Während Ihrer Abschlussarbeit vertiefen Sie sich in physikbasierte Modelle elektrischer Antriebe sowie in unsere Python-Komponentenbibliothek und sichten gleichzeitig die aktuelle Literatur zur robusten Systemidentifikation und zur Versuchsplanung (Design of Experiments). Darüber hinaus entwickeln Sie innovative Robustheitsdiagnostiken für unsere bestehende Identifikations-Pipeline – unter Berücksichtigung der Parameteridentifizierbarkeit, Sensitivität und des Konvergenzverhaltens – und implementieren sowie quantifizieren geeignete Gegenmaßnahmen. Zusätzlich analysieren Sie den Anregungsgehalt vorhandener Datensätze, bewerten relevante Kriterien und verknüpfen diese Erkenntnisse mit der erreichbaren Identifikationsqualität. Sie evaluieren den von Ihnen entwickelten Ansatz umfassend anhand eines praxisnahen Benchmark-Anwendungsfalls. Zudem dokumentieren und präsentieren Sie Ihre Forschungsergebnisse klar und verständlich. Abschließend erweitern Sie den Ansatz, um teilweise beobachtbare Effekte zu adressieren, die aus Zuständen resultieren, die nicht direkt messbar sind, wie beispielsweise Temperaturen.

• Ausbildung: Masterstudium im Bereich Kybernetik, Ingenieurwissenschaften, Mathematik, Informatik oder vergleichbar
• Erfahrung und Kenntnisse: Grundkenntnisse in dynamischen Systemen und Differentialgleichungen; sehr gute Kenntnisse in der Python-Programmierung; Verständnis der Physik elektrischer Maschinen; optional: Erfahrung mit MATLAB/Simulink zur Interaktion mit bestehenden Simulationsmodellen; optional: Kenntnisse in Machine Learning sowie in Frameworks für automatische Differenzierung (JAX oder PyTorch)
• Persönlichkeit und Arbeitsweise: Sie arbeiten eigenständig und systematisch an komplexen Fragestellungen und verfügen über ausgeprägte analytische Fähigkeiten, sodass Sie Probleme präzise erfassen und lösen können
• Arbeitsmodus: Anwesenheit im Büro erforderlich
• Sprachen: sehr gute Englischkenntnisse