Industrielle Systeme wie Windenergieanlagen, Fertigungsanlagen, Luft- und Raumfahrtstrukturen sowie Energieinfrastrukturen bilden das Rückgrat der modernen Gesellschaft und einer nachhaltigen Entwicklung. Diese komplexen Systeme arbeiten häufig unter rauen und dynamischen Betriebsbedingungen und sind daher anfällig für Degradation und unerwartete Ausfälle. Traditionelle Instandhaltungsstrategien, die auf festen Wartungsintervallen oder rein reaktiven Maßnahmen basieren, erweisen sich zunehmend als unzureichend in Bezug auf Kosten, Anpassungsfähigkeit und Betriebseffizienz. Ziel moderner Prognostics and Health Management (PHM)-Ansätze ist es, Produktivität, Qualität, Verfügbarkeit und Sicherheit über den gesamten Lebenszyklus dieser kritischen Anlagen hinweg sicherzustellen.

Jüngste Fortschritte in der künstlichen Intelligenz (KI), der Multisensor-Datenfusion, der Signalverarbeitung sowie der Digital-Twin-(DT)-Technologie haben einen Paradigmenwechsel im PHM eingeleitet. Datengetriebene und hybride Modellierungsansätze ermöglichen heute eine Echtzeit-Fehlererkennung, die Prognose der verbleibenden Lebensdauer (Remaining Useful Life, RUL) sowie intelligente Instandhaltungsentscheidungen. Rein datengetriebene Methoden weisen jedoch häufig Defizite hinsichtlich physikalischer Konsistenz, Robustheit, Interpretierbarkeit und zuverlässiger Unsicherheitsquantifizierung auf, was ihre Anwendbarkeit insbesondere in sicherheitskritischen industriellen Umgebungen einschränkt. Physikbasierte Modelle hingegen bieten eine hohe Interpretierbarkeit und gute Extrapolationsfähigkeit, stehen jedoch vor Herausforderungen in Bezug auf Skalierbarkeit, Modellkomplexität und Echtzeitfähigkeit.
Ziel meiner Forschung ist es, physikbasierte Modelle und moderne KI-Methoden zu verbinden, um physikintegrierte, unsicherheitsbewusste und erklärbare PHM-Frameworks zu entwickeln, die Robustheit, Interpretierbarkeit und praktische Anwendbarkeit in den Vordergrund stellen. Meine Arbeit konzentriert sich auf Digital-Twin-gestütztes PHM, Physics-Informed Neural Networks (PINN), hybride Modellierung sowie vertrauenswürdige KI, unter Einbindung von Methoden aus der Signalverarbeitung, probabilistischen Modellierung und dem Deep Learning.

1. Studierende des KIT, die Interesse an einer Bachelor- oder Masterarbeit im Bereich PHM haben, sind herzlich eingeladen, mich per E-Mail zu kontaktieren.
2. Industriepartner, die an einer Zusammenarbeit in einem oder mehreren der folgenden Bereiche interessiert sind, sind ebenfalls willkommen:

• Condition Monitoring
• Health Assessment and Anomaly Detection
• Remaining Useful Life (RUL) Prediction
• Data Analytics and Feature Extraction
• Uncertainty-Aware Decision-Making
• Industrial AI and Transfer Learning
• Physics-based Modeling and Digital Twin
• Large Language Model (LLM) and Foundation Model
• Intelligent Manufacturing and Energy System Management