Unter der Leitung von Karl Friedrich Schmidt (unten Mitte) wählte die Jury vier Preisträger für den Nachwuchspreis 2020 von KI im Maschinenbau.

Unter der Leitung von Karl Friedrich Schmidt (unten Mitte) wählte die Jury vier Preisträger für den Nachwuchspreis 2020 von KI im Maschinenbau. (Bild: VDMA)

| von Martin Large

Die Abschlussarbeiten zeigen praxistaugliche Lösungen auf Basis von Künstlicher Intelligenz (KI) und maschinellem Lernen (ML) für den Maschinenbau: für die Analyse von Werkzeugverschleiß bei Zerspanungswerkzeugen, eine Anomaliedetektion für eine Papiermaschine, die Vorhersage von Prozesskräften und -parametern bei einer Bohrvorschubeinheit sowie die zerstörungsfreie Werkstoffanalyse am Beispiel des Feinschneidens. Insgesamt 38 Absolventen von 22 Hochschulstandorten standen mit ihren Abschlussarbeiten aus Bachelor- Master- und Diplomstudiengängen zur Wahl. Die Nachwuchspreise ‚Digitalisierung im Maschinenbau‘ Auszeichnung vergab der VDMA-Fachverband Software und Digitalisierung gemeinsam mit der Bildungsabteilung des VDMA. Der Preis zielt darauf ab, dass die Notwendigkeit der Digitalisierung aus den Unternehmen in die Hochschulen hineingetragen wird.

Bildgestützte Analyse des Werkzeugverschleißes

Der 1. Preis für die beste Masterarbeit ging an Max Schemmer, Student des Economics Engineering am Karlsruher Institut für Technologie (KIT). Seine Arbeit entstand unter der Betreuung von Prof. Dr. Gerhard Satzger und in Kooperation mit der Ceratizit Austria. Das Unternehmen ist ein Hersteller von Hartmetallen und Zerspanungswerkzeugen. Schemmer entwickelte eine Lösung zur automatisierten, bildgestützten Analyse von Werkzeugverschleiß basierend auf KI.

Die Arbeit folgt einem iterativen Design Science Research-Ansatz: In engem Austausch mit Domänenexperten wurden zunächst Anwendungsfälle und Anforderungen erhoben. Mit agilen Methoden wurden sodann mehrere Versionen einer Web-Applikation entwickelt und jeweils mit Experten evaluiert. Die so entstandene Verschleißanalyse soll über neue Service-Angebote des Unternehmens dessen Geschäftsmodell ergänzen.

Anomaliedetektion an einer Papiermaschine

Nach den Worten von Guido Reimann vom VDMA-Fachverband Software und Digitalisierung hatten die eingereichten Abschlussarbeiten „ein sehr hohes Niveau“ und zeigten „eine deutliche Zunahme in der Vielfalt, wo Digitalisierung im Maschinenbau und maschinenbau-nahen Bereichen eingesetzt werden kann. VDMA

Nach den Worten von Guido Reimann vom VDMA-Fachverband Software und Digitalisierung hatten die eingereichten Abschlussarbeiten „ein sehr hohes Niveau“ und zeigten „eine deutliche Zunahme in der Vielfalt, wo Digitalisierung im Maschinenbau und maschinenbau-nahen Bereichen eingesetzt werden kann. VDMA

Den 2. Preis in der Kategorie Masterarbeit erhielt Stefan Kögl, Student an der Hochschule für angewandte Wissenschaften Landshut. Kögl entwickelte bei seiner Masterthesis, die er an der Fakultät für Informatik bei Prof. Dr.-Ing. Jürgen Wunderlich verfasste, bei Siemens eine Anomaliedetektion für eine Papiermaschine, die auf maschinellem Lernen beruht. Sein Detektor vermindert durch die schnellere und zuverlässigere Erkennung von Rissen in der Papierbahn den Wartungsaufwand und die Stillstandskosten um schätzungsweise 30.000 Euro monatlich im Vergleich zur derzeitigen Lösung. Die Ergebnisse ermöglichen ferner Potenziale für eine präventive Detektion von Bahnrissen und dadurch der Produktionsstillstände. Der generische Lösungsansatz erlaubt außerdem eine Übertragung der Anomaliedetektion auf weitere Papiermaschinen.

Vorhersage von Prozesskräften bei einer Bohrvorschubeinheit

Samuel Bender, Maschinenbaustudent an der TU Hamburg, erhielt den 1. Preis in der Kategorie Bachelorarbeit. In seiner Arbeit beschäftigte er sich mit der Vorhersage von Prozesskräften und -parametern einer semiautomatischen Bohrvorschubeinheit von der Firma Johannes Lübbering mittels maschinellen Lernens. Die aus den Motorstromdaten gewonnenen Ergebnisse erlauben zudem Vorhersagen zur Prozessgüte und dem bearbeiteten Werkstoff. Dadurch wird eine kostengünstige Überwachung von Bohrprozessen möglich. Betreut wurde seine Abschlussarbeit durch Prof. Dr.-Ing. Wolfgang Hintze und Jan Mehnen vom Institut für Produktionsmanagement und -technik.

Zerstörungsfreie Werkstoffanalyse am Beispiel des Feinschneidens

Florian Jacobs, Maschinenbaustudent an der RWTH Aachen, erhält den 2.Preis in der Kategorie Bachelorarbeit. Er untersuchte die Anwendbarkeit von Verfahren der datengetriebenen Zeitreihenanalyse und des maschinellen Lernens zur zerstörungsfreien Werkstoffanalyse mittels Barkhausenrauschens am Beispiel des Feinschneidens. Mit einem Unsupervised Learning-Ansatz ließen sich Eigenschaftsänderungen im Werkstoff eindeutig nachweisen, was einen proaktiv regulierenden Eingriff während des Prozesses ermöglicht. Somit könnte eine bessere Werkstoffausnutzung erreicht und das Potenzial der Feinschneid-Technik als hochwirtschaftliches Trennverfahren in der metallverarbeitenden Blechindustrie weiter ausgeschöpft werden. Jacobs verfasste seine Arbeit bei Prof. Dr.-Ing. Thomas Bergs am Lehrstuhl für Technologie der Fertigungsverfahren am Werkzeugmaschinenlabor der RWTH Aachen mit Unterstützung des Industrie-Arbeitskreises Feinschneiden.

(dw)

Kostenlose Registrierung

*) Pflichtfeld

Sie sind bereits registriert?