Masterthesis, Advanced Design Project (ADP)

Angesichts der zunehmende Nutzung unbemannter Flugsysteme wird am FSR an geeigneten Sicherheitskonzepten für deren Betrieb geforscht. Eine äußerst relevante Komponente stellen dafür elektrisch kommutierte Synchronmotoren, sogenannte BLDC (Brushless Direct Current) Motoren, dar. Aufgrund ihrer kompakten Bauweise und geringen Zahl an Verschleißteilen, eignen diese sich hervorragend für die Anwendung in unbemannten Luftfahrzeugen. Die Überwachung des Gesundheitszustands von BLDC Motoren ist daher von hohem Interesse. Zu diesem Zweck wurde am FSR bereits ein Simulationsmodell zur Abbildung von Degradationseffekten im Betrieb von BLDC Motoren aufgebaut.

Ziel dieser Arbeit ist es, die Diagnose des Gesundheitszustands von BLDC Motoren mithilfe von Machine Learning Methoden vorzunehmen. Dazu sollen geeignete Methoden identifiziert und deren Leistungsfähigkeit untersucht werden. Zum Trainieren und Testen der entwickelten Algorithmen sollen variierende Simulationsdaten erzeugt werden. Auch reale Messdaten aus Prüfstandsversuchen stehen als Referenz zur Verfügung.

Inhalt der Arbeit:

  • Recherche zum Thema Diagnose mit maschinellem Lernen und zum Degradationsverhalten von BLDC Motoren
  • Erweiterung des BLDC-Simulationsmodells zur Erzeugung von Trainings- und Testdaten
  • Identifikation und Implementierung geeigneter Machine Learning Methoden zur Diagnose des BLDC Gesundheitszustands
  • Evaluation der untersuchten Methoden
  • Diskussion, Dokumentation und Präsentation der Ergebnisse

Organisatorisches:

Ab sofort zu vergeben