Ausgangssituation
Wir leben in einer Zeit, in der digitale Transformation und datengetriebene Optimierungsmethoden entscheidend für die Rentabilität produzierender Unternehmen sind. Gerade im Produktionsbereich ist der Einsatz von künstlicher Intelligenz (KI) von großer Bedeutung, wo eine Vielzahl an Bild-, Sensor- und Prozessdaten anfällt.
Im Kontext der vollautomatisierten USV-Fertigung nutzen wir KI, um eine Vielzahl an Daten zu sammeln, zu speichern und zu verarbeiten. Das Ziel ist es, durch den Einsatz von datengetriebenen Modellen fehlerhafte Bauteile frühzeitig zu identifizieren und Produktionsprozesse effizienter zu gestalten, was zu Kostenreduktion, Qualitätsoptimierung und nicht zuletzt zur Minimierung des produktbezogenen CO2-Footprints führt.
Keywords:
Elektronikproduktion, Data Science, Predictive Quality, Artificial Intelligence, Machine Learning, Deep Learning
Aufgabenstellung
Das Hauptziel dieser Abschlussarbeit besteht in der Verfeinerung einer multimodalen Deep-Learning-Architektur zur Qualitätsprognose, die sowohl Bild-, Sensordaten aus einer verketteten Produktionslinie heranzieht .Neben der Verbesserung der Leistungsindikatoren des Modells liegt ein besonderes Augenmerk auf der Steigerung der Nachvollziehbarkeit und Interpretierbarkeit des Modells. Dazu sollten Methoden eingesetzt werden, die die Entscheidungsfindung des Modells transparent machen und so zur Akzeptanz und Vertrauensbildung beitragen. Ebenso soll die Übertragbarkeit des KI-Modells auf andere, vergleichbare Fertigungslinien der Produktreihe untersucht und optimiert werden. Ein zusätzlicher Schwerpunkt könnte auf der Integration von Konzepten für kontinuierliches Lernen liegen, um eine Adaptierbarkeit des Modells an neue Daten und sich ändernde Muster sicherzustellen. Dies kann durch die Anwendung von Online-Learning-Techniken oder durch die Implementierung von Mechanismen zur progressiven Modellanpassung erreicht werden.
Die Aufgabenstellung ist je nach persönlichen Interessen anpassbar, wobei sowohl programmierlastige, konzeptionelle und methodische Schwerpunkte möglich sind.
Es sind potenzielle Arbeitspakete vorgesehen, welche allerdings im Rahmen der Bearbeitung und Zwischenergebnisse flexibel anpassbar sind:
- Einarbeitung in den Anwendungsfall und der zugrundeliegenden Datenstruktur
- Einarbeitung in Python
- Einarbeitung in die Modellierung von Deep Learning Architekturen mit Pytorch
- Ausarbeitung verschiedener Deep Learning Modelle
- Ggf. Erstellung eines Dashboards bzw. eines GUIs
- Dokumentation der Arbeit (in deutscher oder englischer Sprache)
Benefits
- Anwendungsorientierte Forschung im Rahmen eines Industrieprojekts im Automotiv-Bereich
- Theoretisch 100%-Remote-Work möglich
- Ideale Chance digitale Technologien im Kontext KI zu erlernen insbesondere Python und Deep Learning (z.B. Tensorflow, Pytorch,..) zu erlernen und anzuwenden
- Vergütung in Form einer Aufwandsentschädigung
Voraussetzungen
- Sehr gute Kenntnisse der deutschen oder englischen Sprache
- Hohe Eigenmotivation und eine gewisse IT-Affinität
- strukturierte und selbstständige Arbeitsweise
- Vorkenntnisse in Python sind wünschenswert, aber nicht notwendig
Bewerbungen bitte mit Lebenslauf und aktueller Fächerübersicht per E-Mail an Sven.Meier@faps.fau.de. Für weitere Informationen über Umfang und genaue Ausrichtung der Arbeit stehe ich gerne für ein persönliches Gespräch zur Verfügung.
Kontakt:
Sven Meier, M.Sc., M.Sc.
Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)
- Telefon: +491622603753
- E-Mail: sven.meier@faps.fau.de
Nils Thielen, M.Sc.
Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)
- Telefon: +491725167308
- E-Mail: nils.thielen@faps.fau.de