Thematischer Hintergrund
Die optimalen Maschineneinstellparameter beim Spritzgießen werden in der Praxis häufig durch Anwendererfahrung oder einen extensiven Versuchsplan an der Maschine bestimmt. Das IKV erforscht die Möglichkeit des Einsatzes von Methoden künstlicher Intelligenz, um den Betriebspunkt der Maschine zu optimieren. Hierzu sind bereits Versuchsreihen mit simulativ erzeugten und realen Daten der Spritzgießprozesse durchgeführt worden, die vielversprechende Ergebnisse erzielen konnten
Während in der Vergangenheit für neue Prozesse vorwiegend untrainierte Modelle verwendet wurden, gewinnt nun das Transferlernen, also die Wiederverwendung von bereits trainierten Modellen, an Bedeutung. Der Erfolg des Nachtrainings mit den Daten des neuen Spritzgießprozesses ist jedoch abhängig davon, welche Strategie zur Datenerfassung verfolgt wurde.
Deine Aufgabenstellung
Auf Basis von Erkenntnissen aus Simulationsdatensätzen soll überprüft werden, ob sich diese Erkenntnisse zu effizienten und effektiven Datenerfassungsstrategien auch in die Praxis übertragen lassen. Dabei führst du Versuche an Spritzgießmaschinen durch, analysierst die Ergebnisse und leitest daraus Best Practices ab. Die Modellbildung mit künstlichen neuronalen Netzen erfolgt in der Programmiersprache Python und den Frameworks tensorflow und keras. Die Bearbeitung kann auch in Englisch erfolgen.
Was ist dein Benefit?
- Forschung mit Industrienähe im Bereich „Industrie 4.0“
- Praxiswissen und –versuche zu maschinellem Lernen und Spritzgießen
- Arbeit mit State-of-the-Art (Maschinen-)technik
- Ggf. Programmier- und Softwarekenntnisse mit Python, Tensorflow, sklearn
Wenn Du Interesse an einer Arbeit hast, melde dich sehr gerne bei mir, um ein Gespräch zu vereinbaren.
Ansprechpartner
Yannik Lockner, M.Sc.
Telefon: +49 241 80-96264
E-Mail: yannik.lockner@ikv.rwth-aachen.de