Karriere am WZL

 

Studienarbeit oder Masterarbeit oder Bachelorarbeit oder Projektarbeit

am Forschungsbereich Fertigungsmesstechnik und Qualitätsmanagement, Abteilung Model-based Systems, Gruppe Risk-based Process Control
 

Analyse der Datengrundlage zur Modellierung komplexer Messprozesse mittels Machine Learning

Jede Messung ist inhärent unsicherheitsbehaftet. Werden unsicherheitsbehaftete Messdaten weiterverwendet, so sind die abgeleiteten Aussagen ebenfalls mit einer Unsicherheit behaftet und können im Extremfall zu fehlerhaften Entscheidungen führen. Im Produktionsumfeld gilt die Produktprüfung als klassisches Beispiel für die Relevanz der Kenntnis der Messunsicherheit. Liegt ein produziertes Merkmal nahe an den Spezifikationsgrenzen und ist bei der Prüfung die Messunsicherheit zu hoch, kann nicht sicher entschieden werden, ob das Merkmal innerhalb oder außerhalb der Spezifikation liegt. Dies kann dazu führen, dass Teile innerhalb der Spezifikation liegen und bei der Prüfung aussortiert werden oder umgekehrt, dass Teile, die außerhalb der Spezifikation liegen als gut deklariert und weiterverwendet werden. Beide Fälle können, je nach Produktions- und Fehlerkosten, zu einem hohen wirtschaftlichen Schaden führen

 

Aufgabenbeschreibung:


Ziel der Arbeit ist die Erstellung eines Modells zur Bewertung der Eignung einer Datengrundlage zur Modellierung komplexer Messprozesse mittels verschiedener Machine Learning Algorithmen. Die Arbeit unterteilt sich in vier Arbeitspakete. Im ersten Arbeitspaket werden Kriterien zur Bewertung der Modellgüte des durch einen Machine Learning aufgestellten Modells erarbeitet. Im zweiten Arbeitspaket werden Einflussgrößen auf die Performance verschiedener Machine Learning Algorithmen identifiziert, welche im dritten Schritt über Simulationen abgebildet werden. Abschließend wird basierend auf einem Design of Experiments ein Algorithmusspezifisches Modell zur Bewertung von Datengrundlagen erstellt und über Realdaten validiert.


Wir bieten Dir:


 Aktive Mitarbeit an einem aktuellen Forschungsprojekt mit hohem Praxisbezug
 Umfangreiche Betreuung durch einen wissenschaftlichen Mitarbeiter
 Flexible Zeiteinteilung
 Anerkennung der Arbeit für den DFQ-Quality Systems Manager Junior
 
Voraussetzungen:
 StudentIn der MINT-Studiengänge
 Motivation und Einsatzbereitschaft
 Eigenständiges Arbeiten
 Interesse am Bereich des Maschinellen Lernens
 Programmierkenntnisse (wünschenswert)


Zeitaufwand: 300,00 Arbeitsstunden

Ansprechpartner(in):
Tobias Müller, M.Sc.
 
Cluster Produktionstechnik 3A 138
Tel.: +49 241 80-28211
Fax: +49 241 80-22293
Mail: T.Mueller@wzl.rwth-aachen.de