Predictive Maintenance in der industriellen Fertigung

Das Spritzgussverfahren ist branchenübergreifend eines der wichtigsten Fertigungsverfahren zur kosteneffizienten Produktion großer Stückzahlen von Bauteilen. Der Ablauf ist schematisch in der obigen Abbildung dargestellt. Der zu spritzende Kunststoff wird in Form von Granulat über einen Trichter in eine rotierende Schnecke eingefüllt. Die Rotation der Schnecke fördert das Granulat zur Schneckenspitze. Durch Heizelemente wird das Granulat auf dem Weg aufgeschmolzen und die Schmelze sammelt sich an der Schneckenspitze, die zu diesem Zeitpunkt geschlossen ist. Hierdurch bildet sich ein messbarer Staudruck, der in Verbindung mit der Rotation der Schnecke zur Verdichtung und Homogenisierung der Schmelze führt. Sobald sich genügend Schmelze angesammelt hat, die für das Volumen des zu fertigen Werkstücks ausreicht, wird die Rotation der Schnecke eingestellt. Anschließend wird die Schmelze hydraulisch oder elektrisch in den Hohlraum gedrückt.

Damit bei diesem Vorgang kein Material zurück fließt und sich die Schmelze homogen im Hohlraum verteilt, ist eine sogenannte Rückstromsperre an der Schneckenspitze eingebaut. Von ihrer Funktion hängt die Qualität des Spritzgussteils maßgeblich ab. Ist eine Rückstromsperre beschädigt, muss der Druck nachgeregelt werden und die Zykluszeit verändert sich. Des Weiteren sind dadurch Qualitätsmängel des produzierten Produktes möglich. Während des Verschleißvorgangs schwankt der gemessene Staudruck zunehmend und ist nicht reproduzierbar. Während des gesamten Produktionsprozesses werden alle Maschinendaten (bspw. Staudruck) aufgenommen und mittels IoT-Protokolle in einer Cloud abgespeichert. Eine Datenhistorie liegt sowohl in Rohform als auch in aufbereiteter Form vor und wird den Mitarbeitern auf einem Live-Dashboard präsentiert. Dies ermöglicht es, Fehler in der laufenden Produktion zu erkennen und darauf zu reagieren (Proaktive Wartung).

Der / Die Studierende soll im Rahmen des Projekts unter Verwendung von maschinellem Lernen den Gesundheitszustand von Rückstromsperren in der realen Spritzgussproduktion vorhersagen (Predictive Maintenance). Diese Vorhersagen und daraus abgeleitete Entscheidungsmöglichkeiten sind den Mitarbeitern auf intuitive Weise zu präsentieren, damit ein passgenaues Eingreifen möglich ist. Im ersten Schritt ist sich in die Funktionsweise von Spritzgussmaschinen einzuarbeiten. Anschließend ist die bereits vorhandene Datenerfassung zu studieren, damit ein grundlegendes Verständnis über das zu bearbeitende Projekt vorliegt. Auf dieser Grundlage sind potenziell für die Anwendung passende maschinelle Lernmethoden zu recherchieren. Hierbei ist zwischen Methoden der Detektion und der Vorhersage von Verschleiß/Anomalien zu unterscheiden. Basierend auf der Datengrundlage sind notwendige Datenaufbereitungsschritte durchzuführen (bspw. Merkmalsextraktion), um anschließend ein maschinelles Lernmodell zur Detektion anzutrainieren. Aufbauend sind Vorhersagemodelle zu implementieren. Hier ist zu unterscheiden zwischen verschiedenen Ansätzen (bspw. Überlebensmodell, Verschleißmodell und Ähnlichkeitsmodell). Als Minimalziel soll im Rahmen des Projekts eine Vorhersageform realisiert werden. Bei raschem Projektfortschritt bietet die Aufgabenstellung gleichzeitig eine Vielzahl an Erweiterungsmöglichkeiten. Die Ergebnisse sind abschließend so aufzubereiten, dass jeder Mitarbeiter unabhängig vom Wissensstand im Bereich Data Science in der Lage ist, die Ergebnisse nachzuvollziehen, so dass ein wichtiger Beitrag zur Entscheidungsfindung geliefert wird.

Bezug zum Thema Data Science  
Moderne Spritzgussmaschinen weisen vielfältige Sensoren zur Erfassung von Betriebsdaten auf. Standardisierte Kommunikationsprotokolle (bspw. OPC UA und MQTT) erlauben die einfache Integration weiterer Sensorik zur vollumfänglichen digitalen Abbildung des Maschinenbetriebes (digitaler Zwilling). Zur Auswertung der erfassten Daten stehen Methoden des maschinellen Lernens zur Verfügung. Diese lassen automatisiert Rückschlüsse auf die Prozess- und Produktqualität zu, ohne einer aufwendigen Interaktion mit dem menschlichen Anwender. Qualitätsabweichungen können somit frühzeitig identifiziert werden. Sie erlauben des Weiteren die Erzeugung von Prognosen über die Entwicklung der Produktqualität, welche die Grundlage zur Realisierung einer bedarfsgerechten Wartung (Predictive Maintenance) darstellen.

Verfügbare Ressourcen

• Aktive Betreuung bei der Erarbeitung methodischer und praktischer Lösungen
• Es liegt bereits eine große Historie an Prozessdaten vor
• Arbeitsplatz sowohl bei HARTING als auch beim CfADS
• Ansprechpartner bei HARTING und dem CfADS sind über die gesamte Projektlaufzeit verfügbar
• Aktive Unterstützung beim Schreiben wissenschaftlicher Veröffentlichungen

Projektplan
Erstes Semester: Das Ziel des ersten Semesters ist die Einarbeitung in den Workflow von Predictive Maintenance für Spritzgußmaschinen und die dafür zu verwendenden ML-Methoden. Hierfür ist sich in die vorhandene Infrastruktur bei HARTING einzuarbeiten. Termine in der Produktion bei HARTING sind hierfür vorgesehen. Die bereits aufgenommen Daten sind zu analysieren, damit aus den Kenntnissen von Produktion und Daten ein passgenauer Ansatz zur Anomalie Detektion und für Predictive Maintenance aufgestellt werden kann. Die Erstellung eines Forschungsexposés ist Prüfungsleistung.

Zweites Semester: Basierend auf den Ergebnissen des ersten Semesters soll in diesem Semester eine geeignete maschinelle Lernmethode zur Detektion von Verschleiß und Anomalien implementiert werden. Hierfür sind die vorhandenen Daten speziell für die ausgewählte Methode aufzubereiten. Die Methode ist anschließend bei HARTING in den vorhandenen Workflow zu integrieren und die Funktionalität zu validieren. Die Prüfungsleistung ist die Erstellung eines Short-Papers, wie Predictive Maintenance an Spritzgussanlagen durchgeführt werden kann. Idealerweise wird dieses auf einer (internationalen) Konferenz präsentiert.

Drittes Semester: Aufbauend auf den Ergebnissen der Anomalie Detektion wird in diesem Semester der Workflow weitergeführt in Richtung Predictive Maintenance. Die im ersten Semester ausgewählte Methode wird implementiert mit dem Ziel den Verschleiß und Anomalien während der Produktion vorherzusagen. Auch hier ist die Methodik in den Workflow bei HARTING zu integrieren und zu benchmarken. Das Erstellen eines Full-Papers, in dem die Ergebnisse des zweiten und dritten Semesters kombiniert werden, ist Prüfungsleistung. Idealerweise wird dieses auf einer (internationalen) Konferenz präsentiert.

Viertes Semester: Die Masterarbeit knüpft thematisch an den vorherigen drei Semestern an. Der / Die Studierende kann den Fokus je nach Projektablauf und Interesse mehr auf die reale Anwendung setzen oder mehr theoretisch vertiefen: Beim Fokus auf die industrielle Anwendung sind mögliche Themen das Übertragen der Methoden auf mehrere Spritzgußmaschinen, das Durchführen umfangreicher Benchmarks, das Durchführen von Anwenderstudien mit den Mitarbeitenden hinsichtlich Bedienbarkeit und Funktionalität. Alternativ kann der Fokus mehr auf das Wissenschaftliche gelegt werden. Hierfür ist einer der zuvor implementierten Algorithmen eigenständig weiterzuentwickeln und zu veröffentlichen. Dies könnte den ersten eigenen Schritt in Richtung Promotion darstellen. Unabhängig vom Fokus sollten beide Aspekte einen Mindestanteil von 20% haben. Die Prüfungsleistung ist die Masterarbeit.

Eignungskriterien
Zwingend:

• Fließendes Englisch in Wort und Schrift
• Programmierkenntnisse 

• Kenntnisse in der Programmiersprache Python
• Erfahrungen im Umgang im Bereich der Datenerfassung/Übertragung
• Praktische Erfahrung mit mechanischen Aufbauten

Erwerbbare Kompetenzen

• Verknüpfen von Theorie und Praxis: anwenden theoretischer Grundlagen an realen Spritzgussmaschinen
• Durchführung eines eigenen und umfangreichen Projektes
• Wissenschaftliches Arbeiten in einem Forschungsteam
• Teilnahme an Konferenzen mit Präsentation der eigenen Forschungsergebnisse
• Schreiben und Entwickeln von Algorithmen für künstliche Intelligenz
• Testen und Trainieren von künstlichen bzw. neuronalen Modellen
• Auswertung und systematische Analyse von KI-generierten Daten