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.

Anfrageformular

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

    *
    *
    *







    Kontakt: