierung eines Transfermodells zur Überwindung von Datenlücken - Details

Projektplenum: 01-M07-FP-2625 Optimierung eines Transfermodells zur Überwindung von Datenlücken - Details

Sie sind nicht in Stud.IP angemeldet.

Allgemeine Informationen

Veranstaltungsname Projektplenum: 01-M07-FP-2625 Optimierung eines Transfermodells zur Überwindung von Datenlücken
Untertitel
Veranstaltungsnummer 01-M07-FP-2625
Semester WiSe 2026/2027 - SoSe 2027
Aktuelle Anzahl der Teilnehmenden 0
erwartete Teilnehmendenanzahl 2
Heimat-Einrichtung M.Sc. Systems Engineering
Veranstaltungstyp Projektplenum in der Kategorie Lehre
Art/Form Forschungsprojekt
Englischsprachige Veranstaltung Nein
ECTS-Punkte 12

Räume und Zeiten

Kommentar/Beschreibung

Anmeldung im Stud.IP bis: 26.10.2026
Projektauftakt am: 02.11.2026
Ansprechperson: Julia Scholtyssek (julia.scholtyssek@uni-bremen.de)

Die Nutzung von Schadensüberwachungssystemen in rauschbehafteten, realen Anwendungsumgebungen, wie beispielsweise bei mobilen Maschinen, steht vor der Herausforderung der Datenknappheit. Aufgrund hoher Betriebskosten, Störungen und der begrenzten Verfügbarkeit von Testfahrzeugen ist die Datenerfassung von Schäden in realen Anwendungen sehr begrenzt. Wenn nicht nur begrenzte Datenmengen verfügbar sind, sondern ganze Schadenskategorien fehlen, führt dies zu Einschränkungen bei der Entwicklung und Implementierung von Schadensüberwachungssystemen in realen Anwendungen. Eine Lösung wäre die Verwendung von Daten aus Prüfstandversuchen für die Schadenserkennung in realen Anwendungen. Zwar wird in der Literatur häufig die Datenerweiterung zur Vergrößerung von Datensätzen eingesetzt, doch kann sie das Problem fehlender Klassen nicht lösen. Ein möglicher Ansatz wäre daher die Entwicklung eines Datentransfermodells.
Im Rahmen der Projektarbeit sollen bereits entwickelte Ansätze für ein Transfermodell auf Basis von neuronalen Netzen optimiert werden. Zudem können eigenständig weitere Ansätze ausgearbeitet und implementiert werden.
Die Datengrundlage bilden Schwingungssignale von Getrieben, die zur Entwicklung eines Schadensüberwachungsmodells verwendet werden.
Grundkenntnisse in Python und über neuronale Netze sind vorteilhaft.

Anmeldemodus

Die Auswahl der Teilnehmenden wird nach der Eintragung manuell vorgenommen.

Nutzer/-innen, die sich für diese Veranstaltung eintragen möchten, erhalten nähere Hinweise und können sich dann noch gegen eine Teilnahme entscheiden.