Situation und Motivation:

Der Wandel der Automobilindustrie zur Elektromobilität und zum autonomen Fahren birgt einige Risiken, aber auch etliche Chancen für OEM’s, Zulieferer und Anlagenhersteller. Eine zentrale Rolle in dieser Wertschöpfungskette nimmt das Bordnetz ein, welches alle elektrischen Komponenten, also alle Antriebe, Steuergeräte und Sensoren, verbindet und somit den Energie- und Signalfluss im gesamten Fahrzeug sicherstellt. Durch die Zunahme von elektrischen Funktionen, insbesondere verursacht durch Elektrofahrzeuge und autonomes Fahren, steht dem automobilen Bordnetz ein globales Markwachstum von 74 (2018) auf 124 Mrd. Euro (2027) bevor.

In der zur Bordnetzherstellung gehörendenden Kabelkonfektionierung ist das Fügen von Leiter und Verbindungselement einer der komplexesten und qualitätskritischsten Prozesse und wird in der Regel durch Crimpen auf Handarbeitsplätzen, Halb- sowie Vollautomaten realisiert. Im Rahmen der erhöhten Sicherheitsanforderungen des autonomen Fahrens ist allerdings eine ganzheitliche Analyse und Traceability der qualitätskritischen Daten notwendig.

Die im Produktionsprozess entstehenden Prozesskurven (z.B. Kraft über Weg oder Drehmoment über Zeit) werden heute allerdings nur durch vereinfachte Parameter überwacht. Hierdurch gehen potenzielle Kriterien und Einflussgrößen, die sich in der Prozesskurve widerspiegeln, verloren und sind im Fehlerfall entsprechend nicht mehr nachvollziehbar bzw. rückverfolgbar.

Durch den Einsatz von Deep Learning-Verfahren kann die Qualitätsüberwachung gesamtheitlich auf ein höheres Niveau gebracht werden.

Ziel der Arbeit:

Ziel der Arbeit ist die Entwicklung einer Deep-Learning basierten Anomaliedetektion zur In-Line Qualitätsüberwachung von Kraftkurven von Kaltcrimpverbindungen.

Schwerpunkt und Arbeitsinhalte:

• Einarbeitung in die Methoden und Tools des Maschinellen Lernens / Deep Learning  (Python, Pandas, NumPy, scikit-learn, Tensorflow, Keras, Pytorch etc.)
• Einarbeitung in den Produktionsprozess des Kaltcrimpens
• Durchführung von Versuchsreihen und Strukturierung der Daten
• Entwicklung optimaler Netzwerkarchitekturen zur Anomaliedetektion generalisierter Datensets
• Entwicklung optimaler Netzwerkarchitekturen zur Fehlerklassifikation generalisierter Datensets
• Vergleich, Interpretation und Auswertung verschiedener Architekturen / Hyperparameter
• Vergleich, Interpretation und Entwicklung klassischer ML-Ansätze (Random Forest, XG Boost, etc.)
• Entwicklung einer Schnittstelle zur besseren Erklärbarkeit / Nachvollziehbarkeit der Deep-Learning-Ergebnisse aus Anwendersicht z.B. mittels Grad-CAM  / Saliency-maps
• Evaluation und kritische Betrachtung der Ergebnisse
• Dokumentation der Arbeit

Was Du mitbringen solltest:

• Selbstständige Arbeitsweise
• Interesse an den Themen künstlicher Intelligenz/ Maschinelles Lernen und Qualitätsüberwachung
• Programmierkenntnisse in Python von Vorteil, aber nicht zwingend erforderlich
• Vorkenntnisse in den einschlägigen Bibliotheken wie scikit-learn und TensorFlow/ Keras / PyTorch von Vorteil, aber nicht zwingend erforderlich

Hinweise und Bewerbung:

• Der Arbeitsumfang kann individuell und entsprechend der Interessen angepasst werden
• Spezifische Themen könne auch im Rahmen einer Hiwi-Tätigkeit bearbeitet werden
• Aus dieser Ausschreibung können mehrere studentische Arbeiten mit folgenden Schwerpunkten generiert werden:
  • Versuchsreihen und Anomaliedetektion
  • Versuchsreihen und Fehlerklassifikation
  • Erklärbarkeit und Nachvollziehbarkeit
  • Klassische ML-Ansätze
  • Bibliothek PyTorch

Schicke mir bei Interesse bitte eine E-Mail mit Lebenslauf und aktuellem Notenspiegel an bernd.hofmann@faps.fau.de

Kategorien:

Kontakt: