Index

Vergleich von industriellen IoT-Plattformen

Ausgangssituation
Im Rahmen intensiver Vorarbeiten wurde am Lehrstuhl FAPS eine Methodik zur IIoT-Plattformauswahl sowie eine dazugehörige Datenbasis geschaffen. Die Datenbasis enthält unterschiedliche für Nutzer relevante Kategorien, die bei der Auswahl und Entscheidung bei einer IIoT-Plattform beachtet werden müssen. Aufgrund des volatilen Plattformangebots bedarf es einer Überprüfung und Aktualisierung der bestehenden Plattforminformationen, um diese für eine Verwendung in einem Konfigurator vorzubereiten. Durch diesen Konfigurator und eine valide Datenbasis soll die bisher sehr aufwändige und schwierige Identifikation einer geeigneten Plattformlösung vor allem für kleine und mittelständische Unternehmen (KMU) erleichtert werden.

Hier geht’s zum Flyer
Aufgabenstellung

  • Recherche aktueller unterschiedlicher IIoT-Plattformangebote
  • Einarbeitung in die bestehende Ontologie zur Wissensdarstellung
  • Aktualisierung und Erweiterung der bestehenden Kriterien über IIoT-Plattformen
  • Untersuchung verschiedener Exportformate zur Weiterverarbeitung
  • Dokumentation der Arbeit

Vorkenntnisse

  • Sehr gute Deutsch-oder Englischkenntnisse

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

Entwicklung und Erprobung von auf Bilderkennung basierenden Maschinellen Lernmodellen zur Entscheidungsunterstützung bei der Beschaffung von Montagelinien im Automobilbau

Ausgangssituation

Die Automobilindustrie steht vor der bisher größten Herausforderung in ihrer langjährigen Geschichte: Der Wandel der traditionellen zu einer von digitalen Komponenten geprägten Wertschöpfung setzt auch BMW zunehmend unter Druck.  Die Digitalisierung beeinflusst insbesondere auch traditionelle, „zeitfressende“ Prozesse immer stärker. Zum einen treibt man die Automatisierung weiter voran (Stichwort „Industrie 4.0“), zum anderen stehen mit neuen Methoden der Datenanalyse innovative Instrumente zur Verfügung, die Prozesse „intelligenter“ zu machen.

In dieser Arbeit sollen, am Beispiel von zu beschaffenden Montagelinien, Maschinelle Lernmodelle entwickelt und getestet werden, die auf der Basis von historischen technischen 2D-Zeichnungen in Kombination mit zugehörigen Lastenheftdaten (Funktionalitäten) automatisiert beschaffungsrelevante Parameter wie z. B. Anlagenfläche, Anzahl Roboter, Anzahl Bediener, Länge Fördertechnik, Anzahl Fördertechnik-Elemente (Ecken, Kreuzungen, Weichen), Anzahl Stationen usw. erkennen und ausleiten. Aufbauend auf ersten Erkenntnissen soll ein Pilotversuch angestellt werden, der prädiktiv die Kosten von ausgewählten Montagelinien schätzt.

Aufgabenstellungen:

  • Einarbeitung in bestehende ML-Techniken der Bilderkennung/-analyse (Deep Learning usw.)
  • Labeling von Daten für das ML (Montagelinienbilder in Verbindung mit Lastenheftangaben)
  • Erstellung von ML-Modellen zur automatischen Gewinnung von beschaffungsrelevanten Informationen in der Montage
  • Nutzung der Erkenntnisse zur Entwicklung eines Kostenprognosemodells für neue Montagelinien
  • Test, Evaluation und Visualisierung (intuitive Darstellung) der Modelle

Vorkenntnisse:

  • Vorkenntnisse in dem Themenfeld Künstliche Intelligenz wünschenswert
  • Programmieraffinität (Python)

 

 

Lieferantenscreening und Trendanalyse für Carsoftware auf der Basis von extern verfügbaren Unternehmens- und Marktdaten

Ausgangssituation

Die Automobilindustrie steht vor der bisher größten Herausforderung in ihrer langjährigen Geschichte: Digitalisierung und neue Akteure zwingen traditionelle Hersteller, ihr Geschäftsmodell tiefgreifend zu verändern. Der Wandel der traditionellen zu einer von digitalen Komponenten geprägten Wertschöpfung setzt auch BMW zunehmend unter Druck. Sich rasant ändernde und neu aufkommende Innovationsfelder wie Connected-Drive, Serviceplattformen oder Asset-light-Integration stellen „alte Hasen“ in der Automobilbranche vor neue Herausforderungen.

In der Arbeit sollen auf Basis von öffentlich zugänglichen Unternehmens- und Marktdaten Softwarelieferanten anhand betriebswirtschaftlicher Kriterien (Kostenstrukturen, Marktvolumen, Personal…) analysiert und verglichen werden. Aufbauend auf dem Lieferantenscreening sollen Preisanalysen und -trends für ausgewählte Carsoftware abgeleitet werden.

Aufgabenstellungen:

  • Eruierung relevanter Unternehmensdaten und Recherche von Datenquellen wie Geschäftsberichte, Webauftritte, B2B-Marktinformationen usw.
  • Analyse der gewonnenen historischen/aktuellen Informationen zur Erstellung eines Lieferantenscreenings
  • Lieferantenvergleich auf Basis der Screeningergebnisse zur Analyse der Machtsituation der Lieferanten in den Beschaffungsverhandlungen (Spieltheorie)
  • Ableitung von Zukunftstrends basierend auf den Kosten- und Preisinformationen aus dem Lieferantenscreening

Entwicklung eines auf Text Mining basierenden Modells für den Cost Engineer zur Extraktion von kalkulationsunterstützenden Daten aus öffentlich zugänglichen Dokumenten

Ausgangssituation und Ziel der Arbeit

Die Automobilindustrie steht vor der bisher größten Herausforderung in ihrer langjährigen Geschichte: Der Wandel der traditionellen zu einer von digitalen Komponenten geprägten Wertschöpfung setzt auch BMW zunehmend unter Druck.  In Lieferantenverhandlungen wird der Einkäufer vom Cost Engineer des OEM mit Kosteninformationen versorgt, um ein bestmögliches Angebot verhandeln zu können. Die Kosteninformationen werden traditionell durch Bottom-Up-Kalkulation gewonnen und beinhalten „Best-Practice-Wissen“ z. B. zu Material, Produktionstechnologien und Produktionsstandort. Diese Informationen basieren zum einen auf dem Erfahrungsschatz zahlreicher „Cost Engineers“, zum anderen auf zeitaufwändigen Recherchen in Fachzeitschriften, Internet, Literatur usw..

In dieser Arbeit soll ein Modell erstellt werden, das den Cost Engineer bei der Recherche von Kosteninformationen durch eine automatisierte Wissensextraktion aus Dokumenten mittels Text Mining unterstützt. Zudem soll ein Pilotversuch gestartet werden, der über Spracheingabe/Gestenerkennung die Anwendung des Modells „smarter“ macht.

Aufgabenstellungen:

  • Einarbeitung in die Kalkulationsmethoden im Cost Engineering
  • Eruieren von kalkulationsrelevanten, öffentlich verfügbaren Informationen
  • Erstellung und Visualisierung einer „Kalkulationsdaten-Ontologie“
  • Entwicklung eines automatisierten Wissensextraktionsmodells mithilfe von „intelligenten“ Methoden (Text Mining, Text Analytics, Data Mining, Natural Language Processing)
  • Erleichterung der Modellanwendung mittels Gestensteuerung und/oder Spracheingabe für den Cost Engineer (mit Kinect V2)
  • Test und Visualisierung der Methoden und des Modells, z. B. mittels Power BI

Vorkenntnisse:

  • Kenntnisse im Bereich Machine Learning sind wünschenswert
  • Programmieraffinität (Python)

Analyse von Motor-Echtzeitdaten mittels Maschineller Lernverfahren zur Wertbestimmung von Antrieben sowie Ableitung von Verhandlungsstrategien für den Einkauf – Modellbildung, Anwendung und Visualisierung

Ausgangssituation

Die Automobilindustrie steht vor der bisher größten Herausforderung in ihrer langjährigen Geschichte: Der Wandel der traditionellen zu einer von digitalen Komponenten geprägten Wertschöpfung setzt auch BMW zunehmend unter Druck.

Die traditionelle und funktionsorientierte (lastenheftbasierte) Bottom-Up-Kalkulation der Kosten von Antriebsmotoren ermöglicht es dem Lieferanten, im Rahmen von Verhandlungen mit dem OEM ein optimales Angebot zu erstellen. In der Arbeit soll ein alternatives Verhandlungsmodell entwickelt und getestet werden, das auf der Bestimmung des Wertes von Antrieben u. a. aus der Qualitätsperspektive basiert. Am Beispiel von auf BMW-Prüfständen gewonnenen Antriebsdaten (sowohl von Otto- als auch von Elektromotoren) soll zunächst mittels Machine Learning der Antriebs-Einkaufswert (Best Practice) bestimmt werden. Zusätzlich zu dieser Wertbestimmung sollen mittels einer Kombination der Ergebnisse mit historischen Kostenwerten Entwicklungs- und Kosteneinsparungspotenziale aufgezeigt werden.

Aufgabenstellungen:

  • Extraktion und Aufbereitung der Antriebsdaten
  • Vernetzung/Integration der Motor-Prüfstanddaten im BMW Data Lake/impACT!
  • Analyse der Zusammenhänge und Wechselwirkungen der Einflussgrößen bei der Antriebsnutzung mittels Maschineller Lernverfahren (ML)
  • Verknüpfung der gewonnenen Erkenntnisse aus den ML-Modellen mit Konzepten wie „X-as-a-Service“ (z. B. Data-as-a-Service (DAA)) zur Wertbestimmung von Antrieben
  • Erstellung eines übertragbaren Bewertungsmodells zur Unterstützung von Einkaufsentscheidungen und Vergleich mit traditionellen Methoden/Verfahren
  • Visualisierung der Modelle/Ergebnisse z. B. mittels Power BI

Vorkenntnisse:

  • Kenntnisse in dem Themenfeld Machine Learning sind wünschenswert
  • Programmieraffinität (Python)

 

(BA/PA/MA) Smart Manufacturing – Erarbeitung eines datengetriebenen Konzeptes zur Optimierung von Fertigungsprozessen

Ausgangssituation

Im Bereich Smart Manufacturing werden Lösungen entwickelt, welche durch die Auswertung verschiedenster Datenquellen Aussagen über Produktqualität oder Herstellungskosten treffen können, welche mit traditionellen Methoden nicht möglich sind. So lassen sich auch etablierte Fertigungsverfahren weiter optimieren und neue Potentiale erschöpfen.

Im Rahmen dieser Arbeit gilt es einen Fertigungsprozess hinsichtlich eines gegebenen Problems zu untersuchen, existierende Lösungen des maschinellen Lernens zu gruppieren und anschließend zu bewerten. Gerade wenn du erste Erfahrungen im Bereich Smart Manufacturing bzw. Machine Learning sammeln möchtest, dich aber nicht auf Programmierung und Algorithmik spezialisieren willst kannst du so einen großen Überblick über diese aktive Forschungsfeld gelangen.

Aufgabenstellungen:

  • Im Rahmen dieser Abschlussarbeit untersuchst du datengetriebene Lösungsansätze für die Optimierung eines Fertigungsprozesses.
  • Dafür analysiert du das existierende Problem und leitest verschiedene Fälle ab
  • Wissenschaftlicher Kern der Abschlussarbeit ist die Recherche, Analyse und Bewertung vorhandener Ansätze zur Lösung der identifizierten Fehlerfälle
  • Die Entwicklung eines eigenen Lösungsansatzes kann einen weiteren Schwerpunkt der Abschlussarbeit bilden.
  • Dokumentation der Arbeit

Vorkenntnisse:

  • Du kennst dich im Bereich der Fertigungstechnik aus und verfügst über grundlegende Kenntnisse der Werkstoffkunde
  • Du kannst systematisch Literatur suchen und kennst dich idealerweise bereits mit Literaturverwaltungsprogrammen wie Citavi aus
  • Du bist bereit dich schnell in neue Themengebiete einzuarbeiten
  • Du arbeitest selbstständig und struktuiert

Weitere Infos auf Anfrage, der Arbeitsumfang kann entsprechend der Arbeit angepasst werden