Ausgangslage:
Die digitale Transformation der Produktion verspricht, die Produktivität im Inland zu steigern und neue Geschäftspotentiale zu erschließen. Das Revolutionäre an Industrie 4.0 (I4.0) ist nicht allein die Digitalisierung der Produkte und ihrer Produktion, sondern die Möglichkeit technische Systeme in Echtzeit zu vernetzen. Die dadurch gewonnenen Daten können mit Methoden der Künstlichen Intelligenz (KI) nutzbringend ausgewertet und daraus neues Wissen generiert werden. Speziell in der Elektromotorenproduktion, die sich mit steigenden Qualitätsanforderungen, einer immer größer werdenden Variantenvielfalt sowie einem hohen Kostendruck konfrontiert sieht, versprechen die Erfassung und intelligente Analyse von Prozessdaten einen großen Mehrwert.
Im Zuge eines aktuellen, vom Freistaat geförderten Forschungsprojekts soll daher untersucht werden, welche Potentiale der Einsatz von KI in der Produktion von Elektromotoren birgt. Hierzu stehen seitens des Industriepartners mehrere hochmoderne Produktionslinien zur Verfügung, die bereits zahlreiche Daten entlang der gesamten Prozesskette generieren. Mangels hinreichender Visualisierung ist der Nutzen der Daten bislang jedoch beschränkt. Auch wurde das Potential KI-basierter Auswertungen, etwa zur Detektion von Anomalien, schnelleren Fehler-Ursachen-Analyse sowie Qualitätsprädiktion, noch nicht erschlossen.
Aufgabenstellung:
Aufbauend auf ersten Vorarbeiten sollen im Rahmen dieser Arbeit weitere Möglichkeiten zur Visualisierung und Auswertung der Produktionsdaten eruiert werden. Abhängig vom Umfang der Arbeit (d.h. ob BA, PA oder MA) soll untersucht werden, ob unter Einbezug von KI-Verfahren Anomalien frühzeitig erkannt werden können, der Anwender bei der Fehlerursachen-Analyse unterstützt werden kann und ob eine Aussage über die resultierende Produktqualität möglich ist (Stichwort: Predictive Quality). Eine mögliche Aufgabenstellung gestaltet sich also wie folgt:
- Einarbeitung in Industrial Data Analytics, insb. unter Einsatz von Methoden des Maschinellen Lernens, anhand von gestelltem Material sowie ggf. interaktiven Online-Kursen
- Analyse, Visualisierung und Auswertung von Produktionsdaten in Anlehnung an das Referenzvorgehen CRISP-DM unter Berücksichtigung aktueller Forschungsansätze:
- Ist-Analyse der betrachteten Prozesse bzw. Prozesskette sowie der darin vorhandenen Datenquellen
- Datenaufbereitung und -visualisierung
- Erprobung und Vergleich verschiedener KI-Ansätze, etwa zur Anomalieerkennung, zu automatischen Fehler-Ursachen-Analyse oder Qualitätsprädiktion (unter Verwendung von Python sowie einschlägigen Packages, wie Pandas und scikit-learn)
- Ggf. Einbindung der Visualisierungen und des Outputs der erarbeiteten ML-Modelle in ein im Aufbau befindliches Manufacturing Dashboard (abhängig vom vereinbarten Schwerpunkt der Arbeit)
- Reflexion der Ergebnisse und Ableitung von Handlungsempfehlungen
Nähere Informationen gerne auf Anfrage im persönlichen Gespräch. Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse und Vorkenntnissen.
Hinweise und Bewerbung:
- Forschung an der Schnittstelle zwischen den Trendthemen Künstliche Intelligenz und Elektromotorenproduktion
- Große Datenbasis beim Industriepartner vorhanden; bedarfsgerechte Vor-Ort-Begehung der Produktion möglich
- Zur Auswertung von Daten und Erstellung von KI-Modellen wird ein leistungsfähiger PC mit Remote-Zugriff bereitgestellt
- Zielgerichtete Einarbeitung anhand von Vorarbeiten und interaktiven Online-Kursen möglich
- Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht an andreas.mayr@faps.fau.de
Ansprechpartner: