Datamining und ML-basierte Qualitätssicherung an einem Schneid-Crimp-Vollautomaten

In der Herstellung von automobilen Bordnetzen spielt die Kabelkonfektionierung, das heißt die Herstellung von anschlussfertigen Leitungen, eine entschiedene Rolle. Im Gegensatz zur gesamten Prozesskette der Bordnetzherstellung, ist dieser Teilbereich bereits weitestgehend automatisiert. In modernen Anlagen, wie dem am FAPS stehenden Schleuniger CrimpCenter 36SP, können in Taktzeiten von unter einer Sekunde Leitungen „Crimp to Crimp“ konfektioniert werden. Hierbei fallen Unmengen von Daten an, welche zur Informationsgewinnung und Wissensgenerierung verwendet werden können.

Mit der Zielstellung aus anfallenden Daten die Qualität vorherzusagen und die Anlage optimal einzustellen, sind hierzu verschiedene studentische Arbeiten zu vergeben, welche sich thematisch im Bereich datengetriebener Prozess- und Produktionsoptimierung, optimiertem Monitoring und Predictive Maintenance, bewegen.

 

Die Arbeit beinhaltet folgende Schwerpunkte:

  • Einarbeitung in Data Mining Methoden/maschinelle Lernverfahren
  • Einarbeitung in das Untersuchungsobekt Crimpvollautomat Schleuniger CrimpCenter 36SP
  • Konzeptionierung und Entwicklung einer, mit dem Betruer thematisch eingegrenzten Aufgabe im oben beschriebenen Themen
  • Dokumentation der Arbeit

 

Vorteil bei der Bearbeitung:

  • Praxisnahe Themenstellung
  • Kontakt zu einem wichtigen Industriepartner

 

Kategorien:

Forschungsbereich:

Signal- und Leistungsvernetzung

Art der Arbeit:

Masterarbeit, Projektarbeit

Kontakt:

Robert Süß-Wolf

FAU Erlangen-Nürnberg Lehrstuhl FAPS