Karriere am WZL

 

Masterarbeit oder Bachelorarbeit

am Forschungsbereich Fertigungsmesstechnik und Qualitätsmanagement, Abteilung Model-based Systems
 

Machine Learning zur Aufwandsreduzierung in der adaptiven Prüfplanung von Varianten

Ausgangssituation
In der Variantenproduktion ist eine 100%-Prüfung mit vollständiger Prü-fung aller Prüfmerkmale üblich. Bei der Großserienproduktion wird dieser Prüfaufwand mit einer adaptiven Stichprobenprüfung verhindert, die sich auf Schlüsselmerkmale bezieht. Dies ist bei der Variantenproduktion aufgrund der geringen Losgrößen nicht möglich. Zudem erfordert die Implementierung einer Stichprobenprüfung von Unternehmen – vor allem in der Variantenproduktion – oft nicht vorhandene Personalkapazitäten und statistisches Wissen.

Um diesen Problemen zu begegnen, wird die App „APProVe“ zur adaptiven Prüfplanung bei Varianten entwickelt (Abbildung). Diese wird zwei auf Machine Learning Methoden basierende Algorithmen enthalten, die historische Messdaten nutzen:
– Der erste Algorithmus identifiziert je Variante Prüfmerkmale mit redundanter Prüfaussage und legt Schlüsselmerkmale fest (Schritt 2).
– Der zweite Algorithmus gruppiert Varianten anhand ihrer Schlüsselmerkmale zu Mischlosen (Schritt 3).
Die Schlüsselmerkmale und Mischlose sind dann auf die Stichprobenprü-fung anwendbar.

 
Ziel der Arbeit
Ziel ist die Entwicklung eines auf Machine Learning Methoden basierenden Algorithmus zur Identifikation von Schlüsselmerkmalen mit historischen Messdaten von Varianten (Abbildung: Schritt 2)

Deine Aufgaben
– Recherche, Bewertung und Auswahl von Machine Learning Methoden zur Identifikation von Schlüsselmerkmalen.
– Entwicklung eines Algorithmus ba-sierend auf den identifizierten Ma-chine Learning Methoden.
– Validierung des entwickelten Algo-rithmus mithilfe von Simulationen und realen Datensätzen von Unternehmen.

Wir bieten Dir
– Umfangreiche Betreuung.
– Möglichkeit von Treffen mit Unter-nehmen des Forschungsprojekts.
– Abgegrenzte Aufgabenstellung.
– Arbeit als Teil des DGQ-Quality Systems Manager Junior.
 
Voraussetzungen:
Voraussetzungen
– Studium im Ingenieurwesen oder Vergleichbares.
– Lern- und Einsatzbereitschaft.
– Eigeninitiative und Interesse an der Thematik und Machine Learning.
– Eigenständiges Arbeiten und Zuverlässigkeit.

Hast Du Interesse?
Über Deine Bewerbung freuen wir uns! Sende uns bitte ein kurzes Anschreiben und eine Notenübersicht.

Zeitaufwand: 11,00 Arbeitsstunden

Ansprechpartner(in):
Jonathan Greipel, M.Sc.
Gruppenleiter(in)
Cluster Produktionstechnik 3A 138
Tel.: +49 241 80-28383
Fax: +49 241 80-22293
Mail: J.Greipel@wzl.rwth-aachen.de