VDMA vergibt Nachwuchspreis „Digitalisierung im Maschinenbau“

Der VDMA Software und Digitalisierung und die Abteilung Bildung des VDMA haben zum 6. Mal Absolventinnen und Absolventen aus den Fachbereichen Ingenieurwissenschaften und Informatik mit dem Nachwuchspreis „Digitalisierung im Maschinenbau“ ausgezeichnet. Die im Rahmen der Abschlussarbeiten entwickelten Lösungsansätze zeigen einen hohen Innovationsgrad und große Praxistauglichkeit.

Insgesamt 44 Absolventinnen und Absolventen waren für den diesjährigen Nachwuchspreis in den Kategorien Bachelor und Master von Professorinnen und Professoren von Hochschulen aus Deutschland und Österreich nominiert – ein neuer Beteiligungsrekord. Rund 70 verschiedene Hochschulstandorte haben seit 2017 bereits an den Nominierungsphasen teilgenommen.

Predictive Maintenance ohne externe Komponenten

Jonas Weber, Informatik-Student an der Hochschule Konstanz, erhielt den 1. Preis für die beste Masterarbeit. Die Arbeit zeigt, dass eine vollständige Predictive-Maintenance-Lösung auf einer modernen Maschine auch ohne den Einsatz externer Komponenten möglich ist. Hierzu standen historische Linearachs-Messungen zur Verfügung, die das Trainieren künstlicher neuronaler Netze ermöglichten. Die Arbeit folgt in der Umsetzung dem Standard-Vorgehensmodell zum Data Mining (CRISP) und liefert als Ergebnis ein auf der Maschinensteuerung ausführbares Programm mit eingebetteter Datenaufbereitung, Datenauswertung und Ergebnisausgabe.

An Simon Griesbeck, Student an der Hochschule für angewandte Wissenschaften Kempten, geht der 2. Preis in der Kategorie Masterarbeit. Griesbeck entwickelte bei der Firma Autefa Solutions Germany ein Machine-Learning-System zur Optimierung der Gewichtsgenauigkeit von Faserballenpressen. Das System kann so in den Dosiervorgang eingreifen, dass sich die Abweichung vom Sollgewicht deutlich reduzieren. Der Lösungsansatz lässt sich auf weitere Anwendungen übertragen, die eine hohe Dosiergenauigkeit erfordern. Insbesondere Unternehmen der Prozessindustrie können vom Einsatz eines gleichartigen Machine-Learning-Systems profitieren.

Autoencoder überwacht Maschinenzustand

Fabian Kabl, Student an der Ostbayerischen Technischen Hochschule Regensburg, erhält den 1. Preis in der Kategorie Bachelorarbeit. Im Rahmen seiner Abschlussarbeit untersuchte er bei Krones zwei Long Short Term Memory Autoencoder zur Maschinenzustandsüberwachung an Karussellmaschinen. Dafür wurden Kraftdaten eines Klammersterns bei unterschiedlichen Umdrehungsgeschwindigkeiten aufgenommen, vorverarbeitet und zum Training des neuronalen Netzes verwendet. Einer der beiden getesteten Autoencoder konnte dabei nach dem Training die Datensätze im Bereich der niedrigen und mittleren Umdrehungsgeschwindigkeiten zu 100 Prozent und im Bereich der hohen zu 96 Prozent richtig klassifizieren.

Deniz Yesilyurt, Maschinenbaustudent an der RWTH Aachen University, nimmt den 2. Preis in der Kategorie Bachelorarbeit mit nach Hause. In Kooperation mit Heinen Automation entwickelte er ein KI-basierendes Kamerasystem zum automatisierten Erkennen und Klassifizieren von Faserfehlern in den Carbonfasern. Mit einer Zuordnungsgenauigkeit von über 99 Prozent differenziert der präferierte Algorithmus zwischen sechs vorgegebenen Fehlerklassen und ermöglicht so eine Live-Auswertung während der Carbonfaser-Herstellung.