Index

Power-Hardware-in-the-Loop (PHIL) Simulator für industrielle Gleichstromnetze

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.

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.

Mit dem neuartigen PHIL-Ansatz sollen Energieverläufe aus Simulationen mit Leistungselektronik verbunden werden, um so Strom- und Spannung als Quelle und als Senke an einem Gleichstromnetz aufzuschalten.

Für Abschlussarbeiten ergeben sich folgende Anknüpfungspunkte:

  1. Stand der Technik und Forschung im Bereich PHIL und Möglichkeiten der PHIL-Simulation
  2. Entwicklung eines PHIL-Simulators durch Kopplung von Simulationsumgebung und Netzteil
  3. Entwicklung einer Bibliothek (z. B. MATLAB), um Signalverläufe vorzugeben
  4. Messung realer Leistungsverläufe von Produktionszellen, einzelnen Verbrauchern, regenerativen Erzeugern oder Verbrauchern, um diese in die Bibliotheken zu übernehmen
  5. Implementierung eines messtechnischen Feedbacks an die Simulationsumgebung z. B. mit interoperablen I4.0 Kommunikationsprotokollen (OPC UA, MQTT etc.)

 

Deep Learning zur Prozessparameteroptimierung beim Ramp-up komplexer Fertigungslinien (BA/PA/MA)

Unternehmensbeschreibung

Möchten Sie Ihre Ideen in nutzbringende und sinnvolle Technologien verwandeln? Ob im Bereich Mobility Solutions, Consumer Goods, Industrial Technology oder Energy and Building Technology – mit uns verbessern Sie die Lebensqualität der Menschen auf der ganzen Welt. Willkommen bei Bosch.

 Stellenbeschreibung

In der Produktion elektromechanischen Komponenten, welche sich mit immer steigenden Qualitätsanforderungen, einer erhöhten Komplexität sowie einem hohen Kostendruck konfrontiert sieht, verspricht die Erfassung und intelligente Analyse von Prozess- und Qualitätsdaten einen großen Mehrwert. Dabei stellt der Neuanlauf und Hochlauf von neuen Produktionslinie eine besondere Herausforderung im weltweiten Benchmark dar.

Im Rahmen dieser Abschlussarbeit soll daher untersucht werden, inwiefern sich maschinelle Lernverfahren (insbesondere Deep Learning) nutzbringend beim der Hochlaufunterstützung einer hochautomatisierten Großserienlinie einsetzen lässt. Aufbauend auf einer initialen Potentialanalyse soll ein beispielhafter Anwendungsfall konzipiert und prototypisch implementiert werden. Die Abschlussarbeit soll am Beispiel der ESP® Fertigungslinie am Robert Bosch Standort Immenstadt im Allgäu erfolgen.

Die Abschlussarbeit beinhaltet folgende Arbeitspakete:

  • Einarbeitung in die relevanten Grundlagen des Data Engineerings, Maschinellen Lernens sowie in die Produktionsprozesse der ESP®-Modulen
  • Analyse des Ist-Zustands der Großserienlinien der Vorgängergeneration und Ableitung von Machine Learning Potentialen für die Hochlaufunterstützung der Großserienlinie der aktuellsten ESP® Generation
  • Prototypische Implementierung ausgewählter Anwendungsfalls in Anlehnung an das Referenzmodell CRISP-DM
  • Aufgaben- und Datenverständnis
  • Datenerfassung und -vorbereitung
  • Modellierung unterschiedlicher ML-Modelle und Paradigmen
  • Evaluation von Verfahren des Transfer Learning bzw. Domain Adaption zur Nutzung historischer Prozess- und Anlagendaten von Vorgänger-Fertigungslinien
  • Evaluation und Deployment implementierter Modelle / Pipelines
  • Formulierung von Handlungsempfehlungen zur Weiterentwicklung des Ansatzes

Qualifikation

  • Ausbildung: Masterstudium im Bereich (Wirtschafts-)Informatik oder einer Ingenieurwissenschaft (Mechatronik, Elektrotechnik, Maschinenbau, Wirtschaftsingenieurwesen) mit hoher IT-Affinität
  • Erfahrung: Erste Erfahrung in der Anwendung von maschinellen Lernverfahren wünschenswert
  • Persönlichkeit: Zielstrebig, zuverlässig, selbstständig und eigeninitiativ
  • Sehr gute Deutsch- und gute Englischkenntnisse
  • Arbeitsweise: Strukturiert und sehr hohe Einsatzbereitschaft
  • Know-How: Technisches Verständnis für Produktionsprozesse sowie Grundlagen der objektorientierten Programmierung

Das Werk

https://www.bosch.de/unser-unternehmen/bosch-in-deutschland/immenstadt/

Zusätzliche Informationen

Beginn:                     Beginn ab Juli

Dauer:                      6 Monate

Kontakt:     

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

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. 5G und WiFi 6 versprechen eine deutliche Verbesserung in den genannten Bereichen. Somit ist es möglich, 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
  • Erweiterung eines emulierten 5G Netzwerks um automatisierungstechnische Komponenten
  • Integration der industriellen Echtzeitkommunikation in das emulierte Netzwerk
  • Validierung des 5G Netzwerks anhand der zuvor gewählten industriellen Applikation
  • Dokumentation der Arbeit

Vorkenntnisse

  • Gute Deutsch-oder Englischkenntnisse
  • Vorkenntnisse im Bereich Automatisierunstechnik und/oder Informations- und Kommunikationstechnik empfehlenswert
  • Kenntnisse in der Programmierung empfehlenswert

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

Entwicklung eines Messkoffers/Messkonzeptes zum Nachweis des CO2-Fußabdrucks

Um den CO2-Fußabdruck eines Produkts/einer Fertigungslinie gegenüber Verbrauchern, Kunden oder Regulierungsbehörden nachzuweisen und mit ihren Lieferanten gezielte Reduktionsmaßnahmen zu initiieren, sind Unternehmen auf genaue Informationen auf Produktebene angewiesen. Der CO2-Fußabdruck ist schon längst kein Imagefaktor für Unternehmen mehr, sondern stellt bereits ein signifikantes Kaufargument in vielen Industriesparten wie zum Beispiel in der Automobilindustrie dar oder wird politisch bereits gefordert. Mit einem neuartigen Messkoffer soll Unternehmen eine Hilfe gegeben werden, wie die CO2-Emissionen ermittelt und nachverfolgt werden können. Aufbauend darauf können Reduzierungsmaßnahmen zur Dekarbonisierung entwickelt und ergriffen werden.

Mögliche Abschlussarbeiten/Inhalte:

  • Grundlagenrecherche zur Bestimmung oder Zertifizierung des CO2-Fußabdrucks von Produkten, Produktionsanlagen, Werken oder digitalen Services etc.
  • Identifikation und Beurteilung aller Einflüsse auf den CO2-Fußabdrucks und Generierung von Kennzahlen (auch wirtschaftlich)
  • Grundlagenermittlung für einen Messkoffer/ein Messkonzept und Ansprüche an die Sensorik und Auswertung
  • Bau und Verdrahtung des Messkoffers oder/und Programmierung von Auswerteeinheiten und User-Interface (z. B. SPS, Computer, Messkarten, Mikrocontrollern, Webserver etc.)
  • Recherche zu bestehenden Softwarelösungen/Messkonzepten
  • Möglichkeiten der Kopplung mit Industriesteuerungen (z. B. SPS oder Cloud-Edge-Devices)
  • Aufzeigen von Maßnahmen zur Reduzierung des CO2-Fußabdrucks zur Dekarbonisierung von Produktionsanlagen/Werken etc.
  • Ggf. Simulationskopplung

Digitaler Zwilling zur Bestimmung des CO2-Fußabdrucks

Um den CO2-Fußabdruck eines Produkts/einer Fertigungslinie gegenüber Verbrauchern, Kunden oder Regulierungsbehörden nachzuweisen und mit ihren Lieferanten gezielte Reduktionsmaßnahmen zu initiieren, sind Unternehmen auf genaue Informationen auf Produktebene angewiesen. Der CO2-Fußabdruck ist schon längst kein Imagefaktor für Unternehmen mehr, sondern stellt bereits ein signifikantes Kaufargument in vielen Industriesparten wie zum Beispiel in der Automobilindustrie dar oder wird politisch bereits gefordert.

Mögliche Abschlussarbeiten/Inhalte:

  • Grundlagenrecherche zur Bestimmung oder Zertifizierung des CO2-Fußabdrucks von Produkten, Produktionsanlagen, Werken oder digitalen Services etc.
  • Identifikation und Beurteilung aller Einflüsse auf den CO2-Fußabdrucks
  • Simulationstechnische Lösungen (z. B. Digital Twin) zur Berechnung des Carbon-Footprints aus den Energieflüssen z. B. von Produktionsanlagen
  • Tracking/Transparenzbildung des Carbon-Footprints über den gesamten Produktlebenszyklus
  • Aufzeigen von Maßnahmen zur Reduzierung des CO2-Fußabdrucks zur Dekarbonisierung von Produktionsanlagen/Werken etc.

BA/MA – Deep Learning for Time Series Signals for Anomaly Detection and Monitoring of Injection Molding Machines

Ausgangssituation:
Das Spritzgussverfahren ist branchenübergreifend eines der wichtigsten Fertigungsverfahren zur kosteneffizienten Produktion großer Stückzahlen von Bauteilen. Moderne Spritzgussmaschinen weisen vielfältige Sensoren zur Erfassung von Betriebsdaten auf. Standardisierte Kommunikationsprotokolle (OPC UA, MQTT) erlauben die einfache Integration weiterer Sensorik zur vollumfänglichen digitalen Abbildung des Maschinenbetriebes. Zur Auswertung der erfassten Daten stehen Methoden des maschinellen Lernens zur Verfügung. Diese lassen automatisiert Rückschlüsse auf die Prozess- und Produktqualität, ohne einer aufwendigen Interaktion mit den menschlichen Anwender zu. Sie erlauben des Weiteren die Erzeugung von Prognosen über die Entwicklung von Messwerten, welche die Grundlage zur Realisierung einer bedarfsgerechten Wartung (Predictive Maintenance) darstellen.

Bei Spritzgussmaschinen kommen Messgrößen wie bsp. Forminnendruck, Dosierzeit oder Wasserdurchflussmenge standardmäßig eine besondere Bedeutung zu. Hinzu kommt mit modernen Systemen der Körperschall. Geeignet ausgewertet, können diese Parameter die Grundlage zur Effizienzsteigerung des Maschinenbetriebs darstellen. Sie erlauben eine Werkzeugoptimierung durch die Vorhersage von Wartungsintervallen, die Optimierung der Werkzeugparameter, eine Entlüftungskontrolle und eine Verschleißkontrolle.

Keywords:
I 4.0, Predictive Maintenance, Injection Moulding, Machine Learning, Process Engineering &
Monitoring, Acoustic Emissions

Aufgabenstellung:

  • Analyse am Markt verfügbarer Predictive Maintenance Systeme für Spritzgussmaschinen
  • Begleitung und Dokumentation der Einführung eines der Systeme
  • Datenauswertung: Vergleich zwischen beobachteten physikalischen Effekten und den
    Signaländerungen
  • Erarbeitung übertragbarer Lösungskonzepte und Methoden (Standardisierung)
  • Wirtschaftlichkeitsbetrachtung anhand der identifizierten Optimierung
  • Prototypische Validierung des erarbeiteten Lösungsansatzes
  • Dokumentation der Arbeit

Anforderungsprofil:

  • Student der Fachrichtung Ingenieurwissenschaften
  • Programmierkenntnisse in einer Hochsprache (z.B. Python, C++, C#, Java, Matlab)
  • Kenntnisse der physikalischen Grundlagen von Sensoren und Signalverarbeitung
  • Gute Kommunikationsfähigkeit
  • Verhandlungssicheres Englisch in Wort und Schrift

Sonstiges:
Die Bearbeitung erfolgt in Zusammenarbeit mit einem Industriepartner.

Managementsystem für Forderungen an die Sauberkeit von Produkten im Automotive Bereich – Diehl Metall

Zusammen mit Diehl Metall (Röthenbach) wird folgende Masterarbeit ausgeschrieben:

Motivation
Sauberkeit im produzierenden Umfeld ist die Grundvoraussetzung für die Erfüllung von Quali-tätsansprüchen. OEMs wie Renault, BMW etc. sowie auch die Automotive-Norm IATF 16949:2016 verlangen, die Sauberkeit der hergestellten Teile entlang der Wertschöpfungs-kette zu berücksichtigen und Anforderungen diesbezüglich einzuhalten. Bei Nicht-Einhaltung der Sauberkeitsvorgaben kann es zu einer verkürzten Lebensdauer der Teile selbst oder des Systemverbunds, in dem die Teile wirken, kommen.
Diese studentische Arbeit ist in einem praxisnahen Umfeld eines Automobilzulieferers zu er-stellen. Sauberkeitsforderungen an Prozesse und Produkte sind systematisch zu berücksich-tigen und in ein Managementsystem für Sauberkeit zu integrieren, so dass die Forderungen unternehmensseitig verwirklicht werden können. Dieses Managementsystem soll im Einklang mit einem bestehenden Qualitätsmanagementsystem stehen. Dies steigert die Akzeptanz und Umsetzbarkeit der Forderungen für die Organisation. Im Rahmen der Konzeption soll auch die Bewertung der Wirksamkeit des ausgelegten Managementsystems bspw. im Rahmen von Au-dits vorgesehen werden.
Zielstellung
Entwurf, Aufbau und Umsetzung eines Managementsystems für bestehende Sauberkeitsforderungen im Automotive-Bereich

Aufgaben
1. Strukturierte Zusammenfassung von Automotive- Anforderungen bzgl. Sauberkeit
2. Transfer der Forderungen in praktikable Abläufe bzw. Dokumente
3. Integration der Forderungen samt Möglichkeit zur Wirksamkeitsprüfung in das bestehende Qualitätsmanagementsystem
4. Abbildung der Abläufe in der Software für Prozess- und Dokumentenmanagement
5. Konzept zur nachhaltigen, organisatorischen Eingliederung der Forderungen (Rollen, Auf-gaben, Schulungskonzept, -inhalte etc.)
6. Validierung des Managementsystems für Sauberkeit im Rahmen eines Audits

 

Bitte wenden Sie sich bei Interesse mit Lebenslauf und vollständiger Notenübersicht per Mail an benedikt.martens@faps.fau.de

(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