Bildquelle: Valeo Siemens

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

Kategorien:

Kontakt: