Karriere am WZL

 

Masterarbeit oder Bachelorarbeit oder Projektarbeit

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

Data Science und Machine Learning in der Fertigungstechnik – PA/BA/MA

Ausgangssituation
Das Feinschneiden ist ein hochwirtschaftliches Schneidverfahren für die Massenproduktion von Bauteilen mit sehr hoher Schnittflächenqualität. Besonders in der Automobile sowie Luft– und Raumfahrtindustrie finden Feinschneidbauteile vielfach Anwen-dung.

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 Umge-bungseinflüssen an der Feinschneidanlage installiert. Ziel dieser Datenaufnahme ist es einerseits, auftretende Maschinenfehler frühzeitig zu erkennen um Stillstandzeiten zu vermeiden. Andererseits sollen Abweichungen im Umformprozess festgestellt werden um auf diese reagieren zu können.

Um dieses Ziel zu erreichen, muss zuerst der Referenzzustand des Prozesses identifiziert werden. Dadurch können Abweichungen während des Prozesses vom Referenzzustand quantifiziert und mit äußeren Einflüssen, wie Werkstoffeigenschaften oder Qualitätsmerkmalen am feingschnittenen Bauteil, korreliert werden. Hierzu müssen zuerst datengetriebene Modelle entworfen werden, welche diesen Referenzzustand des Prozesses robust erfassen und Abweichungen in Echtzeit quantifizieren können.


 
Die in diesem Zusammenhang zu behandelnden Fragen umfassen verschiedene Bereiche der Datenverar-beitung. Es müssen sowohl hochfrequente zyklusbasierte Zeitreihen segmentiert und analysiert, als auch eventbasierte Datensätze verarbeitet und übergreifende Modelle abgeleitet werden. Dies erfordert grundlegende Methoden zur effizienten Verarbeitung größerer Datensätze, beinhaltet aber auch Methoden aus den Bereichen Data Science, Data Mining und Machine Learning. Diese Methoden können in verschiedenen Fragestellungen sowohl zusammen als auch getrennt voneinander für die Modellierung ein-gesetzt werden. Der Umfang der untersuchten Zeitreihen sowie die eingesetzten Methoden der datenge-triebenen Modellierung können individuell, abhängig von Deinen persönlichen Präferenzen, abgestimmt werden.


 
Voraussetzungen:
– Motivation und Einsatzbereitschaft
– Interesse an datenanalytischen Fragestellungen und Machine Learning im industriellen Kontext

Geboten wird
– Umfassende Betreuung
– Einarbeitung in Data Science, Data Mining oder Machine Learn-ing im industriellen Kontext
– Eigenständige Zeiteinteilung
– Einarbeitung in Programmierspra-chen (Python, R) und Werkzeuge der Datenverarbeitung
Zeitaufwand: 11,00 Arbeitsstunden

Ansprechpartner(in):
Philipp Niemietz, M.Sc RWTH
Gruppenleiter(in)
Cluster Produktionstechnik 3A 328
Tel.: +49 241 80-28212
Fax: +49 241 80-628212
Mail: P.Niemietz@wzl.rwth-aachen.de