Karriere am WZL

 

Studienarbeit oder Masterarbeit oder Bachelorarbeit oder Projektarbeit

am Forschungsbereich Technologie der Fertigungsverfahren, Abteilung Umformen, Gruppe Umformende Fertigungsverfahren
 

Neuronale Netze und Machine Learning in der Fertigungstechnik

Das Feinschneiden ist ein hochwirtschaftliches Blechtrennverfahren für die Massenproduktion von Bauteilen mit sehr hoher Schnittflächenqualität. Besonders in der Automobil- sowie Luft– und Raumfahrtindustrie finden Feinschneidbauteile vielfach Anwendung, beispielsweise im Antriebsstrang oder beim Schließmechanismus eines Sicherheitsgurts.

Im Rahmen des Exzellenzclusters Internet of Production werden die Potentiale einer Feinschneidanlage als Cyber-Physisches System erforscht. Dazu wurden verschiedene Sensorsysteme zur Online-Erfassung von Prozesskräften, peripheren Kräften und Körperschallsignalen sowie von Werkstoffeigenschaften und Umgebungseinflüssen an der Feinschneidanlage installiert. Ziel dieser Datenaufnahme ist es einerseits, potentielle Maschinenfehler frühzeitig zu erkennen um Stillstandzeiten zu vermeiden. Andererseits sollen Abweichungen im Umformprozess und im Werkstoff festgestellt werden, um auf diese durch Anpassungen des Prozesses reagieren zu können.

Um dieses Ziel zu erreichen, muss ein Referenzzustand des Werkstoffs mittels zerstörungsfreier Werkstoffprüfung identifiziert werden. Dadurch können Abweichungen des Werkstoffs vom Referenzzustand quantifiziert und mit Auswirkungen auf den Prozess (z. B. Kräfte) oder Qualitätsmerkmalen am feingeschnittenen Bauteil korreliert werden. Hierzu müssen zunächst datengetriebene Modelle entworfen werden, welche den Referenzzustand des Werkstoffes erfassen und Abweichungen in Echtzeit robust quantifizieren können.

 
Die in diesem Zusammenhang zu behandelnden Fragen umfassen verschiedene Bereiche der Daten- und Signalverarbeitung. Der Werkstoffsensor liefert ein periodisches Signal mit einer sehr hohen Abtastrate, womit grundlegende Methoden zur Verarbeitung digitaler Signale ein Teil dieser Arbeit sind. Des Weiteren sind die Disziplinen Data Science und insbesondere Machine Learning (sowohl ‚Supervised Learning‘ als auch ‚Unsupervised Learning‘) ein wichtiges Werkzeug bei der Verarbeitung des Signals und bei der Ableitung eines Referenzsignals. Der Umfang und die Art der eingesetzten Methoden aus der datengetriebenen Modellierung kann individuell, abhängig von Deinen persönlichen Präferenzen und der Art der Arbeit, abgestimmt werden.
 
Voraussetzungen:
• Motivation und Einsatzbereitschaft
• Eigenständige Arbeitsweise
• Interesse an datenanalytischen Fragestellungen und Machine Learning im industriellen Kontext
• Grundlegende Programmierkenntnisse, z. B. in Python

Geboten wird:
• Umfassende Betreuung
• Einarbeitung in Data Science und Machine Learning im industriellen Kontext
• Eigenständige Zeiteinteilung
• Einarbeitung in Machine Learning Bibliotheken wie Keras bzw. TensorFlow und Scikit-learn (Python)
• Einarbeitung in die Arbeit mit einem Sensor zur zerstörungsfreien Werkstoffprüfung

Zeitaufwand: 11,00 Arbeitsstunden

Ansprechpartner(in):
Martin Unterberg
 
Cluster Produktionstechnik 3A 328
Tel.: +49 241 80-22958
Fax: +49 241 80-22293
Mail: M.Unterberg@wzl.rwth-aachen.de