Index

Entwurf eines standardisierbaren Lebenszyklusmodells für Fertigungsverfahrensmodelle in Anlehnung an das Vorgehen zur Formulierung von AAS-Teilmodellen

Ausgangssituation
Die Abbildung von Fertigungsverfahren in digitalen Modellen erfolgt bisher anwendungsfallspezifisch durch Prozessexperten auf Basis eigener Vorstellungen oder Kundenvorgaben. Um diesen Prozess effizienter zu gestalten, die manuellen Aufwände zu reduzieren und die Applikation der Modelle für einen breiteren Nutzerkreis zu ermöglichen, müssen standardisierte Modelltemplates zur Verfügung gestellt werden, die die wesentlichen Charakteristika eines Fertigungsverfahrens abbilden und durch Experten validiert und freigegeben wurden.

Dazu ist ein Einreichungs- Bewertungs- und Freigabeprozess zu definieren, der alle notwendigen Stakeholder integriert und die Validierung, Rückführung von Anmerkungen und Optimierung eingereichter Modelle berücksichtigt. Zusätzlich soll die Integration der Prozessmodelle in das RAMI4.0-Ökosystem möglich sein.

Zum Info-Flyer: Lebenszyklus Fertigungsverfahrensmodelle

Aufgabenstellung

  • Einarbeitung in Vorgehens- und Lebenszyklusmodelle im Kontext der Standardisierung in der produzierenden Industrie.
  • Konzeptionierung eines Lebenszyklusmodells für die Einreichung, Bewertung und Freigabe fertigungstechnischer Modelle.
  • Entwicklung eines Validierungsprozesses und Identifikation notwendiger Abnahmekriterien.
  • Dokumentation der Arbeit.

Vorkenntnisse

  • Gute Deutsch-oder Englischkenntnisse

Weitere Informationen auf Anfrage per Mail. Der Arbeitsumfang kann entsprechend der Arbeit angepasst werden.

Recherche, Analyse und Bewertung methodischer Ansätze zur Modellbildung für Fertigungsverfahren nach DIN 8580

Ausgangssituation
Die digitale Abbildung von Produkten, Prozessen und Ressourcen ist eine zentraler Aufgabe im Kontext der Digitalisierung in der Industrie. Die Modellbildung für Fertigungsverfahren steht dabei bisher nicht im Fokus, weshalb die prozessorientierte Sicht auf Fertigungsverfahren noch nicht ausreichend repräsentiert ist. Zwar existieren Ansätze zur Modellierung dieser Prozesse, allerdings sind diese zu wenig generisch und verfolgen meist nur die Abbildung eines spezifischen Aspekts des jeweiligen Fertigungsverfahrens.

Im Rahmen dieser Arbeit sollen die in der Forschung existierenden Ansätze zur Modellbildung recherchiert, hinsichtlich ihrer Abbildungsabsicht analysiert und bezüglich ihrer generischen Anwendbarkeit vergleichend bewertet werden.

Zum Info-Flyer: Ansätze zur Modellbildung

Aufgabenstellung

  • Strukturierte Literaturrecherche zur Identifikation methodischer Modellierungsansätze für Fertigungsverfahren.
  • Analyse und vergleichende Bewertung der Ansätze.
  • Ableitung von Harmonisierungs- und Erweiterungsbedarfen.
  • Dokumentation der Arbeit.

Vorkenntnisse

  • Gute Deutsch-oder Englischkenntnisse

Weitere Informationen auf Anfrage per Mail. Der Arbeitsumfang kann entsprechend der Arbeit angepasst werden.

Entwurf eines allgemeinen Vorgehensmodells zur Bewertung und Auswahl charakteristischer Kenn- und Einflussgrößen für Fertigungsverfahren nach DIN 8580

Ausgangssituation
Die industriellen Fertigungsverfahren sind in der DIN 8580 vollumfänglich hierarchisiert. Dabei verfolgt die DIN das Ziel, alle existierenden und zukünftig denkbaren Verfahren abzudecken. Parallel dazu sind alle Fertigungsverfahren in der Fachliteratur extensiv beschrieben und erforscht. Dennoch gibt es keinen Katalog und vor allem keine allgemeingültige Vorgehensweise, die es
erlaubt relevante Kenn- und Einflussgrößen bestimmter Fertigungsverfahren nachzuschlagen, auszuwählen und zu bewerten und so eine tiefgreifende Prozesssicht zu realisieren.

Zum Info-Flyer: Vorgehen Prozesscharakterisierung

Aufgabenstellung

  • Einarbeitung in den Themenkomplex und Recherche von Vorgehensmodellen zur Charakterisierung fertigungstechnischer Prozesse
  • (Weiter-)Entwicklung eines geeigneten Vorgehensmodells zur Charakterisierung von Fertigungsverfahren, z. B. auf Basis des Ursache-Wirkungs-Diagramms
  • Entwurf eines strukturierten, webbasierten Verfahrenskatalogs zur Dokumentation
  • Exemplarische Validierung des Vorgehensmodells und des Verfahrenskatalogs anhand ausgewählter Fertigungsverfahren
  • Dokumentation der Arbeit.

Vorkenntnisse

  • Gute Deutsch-oder Englischkenntnisse

Weitere Informationen auf Anfrage per Mail. Der Arbeitsumfang kann entsprechend der Arbeit angepasst werden.

Identifikation und Bewertung von Quellen zur Bestimmung charakteristischer, messbarer Kenn- und Einflussgrößen für Fertigungsverfahren nach DIN 8580

Ausgangssituation
Industrielle Fertigungsverfahren sind in der DIN 8580 hierarchisiert und in einschlägiger Fachliteratur bezüglich ihrer Eigenschaften umfänglich beschrieben. Allerdings können nicht alle in der Theorie relevanten und grundsätzlich berechenbaren Eigenschaften auch zur Laufzeit eines Fertigungsprozesses sensorisch erfasst werden. Dies ist oft auch nicht nötig, um ein Fertigungsverfahren prozesstechnisch zu charakterisieren. Im Rahmen dieser Arbeit sollen unterschiedliche Informationsquellen identifiziert werden, aus denen charakteristische Kenn- und Einflussgrößen für Fertigungsverfahren hervorgehen. Aufbauend darauf sollen Größen identifiziert werden, die zur Laufzeit erfasst werden können und einen Prozess hinreichend genau beschreiben, um ihn zu charakterisieren. Die Ergebnisse der Recherche werden in einer zu implementierenden Prozessdatenbank gesammelt.

Zum Info-Flyer:

Aufgabenstellung

  • Einarbeitung in den Themenkomplex der Fertigungsverfahren nach DIN 8580.
  • Recherche, Auswahl und Bewertung von Informationsquellen zur Beschreibung von Fertigungsverfahren
  • Sammlung, Zuordnung und Aufbereitung von Prozesskenngrößen in einer erweiterbaren Prozessdatenbank
  • Dokumentation der Arbeit.

Vorkenntnisse

  • Gute Deutsch-oder Englischkenntnisse

Weitere Informationen auf Anfrage per Mail. Der Arbeitsumfang kann entsprechend der Arbeit angepasst werden.

Deep Learning zur Ermittlung sowie autonomen Behebung von Prozessabweichungen und Anomalien in der hochautomatisierten Fertigung am Beispiel des Spritzgießens

Ausgangssituation

Maschinelles Lernen findet verstärkt Anwendung bei der Prozessüberwachung, um charakteristische Signaturen in den beobachteten Prozessparametern zu identifizieren und diese wieder zu erkennen. Hierdurch lassen sich automatisiert Rückschlüsse auf die Prozess- und Produktqualität, ohne einer aufwendigen Interkation mit den menschlichen Anwender, gewinnen.

Das Spritzgussverfahren ist branchenübergreifend (u.a. Automobilindustrie, Medizintechnik, Automatisierungstechnik) eines der wichtigsten Fertigungsverfahren zur kosteneffizienten Produktion großer Stückzahlen von Bauteilen. Das Produktspektrum reicht dabei von einfachen Bauteilen (wie Handyhüllen) bis hin zu komplexen funktionsintegrierten Teilen im Mehrkomponentenspritzguß hergestellt (bspw. Fahrzeugbedienelemente). Neuartige Technologien aus dem Bereich des Deep Learnings (u.a. auf Basis multivarianter Modelle) zeigen großes Potenzial zur autonomen Detektion und Behebung von Prozessabweichungen und sind daher auf Industrieseite stark gefragt.

Betrachtungsgegenstand in dieser Arbeit ist der Spritzgießprozess in Form mehrere automatisierter Produktionsanlagen bei einem industriellen Anwendungspartner. Hierbei können mehrere Prozessdaten während des Fertigungsschrittes wie Temperatur, Druck oder Durchflusswerte herangezogen werden, was den Aufbau von multivariaten Modellen erlaubt. Ziel ist es mittels des Einsatzes von Verfahren des Automated Machine Learnings wie auch von Deep Learning Methoden Zusammenhänge innerhalb der Daten offenzulegen wie auch Modelle zu entwickeln, welche mögliche Fehlerfälle und die resultierende Bauteilqualität erkennen bzw. voraussagen können.

Keywords
I 4.0, Machine Learning, Deep Learning,  Process Monitoring, Novelty Detection

Aufgabenstellungen

  • Datenaufnahme und –Aufbereitung in Kooperation mit industriellen Anwendungspartner und gegebenenfalls Anlagenhersteller
  • Konzeptionierung und Implementierung unterschiedlicher Machine Learning Pipelines für die Detektion und Klassifikation von Fehlerfällen sowie der Vorhersage der Bauteilqualität
  • Prototypische Validierung der Verfahren im realen Produktionsumfeld
  • Dokumentation der Arbeit

Anforderungsprofil

  • Programmierkenntnisse in einer Hochsprache (z.B. Python, C++, C#, Java, Matlab) von Vorteil

Weitere Informationen auf Anfrage per Mail oder telefonisch. Der Arbeitsumfang kann entsprechend der Arbeit angepasst werden. Für die im Rahmen der Arbeit durchzuführenden Vorortaufnahmen ist eine Aufwandsentschädigung vorgesehen.

ML-basierte Modellierung des Energieverbrauchs von Autoklavensystemen

KS-Autoklaven

Ausgangssituation

Der Prozess der Dampfdruckhärtung gilt als produktschonende und energieeffiziente Möglichkeit der Produktbehandlung unter anderem in der Baustoffindustrie. Dabei wird das Produkt in einen Druckkessel/Autoklaven eingebracht, mittels zentral erzeugtem Sattdampf aufgeheizt und unter Druck gesetzt, um gewünschte chemische und physikalische Prozesse zu induzieren. Um eine pseudo-kontinuierliche Produktion zu ermöglichen werden mehrere Autoklaven parallel betrieben. Durch Überleitvorgänge zwischen aufheizenden und abkühlenden Autoklaven wird Dampf und damit Energie rückgewonnen, der restliche notwendige Dampf wird unter Primärenergieverbrauch erzeugt. Die verfügbare Messtechnik ermöglicht keine valide Messung der Dampf- und Energieflüsse, lediglich Gasverbrauch und Autoklaventemperatur/Druck sind messbar. Zur energetischen Optimierung der Prozesse ist eine Vorhersage des systemspezifischen Primärenergieverbrauchs auf Basis des Systemverhaltens unabdingbar.

Tätigkeit

Im Rahmen Ihrer Arbeit erarbeiten Sie eine Methodik, in der mittels Machine Learning aus historischen Logdaten den Primärenergieverbrauch eines Autoklavensystems erlernt und nachgebildet werden soll. Nach Eingabe der Haertekurvenverläufe des Autoklavensystems wird Ihr System modellieren, wie sich im zeitlichen Verlauf der Energieverbrauch verhält.

Arbeitsumfeld

Sie tragen in einem Industrienahen Forschungsfeld spürbar zur Entwicklung des Forschungsstandes und zur gesamtgesellschaflichen CO2-Reduktion bei. Dabei ist Ihr Beitrag richtungsweisend für die weitere Orientierung der Forschung. Eine enge Zusammenarbeit und regelmäßige Abstimmung verstehen sich von selbst.

Für Training  und Validierung stehen hinreichend Realdaten aus verschiedenen Systemen zur Verfügung. Die Arbeit kann rein digital durchgeführt werden, auf Wunsch kann auch eine reale Fertigung besichtigt werden.

Aufgabenstellung

  • Grundsätzliche Einarbeitung in die Physik von Autoklavensystemen
  • Literaturrecherche zur Identifikation geeigneter ML-Verfahren
  • Implementierung, Training und Validierung eines entsprechenden ML-Systems
  • Wissenschaftliche Dokumentation

Vorkenntnisse

  • selbständige lösungsorientierte Arbeitsweise
  • Bereitschaft zum engen Austausch im Arbeitsfortschritt
  • Grundverständnis für ML-Verfahren
  • thermodynamische Grundlagen sind zum Verständnis hilfreich

Weitere Informationen gerne per Mail oder telefonisch. Der Arbeitsumfang kann entsprechend der Arbeit angepasst werden.

ML-basierte Modellierung des dynamischen Verhaltens von Autoklavensystemen

KS-Autoklaven

Ausgangssituation

Der Prozess der Dampfdruckhärtung gilt als produktschonende und energieeffiziente Möglichkeit der Produktbehandlung unter anderem in der Baustoffindustrie. Dabei wird das Produkt in einen Druckkessel/Autoklaven eingebracht, mittels zentral erzeugtem Sattdampf aufgeheizt und unter Druck gesetzt, um gewünschte chemische und physikalische Prozesse zu induzieren. Um eine pseudo-kontinuierliche Produktion zu ermöglichen werden mehrere Autoklaven parallel betrieben. Durch Überleitvorgänge zwischen aufheizenden und abkühlenden Autoklaven wird Dampf und damit Energie rückgewonnen, allerdings entstehen Verzögerungen durch Wartevorgänge und Strömungswiderstände. Die verfügbare Messtechnik ermöglicht keine valide Messung der Dampf- und Energieflüsse, die genaue Systemdynamik ist bisher nicht verstanden und vorhersagbar. Zur energetischen Optimierung der Prozesse ist eine Modellierung der Systeme unabdingbar.

Tätigkeit

Im Rahmen Ihrer Arbeit erarbeiten Sie eine Methodik, in der mittels Machine Learning aus historischen Logdaten das dynamische Verhalten eines Autoklavensystems erlernt und nachgebildet werden soll. Nach Eingabe des Produktionsprogramms und der Soll-Härtekurven wird Ihr System modellieren, wie sich Druck und Temperatur der Autoklaven eines Systems verhalten, und jeweils die Prozessdauer vorhersagen.

Arbeitsumfeld

Sie tragen in einem Industrienahen Forschungsfeld spürbar zur Entwicklung des Forschungsstandes und zur gesamtgesellschaflichen CO2-Reduktion bei. Dabei ist Ihr Beitrag richtungsweisend für die weitere Orientierung der Forschung. Eine enge Zusammenarbeit und regelmäßige Abstimmung verstehen sich von selbst.

Für Training  und Validierung stehen hinreichend Realdaten aus verschiedenen Systemen zur Verfügung. Die Arbeit kann rein digital durchgeführt werden, auf Wunsch kann auch eine reale Fertigung besichtigt werden.

Aufgabenstellung

  • Grundsätzliche Einarbeitung in die Physik von Autoklavensystemen
  • Literaturrecherche zur Identifikation geeigneter ML-Verfahren
  • Implementierung, Training und Validierung eines entsprechenden ML-Systems
  • Wissenschaftliche Dokumentation

Vorkenntnisse

  • selbständige lösungsorientierte Arbeitsweise
  • Bereitschaft zum engen Austausch im Arbeitsfortschritt
  • Grundverständnis für ML-Verfahren
  • thermodynamische Grundlagen sind zum Verständnis hilfreich

Weitere Informationen gerne per Mail oder telefonisch. Der Arbeitsumfang kann entsprechend der Arbeit angepasst werden.

Konzeptentwicklung und Evaluation eines Systems für die Predictive Maintenance von Robotersystemen

Aufgabenstellung:
Im Siemens Gerätewerk Erlangen (GWE) werden leistungselektronische Komponenten, sowie Bedien- und Steuergeräte gefertigt. Als Fertigungsstandort strebt das GWE nach einer Steigerung der Effizienz mithilfe einer Steigerung des Automatisierungsgrads in der allen Bereichen.

Einen wichtigen Pfeiler der Automatisierungsaktivitäten stellt dabei der großflächige Einsatz intelligenter Robotik dar. Der stark erhöhte Robotereinsatz in der Fertigung führt zu einem Bedarf an intelligenter Wartungszustandsüberwachung und Vermeidung ungeplanter Ausfälle.

Die Arbeit beinhaltet folgende Schwerpunkte:

  • Einarbeitung in den Bereich Predictive Maintenance mit Fokus auf Robotik
  • Analyse vorhandener Daten und Erarbeitung von Auswertungskonzepten mit Prozessexperten und Data Scientists
  • Konzeption, Implementierung und Optimierung unterschiedlicher Modell-Architekturen
  • Erarbeitung und exemplarische Umsetzung des Konzepts mit realen Daten
  • Gegebenenfalls Vergleich von kontrolltechnischer-, stochastischer- und ML-basierter Verfahren
  • Evaluation der erzielten Ergebnisse
  • Diskussion und Dokumentation der Arbeit

Voraussetzungen:

  • Selbstständige, strukturierte Vorgehensweise
  • Interesse und Motivation beim Arbeiten an innovativen Themen in einem dynamischen, jungen Team
  • Interesse an Machine Learning und datengetriebenen Systemen, gerne erweiterte Vorkenntnisse der Mathematik, insbesondere Statistik und Stochastik
  • Vorkenntnisse in der Programmierung (Hochsprache, z.B. Python, Java, Matlab, C#)

Für weiter Informationen bezüglich der Themenstellung und Rahmenbedingung können Sie mich gerne via Mail kontaktieren.

Brandneue Trendthemen: CO2-neutrale Produktion, dezentrale (Gleichstrom-)Energienetze, Erneuerbare Energien und Speicher, KI & praxisnahe Automation

Im Rahmen der Energiewende verlagert sich der Fokus von fossilen Brennstoffen und Atomenergie zu erneuerbaren Energiequellen. Hybride Netzstrukturen aus einer Kombination aus Gleich- und Wechselstrom vereinen die Vorteile beider Versorgungsstrategien. Sie berücksichtigen jede Art von Verbrauchern, Speichern und Erzeugern.

Um diese Netze zukünftig im Sinne von intelligenten Netzen (Smart Grids) wirtschaftlich und konkurrenzfähig zu gestalten, speisen interoperable Sensornetzwerke mit Anbindung an das Internet der Dinge (IoT) dezentrale Energiemanagementsysteme.

In Kooperation mit über 30 namhaften Partnern der Industrie baut der FAPS in seinen Laborhallen eine Demonstratoranlage mit regenerativen Erzeugern, verschiedenen Speichern und industriellen Verbrauchern auf. Entstandene Simulationen können dort messtechnisch validiert und das Gesamtkonzept auf die praktische Umsetzbarkeit sowie die Wirtschaftlichkeit untersucht werden.

Eine Auswahl möglicher Themenfelder für Projekt- und Abschlussarbeiten:

  • Programmierung und Inbetriebnahme eines KUKA-Roboters (ggf. mit Fernsteuerung über Siemens SPS) wahlweise mit Energieflussmessung oder Simulation von Kinematik oder elektrischen Größen
  • Schaltplanerstellung sowie Inbetriebnahme von diversen leistungselektronischen Wandlern; wahlweise mit Simulationen/Messungen
  • Ansteuerung Supercap-Module in einem Gleichstrom-Netzabzweig
  • Intelligente Netzvorladung (Unterscheidung zwischen großem Gleichstrom und Kurzschluss)
  • Gefährdungsbeurteilung und funktionale Sicherheit in einer gleichstrombetriebenen Produktionszelle
  • EMV-Bewertungen/Anforderungen
  • Analyse der vorhandenen Normenlandschaft in Bezug auf neuartige Gleichstromnetze
  • Programmierung SPS-Ablaufsteuerung in Produktionsprozess mit Förderband, Roboter etc.
  • Energieflusssteuerung in Produktionsprozessen mit Erzeugern (PV), Speichern (Batterie, Supercap) und Verbrauchern
  • Entwicklung Sensorkonzept z. B. mit OPC UA, um Sensoren für Steuerungen (SPS oder Edge-Geräte) und Cloud zugänglich zu machen
  • Frequenzgeregelte Motorenansteuerung und Nutzung von Bremsenergie
  • Berechnung der Wirtschaftlichkeit von steckerfertigen Solaranlagen anhand einer Beispielanlage
  • Mobiler Ladeanhänger für Elektrofahrzeuge aus PV-Anlage und Batteriespeicher
  • Themen im Bereich künstliche Intelligenz z. B. Energieverlaufsprognose, Mustererkennung in Spannungs- und Stromverläufen, maschinelles Lernen zur Energieeinsparung etc.
  • Literaturarbeiten zur Aufbereitung des Standes von Forschung und Technik

Anforderungen:

  • Grundkenntnisse und Begeisterungsfähigkeit für die Elektrotechnik
  • Gutes Deutsch und Englisch in Wort und Schrift

Konzipierung und prototypische Implementierung eines emulierten 5G Netzwerks zur Analyse der technischen Leistungsfähigkeit anhand industrieller Applikationen

Ausgangssituation
Mit Hilfe neuartiger Kommunikationstechnologien werden neue Möglichkeiten der Vernetzung im industriellen Umfeld geschaffen. Bereiche bei denen kabelgebundene Kommunikationstechnologien als nicht ersetzbar gelten, müssen aufgrund der Flexibilisierung zukünftig kabellos angebunden werden. Bei der Vernetzung von Maschinen und Anlagen im industriellen Kontext, ist eine hohe Datenrate häufig nicht der entscheidende Punkt. Vielmehr sind hier Aspekte wie Latenz, Zuverlässigkeit, Determinismus und Störanfälligkeit die kritischen Faktoren, weswegen kabelgebundene Alternativen vorgezogen werden. Neuartige Funk Kommunikationstechnologien, wie z B 5 G und WiFi 6 versprechen eine deutliche Verbesserung in oben genannten Aspekten. Somit ist es möglich, immer weitere industrielle Applikationen auf kabellose Alternativen umzustellen und die Flexibilität in der Produktion zu erhöhen.

Zum Info-Flyer: #0Ausschreibung_studArbeit_5G_Emulation

Aufgabenstellung

  • Einarbeitung in das Thema Kommunikationstechnologien, protokolle und industrielle Kommunikationsanforderungen
  • Analyse und Definition einer prototypischen industriellen Applikation und ihrer QoS Parameter
  • Aufbau eines emulierten 5G Netzwerks
  • Implementierung des industriellen Kommunikationsverkehrs innerhalb der Emulation
  • Validierung des 5G Netzwerks anhand der zuvor gewählten industriellen Applikation
  • Dokumentation der Arbeit

Vorkenntnisse

  • Gute Deutsch-oder Englischkenntnisse
  • Vorkenntnisse zum Thema Automatisierung wünschenswert, aber nicht zwingend notwendig

Weitere Informationen auf Anfrage per Mail oder telefonisch. Der Arbeitsumfang kann entsprechend der Arbeit angepasst werden.