Wir in der Abteilung RD/MDS verantworten die Betriebsfestigkeit des Fahrwerks und unterstützen die Serienfreigabe durch Lastkollektivberechnungen, Belastungsmessungen sowie Festigkeitsanalysen. Eine wichtige Grundlage hierfür sind reale Fahrzeugmessdaten aus Entwicklung und Kundenbetrieb. Da relevante Belastungsgrößen häufig nicht direkt erfasst werden können, kommen sogenannte virtuelle Sensoren zum Einsatz, die Belastungen auf Basis verfügbarer Fahrzeugsignale vorhersagen. Für diesen anspruchsvollen und spannenden Aufgabenbereich suchen wir Dich als Student*in für Masterarbeit Unsicherheitsquantifizierung.

Thema und Problematik

• Virtuelle Sensoren liefern als Regressionsmodelle derzeit überwiegend Punktschätzungen von Belastungen. Die Verlässlichkeit einzelner Vorhersagen bleibt dabei offen
• Im Kundenfahrzeug verändern sich die Betriebsbedingungen beispielsweise durch Anbauteile, andere Räder und Reifen, Fahrwerksänderungen, Verschleiß oder fehlerhafte Eingangssignale wie Signaldrift oder Sensorausfälle. Dadurch gelangen Modelle außerhalb ihres Trainingsbereichs
• Während in der Entwicklung Referenzmessungen zur Verfügung stehen, fehlen diese im Kundenbetrieb. Die Zuverlässigkeit der Vorhersagen muss daher ohne Ground Truth bewertet werden

Diese Herausforderungen kommen u. a. auf Dich zu:

• Einarbeitung in den Stand der Technik zur Unsicherheitsquantifizierung, beispielsweise Conformal Prediction, Quantilregression und Bayes'sche Verfahren, sowie zu Out-of-Distribution-(OOD-) und Drift-Erkennung
• Entwicklung eines modellagnostischen Konzepts, das Vorhersageintervalle mit einer Zuverlässigkeitsbewertung verbindet und auf unterschiedliche Regressionsmodelle anwendbar ist
• Differenzierung zwischen Verfahren, die Referenzdaten benötigen (Entwicklung), und Verfahren, die ohne Labels auskommen (Kundenbetrieb)
• Implementierung und Validierung im bestehenden Python-Framework anhand realer Messdaten und definierter Fahrzeugzustandsänderungen
• Bewertung hinsichtlich Aussagekraft sowie Rechen- und Speicheraufwand im Hinblick auf eine mögliche spätere Embedded-Umsetzung
• Optional: Übertragung der Unsicherheit auf betriebsfestigkeitsrelevante Kenngrößen sowie prototypische Embedded-Implementierung
• Dokumentation und wissenschaftliche Aufbereitung der Ergebnisse

Was Dich erwartet:

• Möglichkeit, an einem zukunftsorientierten und forschungsnahen Thema im Bereich Fahrzeugentwicklung mitzuwirken
• Einblicke in die Betriebsfestigkeit moderner Fahrwerksysteme
• Mitarbeit in einem interdisziplinären und erfahrenen Team
• Betreuung durch Fachexpertinnen und Fachexperten während der gesamten Bearbeitungszeit
• Nutzung realer Messdaten aus der Fahrzeugentwicklung

Die Tätigkeit kann ab Q1 2027 beginnen.

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

• Studiengang im Bereich Ingenieurwissenschaften, Informatik, Physik, (Technische) Mathematik oder ein vergleichbarer Studiengang
• Große Begeisterung für Machine Learning und Data Science sowie idealerweise erste praktische Erfahrungen in diesem Umfeld
• Erfahrung in der Python-Programmierung und Datenanalyse
• Ausgeprägte analytische Fähigkeiten sowie eine kreative und eigenständige Arbeitsweise
• Spaß an wissenschaftlichem Arbeiten
• Teamfähigkeit und Engagement
• Sichere Deutsch- und Englischkenntnisse in Wort und Schrift
• Bonus: Kenntnisse im Bereich Unsicherheitsquantifizierung sowie OOD-, Drift- oder Anomalieerkennung
• Bonus: Kenntnisse im Bereich Fahrwerkstechnik oder Betriebsfestigkeit

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 Du hier.  

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 über myhrservice@mercedes-benz.com oder telefonisch unter 0711/17-99000 (Mo-Fr 10-12 Uhr & 13-15 Uhr).