Ausgangslage:
Die digitale Transformation der Produktion verspricht, die Produktivität im Inland zu steigern und neue Geschäftspotentiale zu erschließen. Das Revolutionäre an Industrie 4.0 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 des Maschinellen Lernens (ML), einem Teilgebiet der Künstlichen Intelligenz (KI), nutzbringend ausgewertet und daraus neues Wissen generiert werden. Mit zunehmender Rechen- und Speicherleistung durch Cloud Computing aber auch in lokalen Edge-Geräten lassen sich komplexe Algorithmen, etwa Verfahren des Deep Learnings, zur Prozess- und Qualitätsverbesserung im Produktionsumfeld einzusetzen.
Wenngleich das Potential von ML offensichtlich scheint, tun sich Unternehmen des produzierenden Unternehmens nach wie vor schwer, wirtschaftlich sinnvolle Anwendungsfälle zu erschließen. Viele Branchen weisen einen historisch gewachsenen, heterogenen Maschinenpark auf, woraus sich Limitationen hinsichtlich Datenquantität und -qualität ergeben. Angesichts der Vielzahl an potentiellen Use Cases, Algorithmen und Tools ist ferner eine intensive Zusammenarbeit verschiedener Fachdisziplinen, angefangen beim Prozessexperten bis hin zum Data Scientist, erforderlich.
Bisher befassen sich nur wenige wissenschaftliche Arbeiten mit der systematischen Erschließung von KI-Potentialen in der Produktion. Im Rahmen eines aktuellen, industrienahen Forschungsprojekts soll daher untersucht werden, wie sich die Nutzenpotentiale von KI systematisch identifizieren, bewerten und erschließen lassen. Als Anwendungsbeispiel fungiert dabei die elektrische Antriebstechnik, die im Zuge der E-Mobilität immer mehr an Bedeutung gewinnt und damit großes Potential für datengetriebene Optimierungen birgt.
Aufgabenstellung:
Im Rahmen dessen leiten sich verschiedene Aufgabenstellungen für Bachelor-/Projekt- und Masterarbeiten ab. Eine beispielhafte Aufgabenstellung wäre wie folgt:
- Einarbeitung in die relevanten Grundlagen von KI, insb. ML
- Strukturierte Aufbereitung prinzipieller KI/ML-Anwendungsfälle in der Produktion (z.B. Predictive Maintenance, Predictive Quality, Machine Vision)
- Vergleich bestehender Vorgehensweisen, Methoden und Hilfsmittel zur systematischen Identifikation, Bewertung und Auswahl von Use Cases im Bereich von Industrie 4.0, Data Analytics, Data Mining, KI/ML (z.B. CRISP-DM, Machine Learning Canvas)
- Ableiten eines möglichst ganzheitlichen, methodischen Ansatzes zur Erschließung von KI-Potentialen im Produktionsumfeld unter Berücksichtigung sowohl technischer als auch wirtschaftlicher Gesichtspunkte
- Validierung des Ansatzes anhand eines ausgewählten Fallbeispiels aus der elektrischen Antriebstechnik
Beginn, Umfang und genaue Schwerpunktsetzung erfolgen nach Absprache und persönlichem Interesse. Nähere Informationen gerne auf Anfrage via Webkonferenz.
Hinweise und Bewerbung:
- Forschung im Trendthema Industrie 4.0, KI und ML
- Begeisterung für IT-nahe Themen vorausgesetzt, zielgerichtete Einarbeitung anhand von Vorarbeiten und Online-Kursen möglich
- Bearbeitung aus dem Homeoffice; regelmäßige Absprachen via Webkonferenz
- Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht an andreas.mayr@faps.fau.de
Beispielhaftes Hilfsmittel zur Spezifikation von ML-Use-Cases: Machine Learning Canvas
Weiterführende Literatur:
- Mayr, A., D. Kißkalt, M. Meiners, B. Lutz, F. Schäfer, R. Seidel, A. Selmaier, J. Fuchs, M. Metzner, A. Blank und J. Franke. Machine Learning in Production – Potentials, Challenges and Exemplary Applications [online]. Procedia CIRP, 2019, 86, 49-54. ISSN 22128271. Verfügbar unter: https://doi.org/10.1016/j.procir.2020.01.035