Bildquelle: Nidec Corporation

Ausgangslage:

Einen der Kernprozesse der Elektromotorenproduktion bildet das Kontaktieren. Das Ziel eines jeden Kontaktierungsverfahrens ist es, eine zuverlässige elektrische und mechanische Verbindung herzustellen. Weit verbreitete Verfahren sind das Widerstandschweißen, das Kalt-/Heißcrimpen, Löten oder Schneidklemmen. Die Anforderungen an solche Kontaktierprozesse steigen stetig. Neben einer hohen Energie- und Kosteneffizienz müssen die Prozesse stabil verlaufen und sich möglichst selbstständig an veränderliche Prozessbedingungen anpassen.

Aus diesem Grund wird im Rahmen eines aktuellen, industrienahen Forschungsprojekts untersucht, wie sich der Intelligenzgrad von Kontaktieranlagen unter Anwendung von Methoden der Künstlichen Intelligenz (KI) steigern lässt. Maschinelles Lernen (ML), ein Teilgebiet der KI, verleiht Systemen die Fähigkeit, anhand von Daten Muster und Zusammenhänge zu erlernen, ohne dass explizite Fakten und Regeln vorgeben werden müssen. Mögliche Anwendungsfelder reichen von der prädiktiven Instandhaltung, der Anomaliedetektion, Qualitätsprädiktion bis hin zur Parameteroptimierung. Neben klassischen ML-Verfahren kommen auch Methoden des Deep Learnings (tiefe neuronale Netze) sowie evolutionäre Algorithmen in Betracht.

Mögliche Aufgabenstellung:

Ziel dieser Arbeit ist es, das Einsatzpotential von Maschinellem Lernen beim Widerstandsschweißen im Kontext der Elektromotorenproduktion zu untersuchen. Hierzu stehen Datensätze seitens eines Industriepartners sowie des Lehrstuhls zur Verfügung. Auf Basis derer sollen insbesondere Ansätze zur Qualitätsprädiktion und Parameteroptimierung praktisch erprobt werden. Der Aufbau der Arbeit wäre also wie folgt:

• Einarbeitung in die Grundlagen des Widerstands(press)schweißens zum Kontaktieren im Kontext der Elektromotorenproduktion
• Aneignung von statistischen Methoden zur Datenanalyse sowie relevanten Verfahren des Maschinellen Lernens zur Prozessmodellierung und -optimierung
• Strukturierte Aufbereitung von bestehenden ML-Ansätzen bei Kontaktierverfahren und artverwandten Fügeprozessen
• Ableiten eines geeigneten Konzepts für das Widerstandsschweißen zur Qualitätsprädiktion und anschließenden Parameteroptimierung
• Programmiertechnische Umsetzung des ausgewählten Konzepts in Anlehnung an das etablierte Vorgehensmodell CRISP-DM unter Verwendung von Python und einschlägigen Bibliotheken (pandas, scikit-learn, Keras etc.)
• Diskussion der Ergebnisse und Ausblick auf Weiterentwicklungsmöglichkeiten

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 KI, Machine Learning und Elektromotorenproduktion mit hohem Industriebezug
• Möglichkeit der Einarbeitung gegeben; hierfür werden bei Bedarf praxisnahe Online-Kurse, Bücher und Vorarbeiten bereitgestellt
• Größtenteils ortsflexible und selbstständige Bearbeitung
• Performanter KI-PC mit Remote-Zugang wird bei Bedarf gestellt
• Bewerbungen bitte mit Lebenslauf und aktueller Fächerübersicht an andreas.mayr@faps.fau.de

Beispielhafte Kontaktieranlage und geschweißte Bauteile eines Industriepartners:

Weiterführende Literatur:

• Zhou, B. Machine Learning Methods for Product Quality Monitoring in Electric Resistance Welding. Karlsruhe: KIT-Bibliothek, 2021. Verfügbar unter: https://publikationen.bibliothek.kit.edu/1000132412/113220513
• Mayr, A., J. Seefried, M. Ziegler, M. Masuch, A. Mahr, J.v. Lindenfels, M. Meiners, D. Kisskalt, M. Metzner und J. Franke. Machine Learning in Electric Motor Production – Potentials, Challenges and Exemplary Applications. In: 9th Int. Electric Drives Prod. Conf. (EDPC): IEEE, 2019, S. 1-10. Verfügbar unter: https://doi.org/10.1109/EDPC48408.2019.9011861

Kategorien:

Kontakt: