Ausgangslage:
Die Sichtprüfung ist ein wichtiger Bestandteil einer Produktion, um die Qualität von Halbzeugen, Bauteilen, Montagebaugruppen und Enderzeugnissen zu kontrollieren. Während klassische Bildverarbeitungsverfahren bei komplexen Fehlerbilden jedoch schnell an ihre Grenzen stoßen, bergen insb. Methoden des Deep Learnings (DL) großes Potential, auch schwierige, bislang manuell durchgeführte Sichtprüfungsaufgaben zu automatisieren. Statt explizite Regeln vorzugeben lernt das KI-System anhand von Beispieldaten, welche charakteristischen Muster den verschiedenen Fehlerbildern zugrunde liegen.
Aufgabenstellung:
Im Rahmen dieser Arbeit soll untersucht werden, inwiefern sich Deep Learning-Verfahren zur automatisierten Sichtprüfung von Bauteilen und Montagebaugruppen in der Produktion elektrischer Antriebe eignen. Der Schwerpunkt der Arbeit liegt auf einem praktischen Machbarkeitsnachweis anhand eines ausgewählten Fallbeispiels. Potentiellen Anwendungsfälle reichen von der Erkennung unzureichender Fügeverbindungen (z.B. Poren in der Schweißnaht), der Detektion von falschpositionierten Anbauteilen (z.B. verdrehter Steckkontakt) bis hin zur Kontrolle auf Vollständigkeit (z.B. in der EOL-Prüfung von E-Motoren).
Daraus ergeben sich die folgenden Arbeitsschritte, die je nach persönlichem Interesse und Ausrichtung der Arbeit variieren können:
- Einarbeitung in die Verfahren des Maschinellen Lernens (engl. Machine Learning, ML), insb. des Deep Learnings
- Analyse bestehender Ansätze zur ML- bzw. DL-basierten Sichtprüfung bzw. optischen Qualitätskontrolle von Bauteilen und Montagebaugruppen hinsichtlich Vollständigkeit, Orientierung und Beschädigungen
- Erarbeitung eines Konzepts zur DL-basierten Automatisierung einer ausgewählten Sichtprüfungsaufgabe innerhalb der Produktion elektrischer Antriebe (z.B. Schweißnahtkontrolle an Blechpaketen, Vollständigkeitsprüfung nach der Endmontage von E-Motoren)
- Programmiertechnische Implementierung des DL-Ansatzes in Anlehnung an den CRISP-DM unter Verwendung von Python in Verbindung mit einschlägigen Neural-Network-Architekturen und Bibliotheken (z.B. Keras, Google Tensorflow):
- Verstehen und Aufbereiten von Trainings- und Testdaten
- Erstellung, Optimierung und Evaluierung verschiedener Modellalternativen
- Kritische Reflexion des DL-Ansatzes und Handlungsempfehlung für künftige Forschungsaktivitäten
Nähere Informationen gerne auf Anfrage im persönlichen Gespräch. Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse.
Hinweise und Bewerbung:
- Forschung an der Schnittstelle zwischen den Trendthemen Künstliche Intelligenz und Elektromotorenproduktion
- Zielgerichtete Einarbeitung anhand von Vorarbeiten und interaktiven Online-Kursen möglich
- Einbindung in ein praxisnahes Forschungsprojekt in Kooperation mit der Automotive-Industrie
- Zur Auswertung von Daten und Erstellung von KI-Modellen wird ein leistungsfähiger PC mit Remote-Zugriff bereitgestellt
- Die Bearbeitung kann je nach Ausrichtung vollständig oder weitgehend aus dem Homeoffice erfolgen
- Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht an andreas.mayr@faps.fau.de