Index

Ausarbeitung einer Kontinuierliche Einlegsysteme für induktive Ladepads in elektrifizierten Straßen (BA/PA/MA)

Ausgangslage:

Die Entwicklung innovativer induktiver Ladetechnologien bietet die Möglichkeit, DWPT-Module (dynamic wireless power transfer modules) direkt in die Fahrbahn zu integrieren und somit die Energieversorgung von Elektrofahrzeugen während der Fahrt zu ermöglichen. Entscheidend für die Realisierung eines elektrifizierten Straßennetzes ist die effiziente Integration von DWPT-Segmente während des Straßenbaus. Bei früheren Projekten zur Elektrifizierung von Straßen wurden einzelne Ladeeinheiten manuell oder in begrenztem Umfang automatisiert installiert, was sich bei großen Projekten zur Elektrifizierung von Straßen als äußerst zeitaufwändig erwies. Ein Konzept zur Integration mehrerer DWPT-Segmente in mehrteilige Baugruppen wird derzeit im Rahmen des E|MPOWER-Projekts entwickelt. Das Ziel ist ein hocheffizienter Prozess für den Einsatz von DWPT-Segmenten auf langen Streckenabschnitten.

Mögliche Aufgabenstellungen

Themen aus den Bereichen der automatisierten Produktion von mehrteiligen Baugruppen, der automatisierten Handhabung und Installation von Baugruppen sowie Transport- und Lagerlösungen sind von großem Interesse. Mögliche Aufgabenstellungen können sein:

  • Entwurf und Planung von Fertigungsprozessen, die die Integration von DWPT-Segmenten in Baugruppen unterstützen
  • Entwicklung und Erprobung von Systemen für den automatischen Einbau von mehrteiligen DWPT-Baugruppen
  • Alternative Ansätze für eine effiziente automatisierte Installation von DWPT-Systemen

Nähere Informationen sowie Beginn und Umfang der Arbeit können im Rahmen eines persönlichen Gesprächs diskutiert werden. Eine Konkretisierung des Themas erfolgt nach Absprache der persönlichen Interessen.

Hinweise und Bewerbung:

 

  • Bearbeitung der Aufgaben im studentischem Team für ERS-Forschung
  • Forschungstätigkeiten werden hauptsächlich von FAPS auf AEG (Fürther Str. 246b, Nürnberg) durchgeführt
  • Erfahrung mit CAD-Software (Inventor, Creo, Siemens Plant-Sim, usw.) bevorzugt
  • Bewerbungen bitte per E-Mail mit Lebenslauf und aktueller Fächerübersicht
  • Bewerber, die ihr Interesse bekunden, erhalten weitere Informationen zu möglichen Arbeitsthemen und werden gebeten, eine vorläufige Problemstellung zu formulieren.

Ansprechpartner:

Patrick Ehrlicher

Konzeption, Konstruktion und Umsetzung eines Versuchsaufbaus zur induktiven Kompaktierung von Hochfrequenzlitzen

Ausgangssituation:

Hochfrequenzlitzen (HF-Litzen) bestehen aus mehreren elektrisch voneinander isolierten und gebündelten Drähten und werden bei der Elektrifizierung von Straßen insbesondere in induktiven Ladespulen eingesetzt. Diese ermöglichen die drahtlose Übertragung von Energie in Form einer Stromquelle unter der Fahrbahn zu einem Elektrofahrzeug.

Eine zentrale Herausforderung bei der Herstellung von Ladespulen ist die Kontaktierung der HF-Litzen. Derzeit ist das Heißcrimpen das in der Industrie etablierte Verfahren. Da es sich beim Heißcrimpen um einen leistungsgeregelten Prozess handelt, ist die tatsächliche Prozesstemperatur unbekannt. Aus diesem Grund soll im Rahmen dieser Arbeit ein Versuchsaufbau konzipiert, konstruiert und aufgebaut werden, der das temperaturgeregelte induktive Kompaktieren von HF-Litzen ermöglicht.

 

Der Umfang der Arbeit umfasst dabei folgende Arbeitsinhalte:

  • Literaturrecherche zu aktuellen Standards und Entwicklungen im Bereich der Kontaktierungstechnik von HF-Litzen
  • Konzeption eines neuen Versuchsaufbaus unter Berücksichtigung der bestehenden Forschungslücken und Herausforderungen
  • Konstruktion des Versuchsaufbaus mittels CAD-Software
  • Auswahl geeigneter Materialien und Komponenten
  • Aufbau und Inbetriebnahme des Versuchsaufbaus im Labor
  • Durchführung von experimentellen Tests zur Validierung der Funktionalität und Leistungsfähigkeit des Versuchsaufbaus
  • Auswertung der Versuchsergebnisse und Ableitung von Schlussfolgerungen

Experimentelle Untersuchung zur innovativen Pfostentheorie

Nähere Informationen sowie Beginn und Umfang der Arbeit können in einem persönlichen Gespräch diskutiert werden. Eine Konkretisierung des Themas erfolgt nach Absprache.

 

Voraussetzungen zur Bewerbung:

  • Kenntnisse in CAD-Software zur Konstruktion von Versuchsaufbauten
  • Hohe Motivation, Neugierde sowie selbständige und strukturierte Arbeitsweise
  • Deutsch in Wort und Schrift von elementarer Bedeutung

 

Bewerbungen mit Lebenslauf und aktuellem Notenspiegel bitte per E-Mail an:

miriam.eichinger@faps.fau.de

 

Sollten Sie in die engere Auswahl kommen, dann werden Sie per Mail kontaktiert. Ein Anruf ist nicht notwendig.

PA/BA/MA – Aufbau einer Applikationsanlage zur Weiterverarbeitung von gedruckten Elektroblechen für Traktionsantriebe

Ausgangssituation:

Im Rahmen des Forschungsprojektes Effiblech werden erstmals Elektrobleche über ein Druckverfahren hergestellt. Der neuartige Prozess fordert auch neue Lösungen in der Weiterverarbeitung der Bleche. Dazu gehören, neben der Handhabung, auch Prozesse zur Applikation der Isolations- und Klebeschichten.

Ziel dieser Arbeit ist es, den Aufbau eines realen Prüfstands zur Applikation von Isolationsstoffen zu unterstützen. Das Prüfstandkonzept sowie ein Großteil der Prüfstandsteile liegen bereits auf Basis diverser Vorarbeiten vor.

 

Aufgabenschwerpunkte:

  • Einarbeiten in den Themenkomplex Elektroblech/Isolation
    • Produkte
    • Technischer Standard
    • Verfahren
  • Praktischer Aufbau des Prüfstands
    • Methodisches Vorgehen
    • Integration der Hardware
    • Reale Umsetzung des vortuellen Modelles
    • Inbetriebnahme und Bewertung

 

Persönliche Voraussetzungen:

  • Interesse an elektrischen Maschinen und Elektromaschinenbau
  • Strukturiertes, lösungsorientiertes und wissenschaftliches Arbeiten
  • Eigenständigkeit
  • Praktische Erfahrung empfehlenswert

 

Weitere Informationen und Details sind bei Nico Wieprecht erhältlich. Eine Bearbeitung ist ab sofort möglich. Bewerbungen senden Sie bitte mit Notenauszug und Lebenslauf per E-Mail oder über das Anfrageformular.

KI in der Fertigungsplanung: Semantische Technologien zur intelligenten Bereitstellung von Fach- und Lösungswissen bei der Produktionssystemkonzipierung am Beispiel der elektrischen Antriebstechnik

Ausgangslage:

Das Interesse an Künstlicher Intelligenz (KI) und dessen Einsatz in der industriellen Produktion wächst stetig. Das zunehmend bekannte Maschinelle Lernen stellt jedoch nur eine von mehreren KI-Technologien dar, welche die Grundlagenforschung hervorgebracht hat. Ein weiteres Teilgebiet der KI bilden die sogenannten Semantischen Technologien, die vor allem im Wissensmanagement eine entscheidende Rolle spielen. Sie ermöglichen es, Wissen derart strukturiert und maschinenverständlich aufzubereiten, sodass es im Anschluss zur zielgerichteten Unterstützung bei komplexen, wissensintensiven Aufgaben genutzt werden kann. Gerade in der Produktionssystemkonzipierung bergen derartige Technologien das Potential, Planungsaufwände durch die Bereitstellung von existierendem Fach- und Lösungswissen zu reduzieren.

Wie Semantische Technologien im Wissensmanagement konkret genutzt werden können, zeigen sog. Semantic Wikis. Entgegen konventioneller Wikis verfügt ein Semantic Wiki über ein Modell des in ihm gespeicherten Wissens. Inhalte können mittels semantischer Annotationen maschinenlesbar angereichert werden. Dadurch ist es möglich, Wissen über Seiteninhalte und ihre Relationen festzuhalten, sodass Computer zumindest Teile des Wissens automatisch verarbeiten können. Semantic Wikis bieten nicht nur einen einfachen Einstieg ins semantische Wissensmanagement, sondern ebnen zugleich den Weg hin zu einem unternehmensübergreifenden Knowledge Graph.

Im Rahmen aktueller Forschungsaktivitäten wird daher untersucht, inwiefern sich Semantische Technologien wie z.B. Semantic Wikis zur Unterstützung der Fertigungsplanung eignen. Als Anwendungsdomäne dient die Produktion von Elektromotoren, die angesichts der Elektromobilität immer mehr an Bedeutung gewinnt. Im derzeit entstehenden Semantic Wiki zur Konzipierung von Produktionssystemen für elektrische Antriebe sollen u.a. sämtliche Prozessalternativen, deren Beschreibung, Attribute und Constraints festgehalten werden. Der Fertigungsplaner kann dadurch automatisch Übersichten erzeugen, die verschiedene Prozessalternativen gegenüberstellen, und bekannte Interdependenzen zu Produkteigenschaften aufzeigen. Weitere intelligente Assistenzfunktionen, die auf dem inhärenten Wissensmodell des Semantic Wikis aufbauen, sind in aktuell in Planung.

Mögliche Aufgabenstellung:

In diesem Kontext sind je nach Interessengebiet unterschiedliche Aufgabenstellungen für eine Bachelor-, Projekt- oder Masterarbeit zu vergeben:

Themenschwerpunkt 1 (für eher IT-orientierte Studierende):

KI in der Fertigungsplanung: Erweiterung eines Semantic Wikis um intelligente Funktionen zur Unterstützung der Produktionssystemkonzipierung für elektrische Antriebe

  • Einarbeitung in KI, Semantische Technologien sowie Semantic Wikis (Stichwort: Knowledge Graph, Semantic Web, RDF, OWL, SPARQL etc.)
  • Überarbeitung und Weiterentwicklung der zugrundeliegenden Server- und Wiki-Struktur (RDF-Schema)
  • Implementierung von intelligenten Abfragen zur (teil-)automatisierten Erstellung von Produktionssystemkonzepten unter Verwendung von SPARQL und ggf. unter Einbezug eines Large Language Models (LLMs) wie ChatGPT, durch das SPARQL-Abfragen anhand der offen formulierten Nutzeranfragen generiert und der SPARQL-Output im Anschluss verbalisiert wird
  • Einbindung der Abfragen in die web-basierten Bedienoberfläche im Sinne eines User-centered-Design-Ansatzes

Themenschwerpunkt 2 (für eher produktionsorientierte Studierende):

KI in der Fertigungsplanung: Erweiterung der Wissensbasis eines Semantic Wikis zur Unterstützung der Produktionssystemkonzipierung für elektrische Antriebe

  • Einarbeitung in die grundlegende Funktionsweise eines Semantic Wiki sowie die Produktion von elektrischen Antrieben
  • Strukturierte Aufbereitung von Wissen zu den Prozessen der jeweils betreffenden Teilprozesskette (z.B. Rotorfertigung, Statorfertigung, Endmontage)
  • Überführung des Wissens in das bestehende Semantic Wiki
  • Ausarbeitung von Use Cases, die aufzeigen, wie der Fertigungsplaner das im Wiki enthaltene Wissen in seinen Planungsaktivitäten einbeziehen kann

Die Einarbeitung in Semantische Technologien, insb. Semantic Wikis, ist auch für IT-begeisterte Maschinenbauer, Wirtschaftsingenieure o.ä. gut möglich. Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse. Die Möglichkeit der Einarbeitung wird gegeben. Auch eine Kombination von Themenschwerpunkt 1 und 2 ist denkbar. Nähere Informationen gerne auf Anfrage im Rahmen eines persönlichen Gesprächs, etwa via Webkonferenz.

Hinweise und Bewerbung:

  • Forschung an der Schnittstelle zwischen den Trendthemen KI, Semantischen Technologien, Wissensmanagement und elektrische Antriebstechnik
  • Zielgerichtete Einarbeitung anhand von Vorarbeiten, Literatur und ggf. Online-Kursen (z.B. https://open.hpi.de/courses/knowledgegraphs2020)
  • Zugriff auf das Semantic Wiki via Web-Interface über eigenen Login, d.h. Bearbeitung von zu Hause aus möglich
  • Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht an andreas.mayr@faps.fau.de

Ansprechpartner:

Andreas Mayr, M.Sc., M.Sc.

Weiterführende Literatur:

  • Mayr, A., S. Dietze, T. Herzog, E. Schaffer, F. Schafer, J. Bauer, J. Fuchs und J. Franke. Knowledge-based Support of the Production System Design by Semantic Technologies Using the Example of the Electric Motor Production. In: 9th Int. Electric Drives Prod. Conf. (EDPC): IEEE, 2019, S. 1-6. https://doi.org/10.1109/EDPC48408.2019.9011874
  • Bauer, F. Planungswerkzeug zur wissensbasierten Produktionssystemkonzipierung [online]. Zugl.: Paderborn, Universität Paderborn, Diss., 2014. 2014. Verfügbar unter: https://d-nb.info/1074461711/34
  • Seifert, I., et al. Potenziale der Künstlichen Intelligenz im produzierenden Gewerbe in Deutschland: Studie im Auftrag des Bundesministeriums für Wirtschaft und Energie (BMWi) im Rahmen der Begleitforschung zum Technologieprogramm PAiCE—Platforms| Additive Manufacturing| Imaging| Communication| Engineering. 2018. Verfügbar unter: https://www.bmwi.de/Redaktion/DE/Publikationen/Studien/potenziale-kuenstlichen-intelligenz-im-produzierenden-gewerbe-in-deutschland.pdf
  • Dengel, Andreas (Hg.). Semantische Technologien. Grundlagen – Konzepte – Anwendungen. Heidelberg: Spektrum Akad. Verl.. 2012. ISBN 9783827426635

Smart Electric Drives Production: Intelligentes Biegen von Flachdraht für die Produktion elektrischer Traktionsantriebe durch Sensorintegration und maschinelle Lernverfahren (BA/PA/MA/HiWi; verschiedene Schwerpunkte)

Motivation: 

Für die deutsche Automobilindustrie bietet der Wandel hin zur Elektromobilität einige Risiken, aber auch etliche Chancen. So werden es vor allem Lösungen des hiesigen Maschinen- und Anlagenbaus sein, die die Batteriekosten reduzieren, Leichtbau ermöglichen und die Produktion von Elektromotoren verbessern. Eine der Herausforderungen bei Elektromotoren der neusten Generation besteht in der präzisen Herstellung sogenannter Hairpins – massive, lackisolierte Kupferflachdrähte, die gerichtet, stellenweise abisoliert, abgelängt, zu dreidimensionalen Spulen geformt und verschweißt werden müssen.

Die Hairpin-Statorproduktion ist von einer Überlagerung mehrerer, nichtlinearer Effekte geprägt. So haben vorgelagerte Prozessschritte, wie das initiale Biegen der Hairpins, einen hohen Einfluss auf das Ergebnis nachfolgender Füge-, Schränk- und Kontaktierungsoperationen. Im Rahmen eines angelaufenen Industrieprojekts soll daher untersucht werden, inwiefern auf Basis von Echtzeit-Prozessdaten geometrische Abweichungen von der Zielgeometrie sowie Beschädigungen mittels geeigneter Sensorik und entsprechenden Analyse-Logiken detektieren werden können. Durch „sensorisierte“ Biegeanlagen ließen sich Schwankungen des Eingangsmaterials anhand von Messdaten, etwa unter Anwendung von Methoden der Künstlichen Intelligenz, approximieren und durch intelligentes Anpassen der Biegekräfte kompensieren und somit den Ausschussanteil reduzieren.

Aufgabenstellungen: 

Vor diesem Hintergrund leiten sich verschiedene Aufgabenstellungen für Bachelor-/Projekt- und Masterarbeiten ab, welche die Durchführung von Versuchsreihen, die konstruktive Anpassung der Anlagen sowie die zusätzliche Integration von Sensoren adressieren. Der genaue Schwerpunkt kann je nach Interesse und Vorkenntnissen im Zuge eines persönlichen Gesprächs festgelegt werden. Eine mögliche Aufgabenstellung wäre:

  • Einarbeitung in die Grundlagen der Hairpin-Statorproduktion, insb. des Biegens
  • Identifikation, Bewertung und Vergleich verschiedener Lösungen zur Inline-Messung relevanter Prozessgrößen
  • Konstruktive Anpassung der bestehenden Biegeanlagen zur Integration der ausgewählten Sensorlösungen
  • Implementierung der ausgewählten Sensorlösungen und Validierung derer anhand praktischer Versuchsreihen
  • Statistische Auswertung der gewonnenen Messdaten zur Korrelation von Prozess- und Qualitätsgrößen (je nach Schwerpunkt und Art der Arbeit unter Anwendung von Methoden der Künstlichen Intelligenz, insb. des Maschinellen Lernens)

Voraussetzungen und Bewerbung: 

  • Interesse an der Produktion elektrischer Traktionsantriebe sowie der Auslegung cyber-physischer Systeme
  • Freude an praktischer Arbeit wie der Einrichtung von Sensorik und der Durchführung von Experimenten
  • Selbständige und gewissenhafte Arbeitsweise, gerne auch in direktem Kontakt zum Industriepartner
  • Bewerbungen vorzugsweise per E-Mail mit Lebenslauf, aktueller Fächerübersicht und Nennung des bevorzugten Themenkomplexes an beide Ansprechpartner, d.h. marcel.baader@faps.fau.de und andreas.mayr@faps.fau.de (in CC)

Ansprechpartner: 

Marcel Baader, M.Sc.
Andreas Mayr, M.Sc., M.Sc.

Hands-on Machine Learning: Praktischer Einsatz von maschinellen Lernverfahren zur datengetriebenen Optimierung der automobilen Elektromotorenproduktion (BA/PA/MA; verschiedene Schwerpunkte möglich)

Ausgangslage:

Damit die Transformation des Elektromotorenbaus hin zur Industrie 4.0 gelingt, ist neben der horizontalen und vertikalen Vernetzung der Produktionssysteme vor allem ein effiziente Nutzung der anfallenden Produktionsdaten von Bedeutung. Mit statistischen Methoden sowie maschinellen Lernverfahren ist es möglich, diese Daten gewinnbringend zu analysieren und daraus Wissen zur Prozess- und Produktionsoptimierung abzuleiten. Das übergeordnete Ziel eines industrienahen Forschungsprojekts ist es daher, die Einsatzpotentiale von Künstlicher Intelligenz (KI), insb. Maschinellem Lernen (ML), zur Prozess- und Produktionsoptimierung in der Elektromotorenfertigung zu erschließen.

Mögliche Aufgabenstellung:

In diesem Kontext sind je nach Interessengebiet und Vorwissen unterschiedliche Aufgabenstellungen zu vergeben. Eine mögliche Aufgabenstellung wäre wie folgt:

  • Einarbeitung in die Methoden und Tools des Maschinellen Lernens, ggf. auch Deep Learnings, anhand von gestellten, interaktiven Online-Kursen (Stichwörter: Python, Pandas, NumPy, scikit-learn, Keras etc.)
  • Einarbeitung in die Anwendungsdomäne, d.h. den jeweiligen Prozess der Elektromotorenproduktion (siehe untere Abbildung)
  • Konzeption eines datengetriebenen Ansatzes für einen ausgewählten Prozess bzw. eine (Teil-)Prozesskette (z.B. Predictive Maintenance, Predictive Quality, Machine Vision)
  • Erarbeitung eines Proof-of-Concepts anhand einer Demonstratoranlage am Lehrstuhl (oder ggf. eines Industriepartners) in Anlehnung an das weit verbreitete Referenzmodell CRISP-DM
  • Dokumentation der Arbeit und Ausblick auf Weiterentwicklungsmöglichkeiten

Hinweise und Bewerbung:

  • Forschung an der Schnittstelle zwischen den Trendthemen KI, Machine Learning und Elektromotorenproduktion
  • Möglichkeit der Einarbeitung gegeben; hierfür werden praxisnahe Online-Kurse 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

Überblick über die Prozesse der Elektromotorenproduktion:

Beispielhafte Elektromotorenproduktion eines Industriepartners:

Weiterführende Literatur:

  • 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
  • Mayr, A., L. Hauck, M. Meiners und J. Franke. Prediction of the Joint Cross-Section of Laser-Welded Hairpin Windings Based on 2D Image Data Using Convolutional Neural Networks. In: 10th Int. Electric Drives Prod. Conf. (EDPC): IEEE, 2020, S. 1-7. Verfügbar unter: https://doi.org/10.1109/EDPC51184.2020.9388193
  • Mayr, A., P. Röll, D. Winkle, M. Enzmann, B. Bickel und J. Franke. Data-driven quality monitoring of bending processes in hairpin stator production using machine learning techniques [online]. Procedia CIRP, 2021, 103, 256-261. Verfügbar unter: https://doi.org/10.1016/j.procir.2021.10.041

Smart Electric Drives Production: Intelligentes Richten von Flachdraht für die Produktion elektrischer Traktionsantriebe durch Sensorintegration und maschinelle Lernverfahren (BA/PA/MA/HiWi; verschiedene Schwerpunkte)

Motivation: 

Für die deutsche Automobilindustrie bietet der Wandel hin zur Elektromobilität einige Risiken, aber auch etliche Chancen. So werden es vor allem Lösungen des hiesigen Maschinen- und Anlagenbaus sein, die die Batteriekosten reduzieren, Leichtbau ermöglichen und die Produktion von Elektromotoren verbessern. Eine der Herausforderungen bei Elektromotoren der neusten Generation besteht in der präzisen Herstellung sogenannter Hairpins – massive, lackisolierte Kupferflachdrähte, die gerichtet, stellenweise abisoliert, abgelängt und zu dreidimensionalen Spulen geformt und verschweißt werden müssen. 

Die Hairpinstatorproduktion ist von einer Überlagerung mehrerer, nichtlinearer Effekte geprägt. So haben vorgelagerte Prozessschritte, allen voran das Richten, einen hohen Einfluss auf das Ergebnis nachfolgender Biege- und Schränkoperationen. Im Rahmen eines angelaufenen Industrieprojekts soll daher untersucht werden, inwiefern sich geometrische Abweichungen, veränderte Materialzusammensetzungen und Schadstellen mittels geeigneter Sensorik, z.B. Kraftaufnehmern oder optischen Sensoren, detektieren lassen. Durch eine sensorisierte Richtstrecke ließen sich Schwankungen des Eingangsmaterials anhand von Messdaten, etwa unter Anwendung von Methoden der Künstlichen Intelligenz, approximieren und durch intelligentes Nachstellen der Richtrollen kompensieren. 

Aufgabenstellungen: 

Im Rahmen dessen leiten sich verschiedene Aufgabenstellungen für Bachelor-/Projekt- und Masterarbeiten ab, welche die Integration von Sensoren, die Anpassung von Konstruktionen sowie die Durchführung von Versuchsreihen adressieren. Der genaue Schwerpunkt kann je nach Interesse und Vorkenntnissen im Zuge eines persönlichen Gesprächs festgelegt werden. Eine mögliche Aufgabenstellung wäre: 

  • Einarbeitung in die Grundlagen der Hairpin-Statorproduktion, insb. des Richtens 
  • Identifikation, Bewertung und Vergleich verschiedener Lösungen zur Inline-Messung relevanter Prozessgrößen 
  • Konstruktive Anpassung der bestehenden Richtstrecke zur Integration der ausgewählten Sensorlösungen 
  • Implementierung der ausgewählten Sensorlösungen und Validierung derer anhand praktischer Versuchsreihen 
  • Statistische Auswertung der gewonnenen Messdaten zur Korrelation von Prozess- und Qualitätsgrößen (je nach Schwerpunkt und Art der Arbeit unter Anwendung von Methoden der Künstlichen Intelligenz, insb. des Maschinellen Lernens) 

 Voraussetzungen und Bewerbung: 

  • Interesse an der Produktion elektrischer Traktionsantriebe sowie Sensorik 
  • Freude an praktischer Arbeit wie der Einrichtung von Sensorik und der Durchführung von Experimenten 
  • Selbständige und gewissenhafte Arbeitsweise, gerne auch in direktem Kontakt zum Industriepartner 
  • Bewerbungen vorzugsweise per E-Mail mit Lebenslauf, aktueller Fächerübersicht und Nennung des bevorzugten Themenkomplexes an beide Ansprechpartner, d.h. marcel.baader@faps.fau.de und andreas.mayr@faps.fau.de (in CC)

Ansprechpartner: 

Marcel Baader, M.Sc.
Andreas Mayr, M.Sc., M.Sc.

Einblick in die Produktion von elektrischen Traktionsantrieben bei BMW: 

 

Elektromotorenproduktion 4.0: Von innovativen Anlagenkonzepten, smarten Sensor- und IIoT-Lösungen bis hin zu Methoden der Künstlichen Intelligenz (BA/PA/MA/HiWi; verschiedene Schwerpunkte)

Motivation:

Für die deutsche Automobilindustrie bietet der Wandel hin zur Elektromobilität einige Risiken, aber auch etliche Chancen. So werden es vor allem Lösungen des hiesigen Maschinen- und Anlagenbaus sein, die die Batteriekosten reduzieren, Leichtbau ermöglichen und die Produktion von Elektromotoren verbessern. Eine der Herausforderungen bei Elektromotoren der neusten Generation besteht in der präzisen Herstellung sogenannter Hairpins – massive, lackisolierte Kupferflachdrähte, die gerichtet, stellenweise abisoliert, abgelängt und zu dreidimensionalen Spulen geformt und verschweißt werden müssen. Wenngleich die Methoden der Künstlichen Intelligenz großes Potential zur Bewältigung aktueller produktionstechnischer Herausforderungen bieten, werden diese von den Unternehmen bei der Entwicklung ihrer Produktions- und Montagesysteme bislang kaum berücksichtigt.

Ziel eines jüngst gestarteten, industrienahen Forschungsprojekts ist es daher, die Intelligenz von Produktions- und Montagesystemen zur Fertigung von Präzisionsbauteilen am Beispiel der Hairpin-Fertigung systematisch zu steigern. Grundlage hierfür bilden innovative Vorrichtungen und Werkzeuge, die mit geeigneten Sensoren zur Datenerfassung versehen werden. Klassische Verfahren des Six Sigmas helfen dabei, die jeweiligen Prozesse initial zu analysieren und erste Wechselwirkungen zu erschließen. Sobald hinreichend viele Material-, Prozess- und Prüfdaten gesammelt und in einer Datenbank gespeichert sind, können komplexere Wechselwirkungen mittels maschineller Lernverfahren abgebildet und Prognosemodelle implementiert werden. Das Projekt ebnet damit nicht nur den Weg zur intelligenten Fertigung von Präzisionsbauteilen für die E-Mobilität, sondern bildet auch die Basis zur Entwicklung von intelligenten Maschinen und Anlagen in sämtlichen Bereichen des produzierenden Gewerbes.

Aufgabenstellungen:

Im Rahmen dessen leiten sich verschiedene Aufgabenstellungen für Bachelor-/Projekt- und Masterarbeiten ab:

  1. Schwerpunkt “Rechnergestützte Konstruktion”:
    Konzeption und Konstruktion von innovativen Vorrichtungen und Werkzeugen zur Fertigung von Elektromotoren unter Einsatz von 3D-Druck zum Rapid Prototyping
    1. Einarbeitung in den jeweiligen Prozessschritt (z.B. Biegen der Hairpins) und Auswahl einer geeigneten Konstruktionsmethodik
    2. Konzeption von passenden Vorrichtungen und Werkzeugen unter Einbezug von Sensoren zur Aufnahme relevanter Prozessgrößen (z.B. Kraft-Weg-Kurve beim Biegen)
    3. Konstruktion der besten Lösungsalternative mittels CAD (z.B. PTC Creo)
    4. Aufbau und Erprobung von Prototypen unter Verwendung der lehrstuhleigenen 3D-Drucker
  2. Schwerpunkt “Smarte Sensoren und Messtechnik”:
    Integration von smarten Sensoren zur Erfassung von Material-, Prozess- und Prüfdaten in der automobilen Elektromotorenproduktion
    1. Einarbeitung in den jeweiligen Prozessschritt (z.B. Laserschweißen von Hairpins) und naheliegende Sensorprinzipien
    2. Identifikation und Bewertung verschiedener Pre-, In- und Postprocess-Sensoren zur Erfassung qualitätsrelevanter Größen (z.B. OCT-Sensor beim Laserschweißen)
    3. Integration des jeweiligen Sensorkonzepts an der lehrstuhleigenen Anlage (z.B. Trumpf Laserzelle)
    4. Durchführung einer Messfähigkeitsanalyse
  3. Schwerpunkt “Statistische Versuchsplanung gemäß Six-Sigma-Methoden”:
    Statistische Versuchsplanung zur Optimierung der automobilen Elektromotorenproduktion unter Verwendung von Six-Sigma-Methoden
    1. Einarbeitung in die statistische Versuchsplanung (Design of Experiments), einem Teilbereich von Six Sigma
    2. Einweisung in die betreffenden Anlagen und Messsysteme (z.B. Trumpf Laserzelle, Mikroskope, 3D-Scanner)
    3. Analyse des betreffenden Teilprozessschritts (z.B. anhand eines SIPOC-Diagramms) und Erarbeitung eines statistischen Versuchsplans
    4. Durchführung von Versuchen und Auswertung der Daten (z.B. mittels Minitab) sowie Ausblick auf perspektivische KI-basierte Auswertemöglichkeiten
  4. Schwerpunkt “Industrie 4.0-konforme Anlagenanbindung”:
    Konzeption und Implementierung einer Industrie 4.0-konformen Anlagenanbindung sowie Visualisierung der Daten anhand eines interaktiven Dashboards
    1. Einarbeitung in Edge- und Cloud-Lösungen (z.B. AWS, Azure) sowie industrielle Kommunikationsstandards wie OPC UA
    2. Spezifikation relevanter Material-, Prozess- und Prüfdaten und Ableiten eines geeigneten Datenbankschemas (ER-Modell)
    3. Einrichtung der nötigen Hardware (Server, Edge-Geräte) und Softwarelösungen (z.B. MySQL-Datenbank)
    4. Implementierung eines einfachen Dashboards für den Zugriff auf und die Visualisierung von Daten
  5. Schwerpunkt “Datenauswertung mittels KI-Methoden”:
    Einsatz von Methoden der Künstlichen Intelligenz, insb. maschinellen Lernverfahren, zur Auswertung von Daten entlang der automobilen Elektromotorenproduktion
    1. Einarbeitung in die Tools und Methoden des Maschinellen Lernens (u.a. Python, Pandas, scikit-learn, Keras, Tensorflow)
    2. Konzeption eines geeigneten datengetriebenen KI-Use-Cases (z.B. Predictive Maintenance, Predictive Quality, Process Control)
    3. Programmiertechnische Umsetzung des KI-Use-Cases in Anlehnung an das etablierte Vorgehensmodell CRISP-DM
    4. Erprobung und Validierung des letztlichen KI-Modells an einer Demonstratoranlage am Lehrstuhl oder beim Industriepartner

Nähere Informationen zum zugrunde liegenden Forschungsprojekt und den beteiligten Unternehmen gerne im persönlichen Gespräch. Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse, d.h. es ist auch ein Auszug bzw. eine Kombination der obigen Schwerpunkte möglich.

Hinweise zur Bewerbung:

  • Industrienahe Forschung an der Schnittstelle zwischen den Trendthemen E-Mobilität und Künstliche Intelligenz
  • Zielgerichtete Einarbeitung anhand von Vorarbeiten und interaktiven Online-Kursen
  • Für rechenintensive Arbeiten wird ein KI-Rechner mit Remote-Zugriff bereitgestellt
  • Regelmäßige Absprachen via Webkonferenz; Projektmanagement über etablierte Tools wie Microsoft Teams
  • Präsenzteil abhängig von Aufgabenstellung; generell flexible Zeiteinteilung
  • Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht an beide Ansprechpartner, d.h. marcel.baader@faps.fau.de und andreas.mayr@faps.fau.de (in CC)

Ansprechpartner:

Marcel Baader, M.Sc.

Andreas Mayr, M.Sc., M.Sc.

 

Einblick in die Produktion von elektrischen Traktionsantrieben bei BMW:

AI for Industry: Systematische Identifizierung, Bewertung und Auswahl von KI-Anwendungsfällen in der Produktion (BA/PA/MA; verschiedene Schwerpunkte)

Ausgangslage:

Die digitale Transformation der Produktion verspricht, die Produktivität im Inland zu steigern und neue Geschäftspotentiale zu erschließen. Das Revolutionäre an Industrie 4.0 ist nicht allein die Digitalisierung der Produkte und ihrer Produktion, sondern die Möglichkeit, technische Systeme in Echtzeit zu vernetzen. Die dadurch gewonnenen Daten können mit Methoden des Maschinellen Lernens (ML), einem Teilgebiet der Künstlichen Intelligenz (KI), nutzbringend ausgewertet und daraus neues Wissen generiert werden. Mit zunehmender Rechen- und Speicherleistung durch Cloud Computing aber auch in lokalen Edge-Geräten lassen sich komplexe Algorithmen, etwa Verfahren des Deep Learnings, zur Prozess- und Qualitätsverbesserung im Produktionsumfeld einzusetzen.

Wenngleich das Potential von ML offensichtlich scheint, tun sich Unternehmen des produzierenden Unternehmens nach wie vor schwer, wirtschaftlich sinnvolle Anwendungsfälle zu erschließen. Viele Branchen weisen einen historisch gewachsenen, heterogenen Maschinenpark auf, woraus sich Limitationen hinsichtlich Datenquantität und -qualität ergeben. Angesichts der Vielzahl an potentiellen Use Cases, Algorithmen und Tools ist ferner eine intensive Zusammenarbeit verschiedener Fachdisziplinen, angefangen beim Prozessexperten bis hin zum Data Scientist, erforderlich.

Bisher befassen sich nur wenige wissenschaftliche Arbeiten mit der systematischen Erschließung von KI-Potentialen in der Produktion. Im Rahmen eines aktuellen, industrienahen Forschungsprojekts soll daher untersucht werden, wie sich die Nutzenpotentiale von KI systematisch identifizieren, bewerten und erschließen lassen. Als Anwendungsbeispiel fungiert dabei die elektrische Antriebstechnik, die im Zuge der E-Mobilität immer mehr an Bedeutung gewinnt und damit großes Potential für datengetriebene Optimierungen birgt.

Aufgabenstellung:

Im Rahmen dessen leiten sich verschiedene Aufgabenstellungen für Bachelor-/Projekt- und Masterarbeiten ab. Eine beispielhafte Aufgabenstellung wäre wie folgt:

  • Einarbeitung in die relevanten Grundlagen von KI, insb. ML
  • Strukturierte Aufbereitung prinzipieller KI/ML-Anwendungsfälle in der Produktion (z.B. Predictive Maintenance, Predictive Quality, Machine Vision)
  • Vergleich bestehender Vorgehensweisen, Methoden und Hilfsmittel zur systematischen Identifikation, Bewertung und Auswahl von Use Cases im Bereich von Industrie 4.0, Data Analytics, Data Mining, KI/ML (z.B. CRISP-DM, Machine Learning Canvas)
  • Ableiten eines möglichst ganzheitlichen, methodischen Ansatzes zur Erschließung von KI-Potentialen im Produktionsumfeld unter Berücksichtigung sowohl technischer als auch wirtschaftlicher Gesichtspunkte
  • Validierung des Ansatzes anhand eines ausgewählten Fallbeispiels aus der elektrischen Antriebstechnik

Beginn, Umfang und genaue Schwerpunktsetzung erfolgen nach Absprache und persönlichem Interesse. Nähere Informationen gerne auf Anfrage via Webkonferenz.

Hinweise und Bewerbung:

  • Forschung im Trendthema Industrie 4.0, KI und ML
  • Begeisterung für IT-nahe Themen vorausgesetzt, zielgerichtete Einarbeitung anhand von Vorarbeiten und Online-Kursen möglich
  • Bearbeitung aus dem Homeoffice; regelmäßige Absprachen via Webkonferenz
  • Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht an andreas.mayr@faps.fau.de

Beispielhaftes Hilfsmittel zur Spezifikation von ML-Use-Cases: Machine Learning Canvas

Weiterführende Literatur:

  • Mayr, A., D. Kißkalt, M. Meiners, B. Lutz, F. Schäfer, R. Seidel, A. Selmaier, J. Fuchs, M. Metzner, A. Blank und J. Franke. Machine Learning in Production – Potentials, Challenges and Exemplary Applications [online]. Procedia CIRP, 2019, 86, 49-54. ISSN 22128271. Verfügbar unter: https://doi.org/10.1016/j.procir.2020.01.035

Ansprechpartner:

Andreas Mayr, M.Sc., M.Sc.

Applying AI in Industry: Methodik zur systematischen Erschließung von KI-Potentialen in der Produktion am Beispiel der Elektromotorenfertigung (BA/PA/MA)

Ausgangslage:

Die digitale Transformation der Produktion verspricht, die Produktivität im Inland zu steigern und neue Geschäftspotenziale zu erschließen. Das Revolutionäre an Industrie 4.0 ist nicht allein die Digitalisierung der Produkte und ihrer Produktion, sondern die Möglichkeit technische Systeme in Echtzeit zu vernetzen. Die dadurch gewonnenen Daten können mit Methoden des maschinellen Lernens (ML), einem Teilgebiet der Künstlichen Intelligenz (KI), nutzbringend ausgewertet und daraus neues Wissen generiert werden. Mit zunehmender Rechen- und Speicherleistung durch Cloud Computing aber auch in lokalen Edge-Geräten lassen sich komplexe Algorithmen, etwa Verfahren des Deep Learnings, zur Prozess- und Qualitätsverbesserung im Produktionsumfeld einzusetzen.

Speziell in der Elektromotorenproduktion, die sich durch die Elektromobilität mit steigenden Qualitätsanforderungen, einer erhöhten Komplexität sowie einem hohen Kostendruck konfrontiert sieht, verspricht die Erfassung und intelligente Analyse von Prozessdaten einen großen Mehrwert. Bisher befassen sich jedoch nur wenige wissenschaftliche Arbeiten mit der systematischen Erschließung von Potentialen der Künstlichen Intelligenz in der Elektromotorenproduktion.

Aufgabenstellung:

Im Rahmen eines aktuellen, industrienahen Forschungsprojekts soll gemeinsam mit namhaften Partnern analysiert werden, welche Potentiale die Künstliche Intelligenz für die Elektromotorenproduktion von morgen birgt. Hierfür ist ein methodischer Ansatz zur systematischen Identifizierung, Bewertung und Auswahl von KI-Use-Cases zu erarbeiten. Daraus ergeben sich folgende Arbeitspakete:

  • Einarbeitung in die relevanten Grundlagen von KI, insb. ML
  • Strukturierte Aufbereitung von bestehenden KI-Anwendungsfällen in der Produktion
  • Vergleich bestehender Vorgehensweisen im Bereich Industrie 4.0, Data Analytics, Data Mining, KI und Maschinelles Lernen zur Identifizierung, Spezifikation, Bewertung und Auswahl von Use Cases (z.B. CRISP-DM, DMME, ML Canvas)
  • Ableiten eines geeigneten methodische Ansatzes zur systematischen Identifikation, Spezifikation und Bewertung von KI-Use-Cases in der Elektromotorenproduktion unter Berücksichtigung sowohl technischer (z.B. Datenreife) als auch wirtschaftlicher Gesichtspunkte (z.B. Investitionskosten)
  • Beispielhafte Validierung des Ansatzes anhand eines ausgewählten Fallbeispiels am E|Drive-Center desLehrstuhls FAPS (oder ggf. eines Industriepartners)

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 Künstliche Intelligenz und Elektromotorenproduktion
  • Strukturierte, systematische Vorgehensweise
  • Interesse an KI vorausgesetzt, zielgerichtete Einarbeitung anhand von Vorarbeiten möglich
  • Bewerbungen bitte mitsamt Lebenslauf und aktueller Fächerübersicht an andreas.mayr@faps.fau.de

Beispielhaftes Werkzeug zur Spezifikation von ML-Use-Cases: Machine Learning Canvas

Ansprechpartner:

Andreas Mayr, M.Sc., M.Sc.