Promotion – State of Health (SoH) von Elektronik

Über die Position

Du entwickelst ein KI‑basiertes SoH‑Konzept, das die verbleibende Nutzungsdauer von Elektronik präzise abschätzt und als Grundlage für nachhaltige Produktentscheidungen dient. Du analysierst und bewertest selbstständig Grundlagen sowie Methoden und führst gezielte Tests zur Identifikation und Auswertung von Fehlerbildern durch.

Hauptaufgaben

• Entwicklung eines KI‑basierten SoH‑Konzepts zur Abschätzung der Nutzungsdauer von Elektronik.
• Erarbeitung einer Produktentscheidungsmatrix unter Berücksichtigung von Wirtschaftlichkeit und Design bis zur Anwendungsreife.
• Bewertung des SoH‑Konzepts mittels hybrider Modellierung und Nachweis der Wirksamkeit.
• Anwendung des Konzepts auf ein Fokusprodukt und Integration von Inspektionsdaten (SPI, AOI, AXI), 0‑km‑Ausfalldaten, Zuverlässigkeitsdaten sowie Feldbelastungen.
• Selbstständige Analyse und Bewertung von Grundlagen und Methoden sowie Durchführung gezielter Tests zur Identifikation von Fehlerbildern.
• Enge Zusammenarbeit mit dem AVT‑Team, Betreuern bei CR/APT3 und kooperierender Universität zum Wissenstransfer.
• Veröffentlichung der Forschungsergebnisse in referierten Fachjournalen und Präsentation auf internationalen Tagungen.

Anforderungsprofil

• Sehr guter Masterabschluss in Mikrosystemtechnik, Mikroelektronik oder vergleichbarem Studiengang.
• Praktische Erfahrungen im Bereich der datenbasierten Modellierung (z. B. hybride Modellierung, Predictive Maintenance, Anomalieerkennung).
• Programmierkenntnisse in Python und relevanten Bibliotheken (z. B. PyTorch).
• Expertise im Bereich der Zuverlässigkeit von Elektronik (Lebensdauer, Ausfallmechanismen, Prüfung/Testing).
• Starkes Interesse an technischer Nachhaltigkeit und Verlängerung der Produktlebensdauer.
• Ausgeprägte analytische und kommunikative Fähigkeiten sowie hohe wissenschaftliche Neugier.

Erforderliche Kenntnisse

• Sehr gutes Deutsch und Englisch in Wort und Schrift.
• Kennnisse in hybrider Modellierung und datenbasierter Analyse.
• Erfahrung mit Inspektionsdaten aus der Produktion (SPI, AOI, AXI) und Ausfalldaten.
• Verständnis von Wirtschaftlichkeits‑ und Designkriterien für Produktentscheidungen.