Ausgangssituation:

Beim induktiven Kompaktieren primärisolierter Hochfrequenzlitzen (HF-Litzen) werden während des Prozesses umfangreiche Maschinen- und Induktionssystemdaten erfasst. Diese Daten enthalten potenziell die Information, mit der die resultierende Verbindungsqualität bereits während des Prozesses prädiziert werden kann, was eine Grundvoraussetzung für eine spätere Inline-Qualitätsüberwachung im industriellen Kontext darstellt.

Aus mehreren bereits abgeschlossenen Versuchsreihen am Lehrstuhl liegt ein umfangreicher Datenpool vor, dessen systematische Konsolidierung und Modellierung jedoch noch aussteht. Ziel der Arbeit ist es, aus diesen Bestandsdaten ein datenbasiertes Prozessmodell abzuleiten, das die Korrelation zwischen Prozesssignalen und Verbindungsqualität herstellt und damit die Basis für eine prozessbegleitende Qualitätsüberwachung schafft.

Der Umfang der Arbeit umfasst dabei folgende Arbeitsinhalte:

• Literaturrecherche
  • Methoden der datenbasierten Prozessmodellierung in der Fügetechnik
  • Signalbasierte Qualitätsprädiktion bei Fügeprozessen
• Datenkonsolidierung
  • Sichtung und Vereinheitlichung der bestehenden Maschinen- und Induktionssystemdaten aus mehreren Versuchsreihen
  • Bewertung der Datenqualität, Identifikation von Lücken und Inkonsistenzen
• Feature-Engineering und Modellentwicklung
  • Extraktion prozessrelevanter Merkmale aus Kraft-Weg-Verläufen, Generatorleistungsdaten und Pyrometriesignalen
  • Aufstellung statistischer und maschineller Lernmodelle zur Prädiktion von Kompaktierungsgrad, elektrischem Widerstand und Fehlprobenrate
• Validierung
  • Bewertung der Modellgüte mittels Kreuzvalidierung und Hold-out-Analysen
  • Identifikation der prädiktivsten Prozessmerkmale (Feature Importance)
• Bewertung & Dokumentation
  • Erarbeitung eines Konzepts zur Inline-Anwendbarkeit der entwickelten Modelle
  • Formulierung von Empfehlungen für eine spätere prozessbegleitende Qualitätsüberwachung

Voraussetzungen zur Bewerbung:

• Studiengang: Studium des Maschinenbaus, der Mechatronik, der Elektrotechnik, des Wirtschaftsingenieurwesens, IPEM, oder eines vergleichbaren technischen Studiengangs
• Fachkenntnisse: Sichere Programmierkenntnisse in Python; Grundlagen in Statistik und Datenanalyse; idealerweise erste Erfahrungen mit maschinellen Lernverfahren
• Arbeitsweise: Strukturierte, analytische und eigenständige Arbeitsweise; Bereitschaft, sich in domänenspezifische Prozessdaten und produktionstechnische Zusammenhänge einzuarbeiten
• Sprachkenntnisse: Gute Deutsch- oder Englischkenntnisse in Wort und Schrift

Bewerbungen mit Lebenslauf und aktuellem Notenspiegel bitte per E-Mail an: miriam.eichinger@faps.fau.de

Kategorien:

Kontakt: