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.
Kategorien:
Forschungsbereich:
AutomatisierungstechnikArt der Arbeit:
MasterarbeitStudiengang:
Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Medizintechnik, WirtschaftsingenieurwesenTechnologiefeld:
Künstliche Intelligenz und Maschinelles Lernen, Medizintechnik, Software Engineering und DeploymentKontakt:
Dominik Kißkalt, M. Sc.
Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)
- Telefon: +49 9131 85-27702
- E-Mail: dominik.kisskalt@faps.fau.de