Masterarbeit: Erweiterung einer Machine Learning Methodik zur Vorhersage der Schadensursache von Wälzlagern in WEA-Getrieben durch Acitve Learning

Der Chair for Wind Power Drives erforscht das Verhalten von Antriebssystemen in modernen Multimegawatt-Windenergieanlagen. Forschungsziele sind die Steigerung der Verfügbarkeit, der Robustheit und der Energieeffizienz der Windenergieanlagen (WEA) sowie die Senkung der Stromgestehungskosten. Hierzu werden Software-Entwicklungswerkzeuge und moderne Systemprüfstände im Verbund eingesetzt.

Die Reduktion der schadensbedingten Stillstandzeiten ist eine Möglichkeit zur Senkung der Stromgestehungskosten. Die längsten Stillstandzeiten resultieren aus Getriebeschäden, die häufig auf Lagerschäden zurückzuführen sind. Im Forschungsprojekt „WEA-RiWa“ wird das Planetenträgerlager hinsichtlich Schäden aufgrund von Ringwandern untersucht. Ringwandern ist die Bewegung eines Wälzlagerrings relativ zum Gehäuse (oder alternativ zur Welle) und wird wesentlich durch die Deformationen 𝑈 des Lagersitzes sowie Wälzkörperkräfte 𝐹𝑊𝐾 beeinflusst.
Die Berechnung der Ringwanderauslöser (𝑈,𝐹𝑊𝐾) erfolgt anhand einer Simulations-Toolchain auf Basis der Finite Elemente Methode (FEM). Die Performance der rechenintensiven Toolchain soll durch Machine Learning verbessert werden.
Ziel der Arbeit ist eine verbesserte Performance der Toolchain bei vergleichbarer Ergebnisgüte durch eine methodische Minimierung der Anzahl an Simulationen zur Erzeugung der Trainingsdaten durch Active Learning.

Aufgaben:

• Einarbeitung in eine bestehende FEM-Simulations-Toolchain eines WEA-Getriebes
• Identifizierung geeigneter Machine Learning (ML) Modelle für Small Data Anwendungen (z.B. Gaussian Process Regression)
• Anwendung ausgewählter ML-Modelle auf Simulationsdaten und Implementierung in die Toolchain
• Evaluierung der implementierten Modelle bei Reduktion der Trainingsdaten
• Implementierung eines Active Learning Ansatzes zur Minimierung der Trainingsdaten

Voraussetzung:

• Motivation zu selbstständigem und eigenverantwortlichem Arbeiten
• Bereitschaft sich eigenständig in neue Themengebiete einzuarbeiten
• Vorkenntnisse im Bereich FEM (Abaqus) und/oder Programmierung (Python/Matlab) vorteilhaft

Wir bieten:

• Angenehmes Arbeitsklima und intensive Betreuung
• Flexible Arbeitszeiten und Möglichkeit zum Arbeiten im Homeoffice
• Kontakt zur Industrie und Zusammenarbeit mit anderen Forschungsstätten
• Möglichkeit zur anschließenden Tätigkeit am Institut als Wissenschaftlicher Mitarbeiter

Auf deine aussagekräftige Bewerbung per E-Mail freut sich:

Pascal Bußkamp, M. Sc.
Chair for Wind Power Drives

Campus-Boulevard 61, 52074 Aachen
pascal.busskamp@cwd.rwth-aachen.de