Entwicklung von datenbasierten Methoden zur Fehlervermeidung in Produktionsanlagen

Die Anforderungen an produzierende Unternehmen in Zeiten von Globalisierung und Automatisierung steigen stetig. Unternehmen jeglicher Größe müssen unter hohem Druck effizient und wirtschaftlich produzieren und schnell auf veränderte Bedarfe reagieren. Verfahren aus dem Bereich Prescriptive-Analytics und der künstlichen Intelligenz ermöglichen eine Flexibilisierung der Produktionsabläufe bspw. im Fehlerfall sowie eine Optimierung und Effizienzsteigerung der Fertigungsprozesse. Im Projekt VIP4PAPS soll eine neue, modulare und nutzerzentrierte Plattform für Anwendungen von Prescriptive-Analytics entwickelt und validiert werden, die den Entwicklungsaufwand und die Entwicklungszeit der Unternehmen senkt und durch Einsparungen von Material- und Energieressourcen zur Nachhaltigkeit in der Produktion beitragen.

Die Themenschwerpunkte und Aufgaben des Studierenden leiten sich aus den Zielen des Projekts ab. Dieses wird gemeinsam vom Center for Applied Data Science (CfaDS) und dem Fraunhofer-Institut für Entwurfstechnik Mechatronik (IEM) durchgeführt. Das langfristige Ziel des Projekts ist die Validierung einer Prescriptive-Analytics-Plattform für Produktionsanlagen. Zusammengefasst meint dies die Entwicklung eines Tools für Anlagennutzer, welches anhand von Produktionsdaten Voraussagen über zukünftig auftretende Fehler trifft und entsprechende Handlungsempfehlungen für die Vermeidung eines tatsächlichen Fehlerfalls generiert. Es wird somit Präskription angestrebt, was eine Form der Datenanalyse ist und, wie in Abbildung 2 genauer dargestellt, das Konzept von Deskription, Diagnostik und Prädiktion erweitert.
Aktuell werden im Rahmen des Projekts Methoden aus dem Bereich des maschinellen Lernens, wie z.B. Large-Language-Models und Grafdatenbanken, verwendet. Für die kommende Projektphase ist zusätzlich die Implementierung von datenbasierten Ansätzen aus dem Bereich der fehlertoleranten Systeme (Regelungstechnik) geplant. Mit diesen sollen anhand historischer Daten Bausteine zur Fehlererkennung und Erzeugung synthetischer Daten umgesetzt werden. Eine entsprechende Übersicht über das aktuelle Plattformkonzept ist in Abbildung 3 dargestellt.

Vom Studierenden sollen die folgenden Leistungen erbracht werden, wobei je nach persönlichem Interesse und Entwicklung des Projektes individuelle Schwerpunkte gelegt werden können.

Bei allen Aufgaben wird der Studierende sowohl von wissenschaftlichen Mitarbeitern als auch durch den Professor begleitet und nach Bedarf gefördert.

• Einarbeitung in das Thema Prescriptive-Analytics und den aktuellen Projektstand
• Einarbeitung in datenbasierte Methoden der fehlertoleranten Systeme und des maschinellen Lernens
• Auswahl konkreter Lösungsansätze aus den oben genannten Bereichen für die Bearbeitung einer spezifischen Fragestellung im Projekt
• Implementierung und Validierung der gewählten Ansätze (zunächst simulativ, dann real an der IoT-Factory)
• Wahl eines Forschungsschwerpunktes anhand der Erfahrungen aus den zuvor aufgeführten Aufgaben
• Erarbeitung eines eigenen Forschungsbeitrages zum Themenfeld Prescripitve-Analytics
• Dokumentation und Präsentation der erzielten Ergebnisse

Bezug zum Thema Data Science

Der Schwerpunkt des Projekts liegt auf der Verknüpfung von Methoden des maschinellen Lernens und Ansätzen aus dem Bereich der fehlertoleranten Systeme (Regelungstechnik). In beiden Bereichen hat die Generierung, Auswahl, Aufbereitung und Nutzung von Produktionsdaten eine zentrale Rolle. Der Studierende bekommt somit die Möglichkeit, verschiedene Kompetenzen eines Data Scientist im realen Projektumfeld zu erlangen und anzuwenden.

Verfügbare Ressourcen

Im Rahmen des Projektes hat der Studierende die Möglichkeit

• zum regelmäßigen Austausch mit erfahrenen Mitarbeitern des CfADS und des Fraunhofer IEM
•  zur Nutzung der IoT-Factory für die Datengenerierung und Validierung der eigenen Arbeit
• zur Nutzung der von der HSBI bereitgestellten Softwaretools und des Data-Analytics-Cluster

Projektplan

Erstes Semester:
Einarbeitung in das Thema Prescriptive-Analytics, den aktuellen Projektstand sowie die Grundlagen des maschinellen Lernens bzw. der fehlertoleranten Systeme. Literaturrecherche zum Stand der Forschung und Technik. Definition einer konkreten Fragestellung aus dem Projektkontext, die im zweiten Semester bearbeitet werden soll. Die Erstellung eines entsprechenden Forschungsexposés ist Prüfungsleistung.

Zweites Semester:
Literaturrecherche zu geeigneten Ansätzen für die Bearbeitung der im ersten Semester definierten Fragestellung. Auswahl konkreter Methoden auf Basis der Literaturrecherche. Beginn mit der Implementierung und Validierung einer der gewählten Methoden. Die Erstellung eines Papers, das einen Überblick über die Schwerpunkte des Semesters gibt, ist Prüfungsleistung.

Drittes Semester:
Fertigstellung und Dokumentation aller Arbeiten zu der im ersten Semester definierten Fragestellung. Auswahl eines Forschungsthemas aus dem Bereich Pescriptive-Analytics, dessen Bearbeitung einen Beitrag zu den Projektzielen leistet. Beginn der Forschungsarbeiten. Die Erstellung eines Papers, welches die im Semester erzielten Ergebnissen zusammen mit dem gewählten Forschungsthema beschreibt, ist Prüfungsleistung.

Viertes Semester:
Fortführung und Abschluss der Forschungsarbeiten sowie Anfertigung der Masterarbeit. Die Masterarbeit und das zugehörige Kolloquium sind Prüfungsleistung.

Zwingend:

• Bachelorabschluss in ingenieurwissenschaftlicher Fachrichtung
• Programmiererfahrung in Matlab oder Python
• Freude sich tief und intensiv in eine technische Fragestellung einzuarbeiten
• Interesse Teil eines wissenschaftlichen Projektteams zu werden

Erwerbbare Kompetenzen

Je nach gewählten Schwerpunkten hat der der Studierende hat die Möglichkeit, einen Teil der folgenden Kompetenzen zu erwerben.

• Expertenwissen zu Pescriptive-Analytics
• Expertenwissen zu Methoden des maschinellen Lernens
• Expertenwissen zu datenbasierten Methoden fehlertoleranter Systemtechnik
• Zielgerichtete Generierung, Auswahl, Aufbereitung und Nutzung von Produktionsdaten
• Effiziente Validierung eigener Lösungsansätze
• Durchführung einer strukturierten Literaturrecherche
• Dokumentation und Präsentation der eigenen Arbeit in wissenschaftlicher Form
• Anfertigung von wissenschaftlichen Arbeiten mit Fokus auf eine potenzielle Veröffentlichung
• Softskills bezüglich der Arbeitsweise von Forschenden in Projektteams