Applying AI in Industry: Methodik zur systematischen Erschließung von KI-Potentialen in der Produktion am Beispiel der Elektromotorenfertigung (BA/PA/MA)

Bildquelle: Siemens

Ausgangslage:

Die digitale Transformation der Produktion verspricht, die Produktivität im Inland zu steigern und neue Geschäftspotenziale zu erschließen. Das Revolutionäre an Industrie 4.0 ist nicht allein die Digitalisierung der Produkte und ihrer Produktion, sondern die Möglichkeit technische Systeme in Echtzeit zu vernetzen. Die dadurch gewonnenen Daten können mit Methoden des maschinellen Lernens (ML), einem Teilgebiet der Künstlichen Intelligenz (KI), nutzbringend ausgewertet und daraus neues Wissen generiert werden. Mit zunehmender Rechen- und Speicherleistung durch Cloud Computing aber auch in lokalen Edge-Geräten lassen sich komplexe Algorithmen, etwa Verfahren des Deep Learnings, zur Prozess- und Qualitätsverbesserung im Produktionsumfeld einzusetzen.

Speziell in der Elektromotorenproduktion, die sich durch die Elektromobilität mit steigenden Qualitätsanforderungen, einer erhöhten Komplexität sowie einem hohen Kostendruck konfrontiert sieht, verspricht die Erfassung und intelligente Analyse von Prozessdaten einen großen Mehrwert. Bisher befassen sich jedoch nur wenige wissenschaftliche Arbeiten mit der systematischen Erschließung von Potentialen der Künstlichen Intelligenz in der Elektromotorenproduktion.

Aufgabenstellung:

Im Rahmen eines aktuellen, industrienahen Forschungsprojekts soll gemeinsam mit namhaften Partnern analysiert werden, welche Potentiale die Künstliche Intelligenz für die Elektromotorenproduktion von morgen birgt. Hierfür ist ein methodischer Ansatz zur systematischen Identifizierung, Bewertung und Auswahl von KI-Use-Cases zu erarbeiten. Daraus ergeben sich folgende Arbeitspakete:

  • Einarbeitung in die relevanten Grundlagen von KI, insb. ML
  • Strukturierte Aufbereitung von bestehenden KI-Anwendungsfällen in der Produktion
  • Vergleich bestehender Vorgehensweisen im Bereich Industrie 4.0, Data Analytics, Data Mining, KI und Maschinelles Lernen zur Identifizierung, Spezifikation, Bewertung und Auswahl von Use Cases (z.B. CRISP-DM, DMME, ML Canvas)
  • Ableiten eines geeigneten methodische Ansatzes zur systematischen Identifikation, Spezifikation und Bewertung von KI-Use-Cases in der Elektromotorenproduktion unter Berücksichtigung sowohl technischer (z.B. Datenreife) als auch wirtschaftlicher Gesichtspunkte (z.B. Investitionskosten)
  • Beispielhafte Validierung des Ansatzes anhand eines ausgewählten Fallbeispiels am E|Drive-Center desLehrstuhls FAPS (oder ggf. eines Industriepartners)

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 Künstliche Intelligenz und Elektromotorenproduktion
  • Strukturierte, systematische Vorgehensweise
  • Interesse an KI vorausgesetzt, zielgerichtete Einarbeitung anhand von Vorarbeiten möglich
  • Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht über das unten stehende Anfrageformular (grüner Button)

Beispielhaftes Werkzeug zur Spezifikation von ML-Use-Cases: Machine Learning Canvas

Ansprechpartner:

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

Kategorien:

Forschungsbereich:

Elektromaschinenbau

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

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

Technologiefeld:

Handhabungstechnik, Künstliche Intelligenz und Maschinelles Lernen, Medizintechnik, Planung und Simulation, Energy and Ecology, 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)