Ausgangssituation
Das Feinschneiden ist ein hochwirt- schaftliches Schneidverfahren für die Massenproduktion von Bauteilen mit sehr hoher Schnittflächenqualität.
Besonders in der Automobil- sowie Luft– und Raumfahrtindustrie fin- den Feinschneidbauteile vielfach An- wendung.
Im Rahmen des Exzellenzclusters Internet of Production werden die Potentiale einer Feinschneidanlage als cyber-physisches System er- forscht. Dazu wurden verschiedene Sensorsysteme zur Online-Erfassung von Prozesskräften, peripheren Kräf- ten und Körperschallsignalen sowie von Werkstoffeigenschaften und Um- gebungseinflüssen an der Fein- schneidanlage installiert. Ziel dieser Datenaufnahme ist es einerseits, auf- tretende Maschinenfehler frühzeitig zu erkennen, um Stillstandzeiten zu ver- meiden. Andererseits sollen Abwei- chungen im Umformprozess festge- stellt werden, um auf diese reagieren zu können.
Um dieses Ziel zu erreichen, muss zuerst der Referenzzustand des Pro- zesses identifiziert werden. Dadurch können Abweichungen während des Prozesses vom Referenzzustand qu- antifiziert und mit äußeren Einflüssen, wie Werkstoffeigenschaf ten oder Qualitätsmerkmalen am feingschnitt- enen Bauteil, korreliert werden.
Hierzu müssen zuerst datengetrie- bene Modelle entworfen werden, welche diesen Referenzzustand des Prozesses robust erfassen und Abweichungen in Echtzeit quantifi-
zieren können.
Die in diesem Zusammenhang zu behandelnden Fragen umfassen ver- schiedene Bereiche der Datenverar- beitung. Es müssen sowohl hochfre- quente 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 Ma- chine Learning. Diese Methoden kön- nen 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 indivi- duell, abhängig von Deinen persönli- chen Präferenzen, abgestimmt wer- den
Dein Profil:
- Motivation und Einsatzbereit- schaft
- Interesse an datenanalytischen Fragestellungen und Machine Learning im industriellen Kontext Wir bieten:
- Umfassende Betreuung - Einarbeitung in Data Science,
Data Mining oder Machine Learn- ing im industriellen Kontext - Eigenständige Zeiteinteilung - Einarbeitung in Programmierspra-
chen (Python, R)
Beginn: Ab sofort.
Master-/Bachelor-/Projektarbeit
Data Science und Machine Learning in der Fertigungstechnik
Werkzeugmaschinenlabor WZL der RWTH Aachen University
Lehrstuhl für
Technologie der Fertigungsverfahren Gruppe Digital Technologien
Ansprechpartner
Philipp Niemietz, M.Sc. RWTH
Campusboulevard 30, Cluster Produktions- technik, Gebäude 3A, Raum 328
D-52074 Aachen Telefon 0241 / 80 - 28212 P.Niemietz@wzl.rwth-aachen.de Stand
April 2020
