Erfolgreiche Promotion im Bereich Data Mining und maschinelles Lernen

13.05.2020
Von: Prof. Dr. Marcus Wagner

Wie kann man Methoden der Datenanalyse und des maschinellen Lernens in der Großserienproduktion nutzen? Welche Voraussetzungen braucht es, um Fertigungsprozesse effizienter zu gestalten? Darum ging es in der Dissertation von Dr. Stephan Purr.

Erfolgreiche kooperative Promotion an der OTH Regensburg: Dr. Stephan Purr von der Fakultät Maschinenbau.

Erfolgreiche kooperative Promotion an der OTH Regensburg: Dr. Stephan Purr von der Fakultät Maschinenbau. Foto: Dr. Stephan Purr

Kooperationspartner der Promotion von Dr. Stephan Purr waren das BMW Werk Regensburg, der Lehrstuhl für Fertigungstechnologie an der Friedrich-Alexander-Universität (FAU) Erlangen und das Labor Finite-Elemente der OTH Regensburg.

Kooperationspartner der Promotion von Dr. Stephan Purr waren das BMW Werk Regensburg, der Lehrstuhl für Fertigungstechnologie an der Friedrich-Alexander-Universität (FAU) Erlangen und das Labor Finite-Elemente der OTH Regensburg. Foto: BMW Group

Für eine wirtschaftliche Großserienproduktion von Blechbauteilen sind hocheffiziente und robuste Fertigungsprozesse unabdingbar. Diese Anforderung wird durch eine immer größer werdende Individualisierung der Produkte und dadurch steigende Variantenanzahl zunehmend erschwert.

Hoher Aufwand: Kontrollen bislang vor allem manuell

Zur Erfüllung der hohen Qualitätsanforderungen an die produzierten Bauteile sind aufwändige Maßnahmen in Presswerken notwendig, um die unvermeidlichen Schwankungen von Eingangsgrößen, zum Beispiel der Werkstoffkennwerte oder der Beölung, auszugleichen. Diese Kontrollen erfolgen bisher in der Praxis größtenteils manuell. Werden Mängel festgestellt, ist das betreffende Bauteil entweder Ausschuss oder wird kostenintensiv manuell nachgearbeitet.

In der laufenden Fertigung wird durch Veränderung von Prozessparametern auf solche Qualitätsschwankungen reagiert. Auch dies erfolgt manuell und basierend auf der Erfahrung des jeweiligen Personals. Objektive Zusammenhänge zwischen Stellgrößen und der Bauteilqualität liegen in der Regel nicht vor. Dadurch kommt es zu Stillstandszeiten der Anlage, da nicht jede getroffene Maßnahme zielführend sein muss.

Lösung mithilfe der Digitalisierung

Dr. Stephan Purr, Absolvent der Fakultät Maschinenbau der Ostbayerischen Technischen Hochschule Regensburg (OTH Regensburg), hat in seiner Dissertation einen Ansatz entwickelt, um dieses Problem mithilfe der Digitalisierung zu lösen. Zur Senkung von Ausschusszahlen und Stillstandszeiten setzt Dr. Purr in seiner Arbeit mit dem Titel „Datenerfassung für die Anwendung lernender Algorithmen bei der Herstellung von Blechformteilen“ auf die Erfassung großer und vielfältiger Datenmengen der Eingangsgrößen und auch von Qualitätsdaten über das fertige Produkt. Anschließend werden Methoden des maschinellen Lernens genutzt, um aus diesen Daten objektive Prognosen für Stellgrößen zu ermitteln.

Dr. Stephan Purr untersuchte dazu verschiedene Sensorsysteme, bewertete ihre Einsatzfähigkeit und integrierte sie in eine Produktionsanlage in einem Großpresswerk. Auch die informationstechnische Seite in Form der Ablage in einer werkeübergreifenden Datenbank ist Gegenstand seiner Bearbeitung. Die erfassten Daten wurden von ihm mit verschiedenen Methoden des maschinellen Lernens auf ihre Aussagefähigkeit zur Prognose der Bauteilqualität überprüft und bewertet.

Erfolgreiche Übertragung der Ergebnisse in die Produktion

Die Ergebnisse der kooperativen Promotion, die in Zusammenarbeit des BMW Werks Regensburg, des Lehrstuhls für Fertigungstechnologie an der Friedrich-Alexander-Universität (FAU) Erlangen und dem Labor Finite-Elemente-Methode der OTH Regensburg entstand, haben beim Industriepartner dazu geführt, die Messmethoden und Datenerfassungssysteme auf alle Presswerke auszudehnen, was mit erheblichen Investitionen verbunden ist. Dies ist als herausragender Beitrag von Dr. Purr zu sehen.

Zurück

Nachrichten