Stellenangebot: Student*in für Masterarbeit Unsicherheitsquantifizierung und Zuverlässigkeitsbewertung... bei Mercedes-Benz Group AG

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: Sindelfingen
Startdatum: 11.01.2027
Veröffentlichungsdatum: 11.01.2027
Stellennummer: MER0004ACI
Arbeitszeit: Teljes munkaidő

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 wissenschaftliche Aufbereitung der Ergebnisse

Die Tätigkeit kann ab Q1 2027 beginnen.

Die endgültige Themenfindung erfolgt in Absprache mit der Hochschule, Dir und uns.

Qualifikationen

• Studiengang im Bereich Ingenieurwissenschaften, Informatik, Physik, (Technische) Mathematik oder ein vergleichbarer Studiengang

große Begeisterung und idealerweise erste Erfahrungen im Bereich Machine Learning /
Data Science

Erfahrung in der Python-Programmierung für die Datenanalyse

ausgeprägte und kreative Problemlösekompetenz sowie Eigenständigkeit

Spaß an wissenschaftlicher Arbeit

Bonus: Kenntnisse in Unsicherheitsquantifizierung oder OOD-, Drift-, Anomalie-
Erkennung

Bonus: Kenntnisse im Bereich Fahrwerkstechnik oder Betriebsfestigkeit

Wir empfehlen und bieten ein bezahltes Praktikum (1-3 Monate) vor der Abschlussarbeit an, um sicherzustellen, dass ausreichend Zeit für das Aufsetzen sowie die Einarbeitung in die Softwareumgebungen vorhanden ist. Starttermin und Dauer sind erste Vorschläge und können bei Bedarf flexibel angepasst werden

Zusätzliche Informationen:

Wir freuen uns auf Deine Online-Bewerbung mit Lebenslauf, Zeugnissen, aktueller Immatrikulationsbescheinigung mit Angabe des Fachsemesters und Nachweis über die Regelstudienzeit. Ein Anschreiben ist optional. Bitte vergiss nicht im Online-Formular Deine Dokumente als "relevant für diese Bewerbung" zu markieren und beachte die maximale Dateigröße von 5 MB.

Weiterführende Informationen zu den Einstellkriterien findest Duhier .

Schwerbehinderte und gleichgestellte Bewerbende sind herzlich willkommen! Die Schwerbehindertenvertretung (sbv-sindelfingen@mercedes-benz.com) unterstützt Dich gerne im Bewerbungsprozess.

People Solutions hilft Dir bei Fragen zum Bewerbungsprozess gerne weiter. Du erreichst uns per E-Mail übermyhrservice@mercedes-benz.comoder telefonisch unter 0711/17-99000 (Mo-Fr 10-12 Uhr & 13-15 Uhr).

Benefits

• Barriere­frei­heit
• Kantine, Café
• Kinder­betreuung
• Coaching
• Betriebs­arzt
• Mobilitäts­angebote
• Mit­arbeiter Events
• Mit­arbeiter­rabatte möglich
• Mit­arbeiter­beteili­gung möglich
• Mit­arbeiter­handy möglich
• Essens­zulagen
• Gesund­heits­maß­nahmen
• Hybrides Arbeiten möglich
• Betrieb­liche Alters­ver­sorgung
• Park­platz
• Gute An­bindung
• Flexible Arbeits­zeit möglich

Kontakt

Ruben Schwiedernoch
Email: ruben.schwiedernoch@mercedes-benz.com

Bela-Barenyi-Str Tor 14
71063 Sindelfingen