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 Mess- und Prozessdaten an, weshalb hier der Einsatz künstlicher Intelligenz, bspw. im Bereich Predicted Quality, großes Potenzial aufweist.
Zu Beginn jedes datengetriebenen Projekts steht die Schaffung einer soliden Datenbasis, denn diese hat den größten Einfluss auf die beim Training erzielbare Modellqualität. Hierbei müssen Daten gesammelt, analysiert und organisiert werden. Insbesondere in komplexen, bereits existierenden Produktionsumgebungen kann dies eine große Herausforderung darstellen. Um erfolgreich zu sein, müssen die Daten zusätzlich strukturiert, bereinigt und von hoher Qualität sein. Die Herausforderung dabei ist, dass neben einem grundlegenden Statistik- ein großes Prozessverständnis unabdingbar ist, weshalb eine zielgerichtete Kommunikation verschiedenster Domänen notwendig ist.
Keywords:
Data Science, Predicted Quality, Smart Data, Data Quality, Data Governance
Aufgabenstellung
Im Rahmen der Abschlussarbeit soll innerhalb eines industriellen Anwendungsfall ein Prozessmodell zur systematischen Datenaufnahme in komplexen Produktionssystemen validiert und auf optimiert werden. Dies erfolgt am Beispiel einer komplexen Fertigungslinie für ein Produkt aus dem Sensorikbereich für die Automobilbranche, welche sich gerade im Hochlauf befindet. Zu Beginn der Abschlussarbeit wird die zugrundeliegende Fertigungslinie mit Hilfe eines dafür entwickelten Prozessmodells zur systematischen Erstellung der Datenbasis analysiert. Anschließend erfolgt die die Validierung des Prozessmodells indem dessen Durchführbarkeit und die Ergebnisqualität methodisch bewertet werden. Anschließend werden dessen Optimierungspotentiale abgeleitet, um die Nutzbarkeit in der Praxis zu steigern.
Die Bearbeitung kann ohne Probleme Remote erfolgen und je nach Art der Abschlussarbeit modifiziert werden. Diese erfolgt in enger Zusammenarbeit mit der Firma Valeo.
Es sind potenzielle Arbeitspakete vorgesehen, welche allerdings im Rahmen der Bearbeitung flexibel anpassbar sind:
- Einarbeitung in die Grundlagen datengetriebener Projekte, Data Quality und Data Governance
- Einarbeitung in die Fertigungslinie und in das entwickelte Prozessmodell
- Validierung des Prozessmodells und Bewertung der Durchführbarkeit und Ergebnisqualität
- Ableitung von Optimierungspotentialen
- Dokumentation der Arbeit (in deutscher oder englischer Sprache)
Benefits
- Anwendungsbezogene Forschung im Rahmen eines Industrieprojekts
- Hervorragende Einstiegsmöglichkeiten in datengetriebene Projekte
- Hervorragenden Vernetzungsmöglichkeiten mit dem Industriepartner Valeo
- Bei Masterarbeit: Vergütung der Arbeit in Form einer Aufwandsentschädigung
Bewerbung
- Sehr gute Kenntnisse der deutschen oder englischen Sprache
- Sehr gute Kommunikative Fähigkeiten
- IT-Affinität erwünscht
- strukturierte und selbstständige Arbeitsweise vorausgesetzt
- Bewerbungen mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail
Nähere Informationen über Umfang und genaue Ausrichtung der Arbeit gerne im persönlichen Gespräch.
Kontakt:
Sven Meier, M.Sc., M. Sc.
Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)
- Telefon: +499115302-99079
- E-Mail: sven.meier@faps.fau.de
Nils Thielen, M.Sc.
Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)
- Telefon: +499115302-96264
- E-Mail: nils.thielen@faps.fau.de