Ausgangssituation

Zum Erhalt und Ausbau der Wirtschaftlichkeit ist es für produzierende Unternehmen unabdingbar, Wertschöpfungsketten zu digitalisieren und datengetriebene Optimierungsmethoden anzuwenden. Gerade im Produktionsbereich fallen eine Vielzahl verschiedenster Bild-, Sensor- und Prozessdaten an, weshalb hier der Einsatz künstlicher Intelligenz großes Potenzial, aber auch Hindernisse aufweist.

Im Rahmen der vollautomatisierten USV-Fertigung werden zahlreiche Bild- und Sensordaten abgegriffen sowie in einen Cloudspeicher gespeichert und verarbeitet, um diese für datengetriebene Modelle auf Basis von künstlicher Intelligenz verfügbar zu machen. Ziel dahinter ist die intelligente Nutzung dieser Daten, um fehlerhafte Bauteile durch die Identifizierung von Anomalien frühzeitig ausschleusen oder Parameter einzelner Fertigungsprozesse anpassen zu können. Durch die Vorhersage von Qualitätsmerkmalen kann das Prozessverständnis und somit die Prozessbeherrschung optimiert und Fehlerraten minimiert werden. Dies führt letztlich zu einer Kostenminimierung, bei gleichzeitiger Optimierung der Qualität.

Keywords:

Elektronikproduktion, Data Science, Artificial Intelligence, Machine Learning, Deep Learning

Aufgabenstellung

Im Rahmen der Abschlussarbeit soll eine intelligente Verknüpfung von Bild- und Sensordaten innerhalb einer Deep-Learning-Architektur konzipiert und umgesetzt werden.  Es soll eine multimodale Modellarchitektur erstellt werden, welche die Charakteristika der Datenstrukturen einer verketteten Produktionslinie ideal abbildet und es ermöglicht, anfallende Prozess- und Inline-Inspektionsdaten ideal in die Modellarchitektur zu integrieren. Idealerweise sollte diese flexibel aufgebaut und auf unterschiedliche Datenstrukturen anwendbar sein.

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

• Anwendungsbezogene Forschung im Rahmen eines Industrieprojekts
• Möglichkeit Python zu erlernen und anzuwenden (Vorkenntnisse erwünscht, aber kein Muss)
• Möglichkeit Deep Learning (Pytorch) zu erlernen und anzuwenden

Voraussetzungen

• Sehr gute Kenntnisse der deutschen oder englischen Sprache
• Hohe Eigenmotivation und eine gewisse IT-Affinität
• strukturierte und selbstständige Arbeitsweise
• Bewerbungen mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an Sven.Meier@faps.fau.de

Nähere Informationen über Umfang und genaue Ausrichtung der Arbeit gerne im persönlichen Gespräch.

Kontakt: