Anwendung von Wavelet Transformation und Machine Learning zur quantitativen Bestimmung von Bauteildefekten mittels Infra-rot-Thermografie

Das Leibniz-Institut für Verbundwerkstoffe GmbH (IVW) ist eine der weltweit führenden Einrichtungen auf dem Gebiet der Verbundwerkstoffe. Wir erforschen die gesamte Wertschöpfungskette von den wissenschaftlichen Grundlagen bis zum Bauteil. Zum nächstmöglichen Termin schreiben wir folgende studentische Arbeit aus:

Studien-/Bachelor-/Master/Diplomarbeit für eine Arbeit mit dem Titel:

Anwendung von Wavelet Transformation und Machine Learning zur quantitativen Bestimmung von Bauteildefekten mittels Infrarot-Thermografie

Infrarot Thermografie (IRT) ist eine wichtige bildgebende, zerstörungsfreie Prüfmethode für Verbundwerkstoffbauteile. Mit Hilfe einer Blitzlampe wird die Oberfläche des Prüflings erwärmt, durch die absorbierte Energie entsteht ein Wärmefluss im Material, der von der von der Materialstruktur und von vorhandenen Defekten beeinflusst wird. Durch die Aufzeichnung der Oberflächentemperatur mit einer Infrarotmkamera erhält man einen Datensatz mit der Zeit-Temperatur Information, der mit verschiedenen etablierten Methoden, z. B. der Pulse Phase Thermografie (PPT), Principle component thermography (PCT), Thermographic signal reconstruction (TSR) ausgewertet werden kann, um die Defektbereiche zu identifizieren. Im Rahmen dieser Arbeit soll die Anwendung der Wavelet Transformation (WT) für die quantitative Auswertung von IRT Daten untersucht werden, mit dem Ziel das Signal-zu-Rausch Verhältnis (SNR) zu optimieren und die Daten für eine weitere Auswertung mit Methoden des Machine Learning vorzubereiten

Inhalte der Arbeit:

• Umfangreiche Recherche zum Stand der Technik
• Auswahl eines geeigneten Probebauteils
• Planung und Durchführung von IRT-Versuchen 
• Auswertung der Daten in der Programmierumgebung Python und dem Machine Learning Framework KERAS

Ihr Profil:

• Studium eines technischen Diplom-/ Master- oder Bachelorstudiengangs (z.B. Maschinenbau, Physik, Elektrotechnik etc.)
• Interesse an experimenteller und analytischen Arbeit mit hohem Praxisbezug
• Selbstständige Arbeitsweise und hohe Eigenmotivation