Bildquellen: BMW

Motivation:

Für die deutsche Automobilindustrie bietet der Wandel hin zur Elektromobilität einige Risiken, aber auch etliche Chancen. So werden es vor allem Lösungen des hiesigen Maschinen- und Anlagenbaus sein, die die Batteriekosten reduzieren, Leichtbau ermöglichen und die Produktion von Elektromotoren verbessern. Eine der Herausforderungen bei Elektromotoren der neusten Generation besteht in der präzisen Herstellung sogenannter Hairpins – massive, lackisolierte Kupferflachdrähte, die gerichtet, stellenweise abisoliert, abgelängt und zu dreidimensionalen Spulen geformt und verschweißt werden müssen. Wenngleich die Methoden der Künstlichen Intelligenz großes Potential zur Bewältigung aktueller produktionstechnischer Herausforderungen bieten, werden diese von den Unternehmen bei der Entwicklung ihrer Produktions- und Montagesysteme bislang kaum berücksichtigt.

Ziel eines jüngst gestarteten, industrienahen Forschungsprojekts ist es daher, die Intelligenz von Produktions- und Montagesystemen zur Fertigung von Präzisionsbauteilen am Beispiel der Hairpin-Fertigung systematisch zu steigern. Grundlage hierfür bilden innovative Vorrichtungen und Werkzeuge, die mit geeigneten Sensoren zur Datenerfassung versehen werden. Klassische Verfahren des Six Sigmas helfen dabei, die jeweiligen Prozesse initial zu analysieren und erste Wechselwirkungen zu erschließen. Sobald hinreichend viele Material-, Prozess- und Prüfdaten gesammelt und in einer Datenbank gespeichert sind, können komplexere Wechselwirkungen mittels maschineller Lernverfahren abgebildet und Prognosemodelle implementiert werden. Das Projekt ebnet damit nicht nur den Weg zur intelligenten Fertigung von Präzisionsbauteilen für die E-Mobilität, sondern bildet auch die Basis zur Entwicklung von intelligenten Maschinen und Anlagen in sämtlichen Bereichen des produzierenden Gewerbes.

Aufgabenstellungen:

Im Rahmen dessen leiten sich verschiedene Aufgabenstellungen für Bachelor-/Projekt- und Masterarbeiten ab:

1. Schwerpunkt “Rechnergestützte Konstruktion”:
   Konzeption und Konstruktion von innovativen Vorrichtungen und Werkzeugen zur Fertigung von Elektromotoren unter Einsatz von 3D-Druck zum Rapid Prototyping
   1. Einarbeitung in den jeweiligen Prozessschritt (z.B. Biegen der Hairpins) und Auswahl einer geeigneten Konstruktionsmethodik
   2. Konzeption von passenden Vorrichtungen und Werkzeugen unter Einbezug von Sensoren zur Aufnahme relevanter Prozessgrößen (z.B. Kraft-Weg-Kurve beim Biegen)
   3. Konstruktion der besten Lösungsalternative mittels CAD (z.B. PTC Creo)
   4. Aufbau und Erprobung von Prototypen unter Verwendung der lehrstuhleigenen 3D-Drucker
2. Schwerpunkt “Smarte Sensoren und Messtechnik”:
   Integration von smarten Sensoren zur Erfassung von Material-, Prozess- und Prüfdaten in der automobilen Elektromotorenproduktion
   1. Einarbeitung in den jeweiligen Prozessschritt (z.B. Laserschweißen von Hairpins) und naheliegende Sensorprinzipien
   2. Identifikation und Bewertung verschiedener Pre-, In- und Postprocess-Sensoren zur Erfassung qualitätsrelevanter Größen (z.B. OCT-Sensor beim Laserschweißen)
   3. Integration des jeweiligen Sensorkonzepts an der lehrstuhleigenen Anlage (z.B. Trumpf Laserzelle)
   4. Durchführung einer Messfähigkeitsanalyse
3. Schwerpunkt “Statistische Versuchsplanung gemäß Six-Sigma-Methoden”:
   Statistische Versuchsplanung zur Optimierung der automobilen Elektromotorenproduktion unter Verwendung von Six-Sigma-Methoden
   1. Einarbeitung in die statistische Versuchsplanung (Design of Experiments), einem Teilbereich von Six Sigma
   2. Einweisung in die betreffenden Anlagen und Messsysteme (z.B. Trumpf Laserzelle, Mikroskope, 3D-Scanner)
   3. Analyse des betreffenden Teilprozessschritts (z.B. anhand eines SIPOC-Diagramms) und Erarbeitung eines statistischen Versuchsplans
   4. Durchführung von Versuchen und Auswertung der Daten (z.B. mittels Minitab) sowie Ausblick auf perspektivische KI-basierte Auswertemöglichkeiten
4. Schwerpunkt “Industrie 4.0-konforme Anlagenanbindung”:
   Konzeption und Implementierung einer Industrie 4.0-konformen Anlagenanbindung sowie Visualisierung der Daten anhand eines interaktiven Dashboards
   1. Einarbeitung in Edge- und Cloud-Lösungen (z.B. AWS, Azure) sowie industrielle Kommunikationsstandards wie OPC UA
   2. Spezifikation relevanter Material-, Prozess- und Prüfdaten und Ableiten eines geeigneten Datenbankschemas (ER-Modell)
   3. Einrichtung der nötigen Hardware (Server, Edge-Geräte) und Softwarelösungen (z.B. MySQL-Datenbank)
   4. Implementierung eines einfachen Dashboards für den Zugriff auf und die Visualisierung von Daten
5. Schwerpunkt “Datenauswertung mittels KI-Methoden”:
   Einsatz von Methoden der Künstlichen Intelligenz, insb. maschinellen Lernverfahren, zur Auswertung von Daten entlang der automobilen Elektromotorenproduktion
   1. Einarbeitung in die Tools und Methoden des Maschinellen Lernens (u.a. Python, Pandas, scikit-learn, Keras, Tensorflow)
   2. Konzeption eines geeigneten datengetriebenen KI-Use-Cases (z.B. Predictive Maintenance, Predictive Quality, Process Control)
   3. Programmiertechnische Umsetzung des KI-Use-Cases in Anlehnung an das etablierte Vorgehensmodell CRISP-DM
   4. Erprobung und Validierung des letztlichen KI-Modells an einer Demonstratoranlage am Lehrstuhl oder beim Industriepartner

Nähere Informationen zum zugrunde liegenden Forschungsprojekt und den beteiligten Unternehmen gerne im persönlichen Gespräch. Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse, d.h. es ist auch ein Auszug bzw. eine Kombination der obigen Schwerpunkte möglich.

Hinweise zur Bewerbung:

• Industrienahe Forschung an der Schnittstelle zwischen den Trendthemen E-Mobilität und Künstliche Intelligenz
• Zielgerichtete Einarbeitung anhand von Vorarbeiten und interaktiven Online-Kursen
• Für rechenintensive Arbeiten wird ein KI-Rechner mit Remote-Zugriff bereitgestellt
• Regelmäßige Absprachen via Webkonferenz; Projektmanagement über etablierte Tools wie Microsoft Teams
• Präsenzteil abhängig von Aufgabenstellung; generell flexible Zeiteinteilung
• Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht an beide Ansprechpartner, d.h. marcel.baader@faps.fau.de und andreas.mayr@faps.fau.de (in CC)

Ansprechpartner:

Marcel Baader, M.Sc.

Andreas Mayr, M.Sc., M.Sc.

Einblick in die Produktion von elektrischen Traktionsantrieben bei BMW:

Kategorien: