Datenbasierte Prozessoptimierung für das Spritzgießen mithilfe Bayes’scher Optimierung

Das Ziel deiner Arbeit ist es den Einrichtprozess beim Spritzgießen effizienter zu gestalten.

Energiedaten aus der Maschinen können bspw. mit künstlichen neuronalen Netzen als Qualitätsparameter des Prozesses genutzt werden

Thema der Arbeit:
Das Spritzgießen ist das am stärksten automatisierte Produktionsverfahren für Kunststoffprodukte. Es ermöglicht die wirtschaftliche Massenproduktion von Teilen mit komplexen Geometrien. Einrichter optimieren den Ausschuss durch die Auswahl einer geeigneten Kombination von Maschinenparametern, die einen geringen Anteil an Ausschussteilen und schnelle Zykluszeiten garantieren. Obwohl viele strukturierte Methoden, wie statistische Prüfpläne oder Modelle des maschinellen Lernens eingesetzt werden können, verwenden viele Einrichter und Fertigungsunternehmen einen manuellen Ansatz der "Ein-Faktor-Variation". Je nach Ausbildung und beruflichem Hintergrund des Mitarbeiters kann jeder der genannten Ansätze zu geeigneten Einstellparameterkombinationen führen. Unternehmen sind deswegen daran interessiert, den Einrichtprozess effizienter zu gestalten.

 
Die Arbeit hat Bezug zu diesem Forschungsprojekt:
Das Exzellenzcluster „Internet of Production“ (IoP) an der RWTH Aachen ist ein interdisziplinäres Forschungsprojekt in Kooperation von 24 Instituten und Lehrstühlen. Das IKV Aachen erforscht in diesem Rahmen die modellbasierte Prozessoptimierung, z. B. des Spritzgießens, zur Steigerung von Prozess- und Bauteilqualitäten. So soll u. a. eine kürzere Prozessvorbereitungszeit für die Produktion oder eine Optimierung des Prozesses während der Produktion realisiert werden.

Zielsetzung:
Die Bayes'sche Optimierung (BO) ist eine beliebte Methode im Bereich des maschinellen Lernens und der Datenwissenschaft. Potentielle Einsatzgebiete sind Hyperparameteroptimierung, Robotersteuerungen und Reinforcement Learning. Es handelt sich um eine adaptive Versuchsplanung. Im Rahmen dieses Projekts wird der Studierende die Anwendbarkeit von BO für die iterative und sichere Optimierung eines bestehenden Betriebspunktes für den Spritzgießprozess in der Serienproduktion untersuchen. Dieses Projekt, durchgeführt gemeinsam mit dem Institut für Data Science im Maschinenbau (DSME), wird einen Beitrag zum aufkommenden Forschungsgebiet der Datenwissenschaft in der Prozessoptimierung liefern.

Für die Masterarbeit bearbeitest du folgende Aufgabenstellungen:

  • Einarbeitung in BO und Spritzgießverfahren
  • Erarbeitung einer passenden Zielfunktion zur Optimierung
  • Erstellung eines „Playground“ für den Einsatz von BO mit Spritzgießsimulationssoftware
  • Analyse des Anwendungspotentials der BO in der Simulation und Algorithmenoptimierung
  • Validierung des Algorithmus anhand eines realen Spritzgießprozesses


 Das sollte dein Profil sein:

  • Technisches oder technisch-naturwissenschaftliches Studium
  • (Gutes) Verständnis von Kunststoffspritzgießen bestenfalls vorhanden
  • Interesse an den Themen Nachhaltigkeit und Industrie 4.0
  • Gutes mathematisches Verständnis
  • Eigenständige und eigenverantwortliche Arbeit neben der Betreuung
  • Zuverlässigkeit und Interesse an prozessübergreifenden Zusammenhängen
  • Sehr gut in Schrift und Sprache in Deutsch und/oder Englisch

Findest du dich hierin wieder? Passt die Ausschreibung genau oder hast du sogar noch eigene Ideen zur Ausgestaltung? Bei der Ausgestaltung des genauen Themas kannst du natürlich mitwirken! Melde dich gerne bei mir, um einen Gesprächstermin zu vereinbaren.

Dein Ansprechpartner:
Yannik Lockner, M. Sc. RWTH
Telefon: +49 241 80 96264
E-Mail: yannik.lockner@ikv.rwth-aachen.de