In der industriellen Fertigung werden Anstrengungen unternommen, um die Kosten zu senken und gleichzeitig die Qualität der Produkte zu verbessern. Unter diesen Gesichtspunkten wird die Überwachung des Werkzeugzustands unternommen, um die Produktivität und Nachhaltigkeit zu erhöhen, indem die Werkzeuglebensdauer maximiert, die Maschinenstillstandszeiten minimiert, der Ausschuss reduziert und die Beschädigung von Werkstücken verhindert wird. In diesem Zusammenhang wird der Einsatz sowohl klassischer Methoden als auch maschineller Lernverfahren der Bildverarbeitung erforscht, um die Robustheit und Flexibilität der Erkennung von Veränderungen im Werkzeugzustand zu erhöhen und den menschlichen Aufwand zu minimieren.

Ziel:

Ziel der Arbeit ist die Erforschung, Entwicklung und Implementierung neuartiger Ansätze zur Automatisierung der Fehlererkennung mit dem Fokus auf Schweiß- und Zerspanprozesse.

Aufgabenstellung:

• Literaturrecherche und Zusammenfassung des Stands der Wissenschaft und Technik
• Entwicklung und Implementierung einer visuellen Fehlererkennung mit Hilfe von klassischen Methoden und/oder maschinellen Lernverfahren
• Bereitstellung des entwickelten Systems zur einfachen Nutzung (z. B. Webanwendung)
• Prüfung und Bewertung des Systems anhand realer Anwendungsfälle

Anforderungen:

• Programmierkenntnisse in Python
• Erfahrung mit Docker und der Entwicklung von Webapplikationen ist von Vorteil
• Selbstständiges sowie ergebnisorientiertes Arbeiten
• Sehr gute Deutsch- oder Englischkenntnisse in Wort und Schrift

Hinweise und Bewerbung:

• Bearbeitung vor Ort in München und/oder remote
• Je nach Interesse können verschiedene Themenschwerpunkte gesetzt werden
• Der Arbeitsumfang und spezifischen Inhalte werden entsprechend der Art der Arbeit angepasst
• Bewerbungen bitte per E-Mail mit Lebenslauf und akt. Fächerübersicht an lucas.janisch@siemens.com

Kategorien:

Kontakt: