Ausgangssituation:

Mit dem Einzug des Industrie 4.0-Zeitalters hat die Fertigungsindustrie einen bedeutenden Wandel erlebt. Durch die Integration fortschrittlicher Technologien wie Internet der Dinge (IoT), Big Data und maschinelles Lernen eröffnen sich neue Möglichkeiten, die Produktivität und Qualität in der Fertigung signifikant zu verbessern. Insbesondere der Einsatz von Künstlicher Intelligenz (KI) und maschinellem Lernen ermöglicht es, komplexe Datenmengen zu analysieren und Muster zu erkennen, die für die Fertigungsoptimierung von großer Bedeutung sind. Im Kontext der Fertigung spielen 3D-Modelle eine entscheidende Rolle. Durch die Erstellung von präzisen und detaillierten 3D-Modellen von Fertigungskomponenten können wichtige Informationen gewonnen werden, die eine bessere Analyse und Optimierung der Fertigungsprozesse ermöglichen. Die Verwendung von 3D-Modellen erlaubt es, die Geometrie, Struktur und Eigenschaften der Komponenten zu erfassen und in den Analysen zu berücksichtigen. Dreidimensionales Deep Learning stellt einen vielversprechenden Ansatz dar, um aus diesen 3D-Modellen wertvolle Erkenntnisse zu gewinnen. Durch den Einsatz von neuronalen Netzwerken, die speziell für die Verarbeitung von 3D-Daten entwickelt wurden, können komplexe Zusammenhänge und Muster in den Fertigungskomponenten erkannt werden. Diese Erkenntnisse können zur Fehlererkennung, Qualitätskontrolle, Prozessoptimierung und zur Vorhersage von Fertigungseigenschaften genutzt werden.

Mögliche Aufgabenstellungen:

Im Rahmen des Forschungsprojekts ergeben sich einige mögliche Aufgabenschwerpunkte, welche je aus einer strukturierten Literaturrecherche, Konzeptionierung und Implementierung bestehen. Von folgenden Themen wird lediglich eines im Rahmen einer studentischen Arbeit betrachtet:

• Durch den Einsatz von Graph Neural Networks können komplexe Beziehungen und Abhängigkeiten zwischen den Fertigungskomponenten erkannt und analysiert werden. Diese Netzwerke ermöglichen es, strukturelle Informationen und Eigenschaften der Komponenten zu berücksichtigen, um beispielsweise fehlerhafte Teile zu identifizieren oder Qualitätsverbesserungen vorzuschlagen.
• Diffusion-based Networks nutzen die physikalischen Eigenschaften der Materialien und Komponenten, um Prozesse wie Wärmeleitung, Fluidströmungen oder Verschleiß zu modellieren. Durch die Analyse dieser Prozesse können Optimierungspotenziale aufgedeckt und bessere Entscheidungen für die Fertigung getroffen werden.
• Generative AI: GANs auf Triangle Meshes und Punktewolken bieten die Möglichkeit, realistische 3D-Modelle zu generieren oder vorhandene Modelle an spezifische Anforderungen anzupassen. Dies kann beispielsweise für die individuelle Produktion von Komponenten oder die Erstellung von Prototypen von großer Bedeutung sein.
• Statistische Auswertung des Datensatzes
• Literature Review über den aktuellen Forschungsstand von Deep Learning basierend auf Triangle Meshes und Punktewolken sowie Anwendungsfällen und Innvoationspotenzialen in der Fertigungsindustrie
• Auto-Labeling: Implementierung einer Auto-Labeling Schnittstelle, um den Labeling Prozess von Triangle Meshes in Blender zu unterstützen. Die Downstream-Schnittstelle für Exporte aus Blender ist bereits vorhanden, weshalb lediglich die Upstream-Schnittstelle erforderlich ist.

Der Datensatz für alle Aufgabenstellungen ist bereits vorhanden und kann beliebig erweitert werden. Die Daten liegen als Triangle Mesh vor und können ebenfalls vergleichend als Point Cloud betrachtet werden. Der Zugriff auf ausreichend große Grafikkarten ist gewährleistet. Nähere Informationen sowie Beginn und Umfang der Arbeit können im Rahmen eines persönlichen Gesprächs diskutiert werden. Eine Konkretisierung des Themas erfolgt nach Absprache der persönlichen Interessen. Alle Schwerpunkte können remote bearbeitet werden. Während der Masterarbeit wird mit dem Electrical and Electronic Components Dataset (Scheffler, Benedikt; Bründl, Patrick, 2023) gearbeitet, welcher im Harvard Dataverse frei zugänglich ist.

Hinweise zur Bewerbung:

• Interesse an Machine Learning, Deep Learning, Statistik etc.
• Möglichkeit der Einarbeitung gegeben; hierfür werden nach Absprache über den vorhandenen Wissensstand praxisnahe Online-Kurse und Bücher bereitgestellt
• Erfahrung mit Bibliotheken wie PyTorch, NumPy, Open3D, trimesh, PyG etc. von Vorteil; Einarbeitung im Rahmen der Arbeit möglich
• Hohe Motivation, Neugierde sowie strukturierte Arbeitsweise
• IT-Affinität sowie Erfahrung in mindestens einer Programmiersprache wünschenswert (z.B. Python)
• Deutsch oder Englisch in Wort und Schrift von elementarer Bedeutung
• Bewerbungen mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an benedikt.scheffler@faps.fau.de und patrick.bruendl@faps.fau.de

Weitere interessante Themenstellungen im Bereich Machine Learning Operations und Deep Learning sind hier gelistet. Literaturrecherchen sind zu all diesen Themen ebenfalls nach Absprache möglich.

Kategorien:

Kontakt: