Applied AI for Manufacturing: Maschine Learning und Deep Learning zur ganzheitlichen Optimierung von Fertigungs- und Montageprozessketten am Beispiel der Elektromotorenproduktion (BA/PA/MA)

Bildquellen: plotly Dash, Tensorflow

Ausgangslage:

Industrie 4.0 geht mit einer Vielzahl an Technologien einher, die großes Potential für die Elektromotorenproduktion von morgen bieten. Vor allem datengetriebene Ansätze, die sich der Methoden der Künstlichen Intelligenz (KI) bedienen, rücken zunehmend in den Fokus. Bisher befassen sich jedoch nur wenige wissenschaftliche Arbeiten mit den Potentialen datengetriebener Ansätze in der Elektromotorenproduktion. Dementsprechend mangelt es an branchenspezifischen Best Practices, an denen sich Elektromotorenbauer orientieren könnten.

Ziel eines laufenden, industrienahen Forschungsprojekts ist es daher, die Einsatzpotentiale von KI zur Prozess- und Produktionsoptimierung in der Elektromotorenfertigung durch datengetriebene Ansätze zu erschließen und Best Practices für die gesamte Branche abzuleiten. In Zusammenarbeit mit einschlägigen Industriepartnern sollen sämtliche verfügbaren Daten entlang der Produktionskette von Elektromotoren aggregiert, aufbereitet und analysiert werden. Die ganzheitliche Analyse von Material-, Prozess- und Qualitätsdaten soll es erlauben, bislang unbekannte Wirkzusammenhänge zwischen den einzelnen Prozessschritten zu identifizieren, die Fehler-Ursachen-Analyse zu beschleunigen, frühzeitig Anomalien zu detektieren und die Prüfzyklen bei voraussichtlich guten Teilen zu beschleunigen.

Mögliche Aufgabenstellung:

In diesem Kontext sind je nach Interessengebiet fortlaufend unterschiedliche Aufgabenstellungen für eine Bachelor-, Projekt- oder Masterarbeit zu vergeben. Eine mögliche Aufgabenstellung lautet wie folgt:

  • Einarbeitung in die Verfahren des Maschinellen Lernens (ML), u.a. Deep Learnings (DL), anhand von gestelltem Material sowie ggf. interaktiven Online-Kursen
  • Aufbereitung des Stands der Technik zum Einsatz von Maschinellem Lernen in der Produktion, insb. bei mehrstufigen Prozessketten
  • Analyse des Ist-Stands der betrachteten Prozesskette und Ableiten von datengetriebenen Optimierungsmöglichkeiten unter Einbezug bestehenden Domänenwissens
  • Auswertung der bereitgestellten Produktionsdaten in Anlehnung an das etablierte Referenzmodell CRISP-DM zur Erarbeitung eines Proof-of-Concepts:
    • Aufbau eines hinreichenden Prozess- und Datenverständnisses
    • Durchführung geeigneter Schritte zur Datenaufbereitung
    • Implementierung und Evaluation verschiedener ML- bzw. DL-Modelle unter Verwendung von Python in Kombination mit einschlägigen Bibliotheken wie scikit-learn und Google TensorFlow/ Keras
  • Dokumentation der Ergebnisse und Ableitung von Handlungsempfehlungen für Weiterentwicklungen

Nähere Informationen gerne auf Anfrage im persönlichen Gespräch. Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse.

Hinweise und Bewerbung:

  • Forschung an der Schnittstelle zwischen den Trendthemen Künstliche Intelligenz und Elektromotorenproduktion
  • Große Datenbasis vorhanden; zur Erstellung von KI-Modellen wird bei Bedarf ein leistungsfähiger PC bereitgestellt
  • Zielgerichtete Einarbeitung anhand von Vorarbeiten und interaktiven Online-Kursen möglich
  • Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht über das unten stehende Anfrageformular (grüner Button)

 

 

Beispielhafte KI-Anwendungen eines Industriepartners:

Kategorien:

Forschungsbereich:

Elektromaschinenbau

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Medizintechnik, Wirtschaftsingenieurwesen

Technologiefeld:

Fertigungsregelung und Intralogistik, Künstliche Intelligenz und Maschinelles Lernen, Medizintechnik, Software Engineering und Deployment, Innovatives Qualitätsmanagement

Kontakt:

Andreas Mayr, M.Sc., M.Sc.

Koordinator des Technologiefelds "Künstliche Intelligenz und Maschinelles Lernen"; Wissenschaftlicher Mitarbeiter im Forschungsbereich Elektromaschinenbau

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS)


Tim Raffin, M.Sc.

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS)