Interpretierbare Methoden des maschinellen Lernens in der Kunststoffverarbeitung

Du untersuchst Methoden des maschinellen Lernens für die Prozessoptimierung, die sich physikalisch interpretieren lassen, um das Prozessverständnis zu steigern.

Der Werkzeuginnendruck indiziert die Bauteilqualität. | Bild: IKV

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.

Die Modellbildung erfolgt z. Z. mit künstlichen neuronalen Netzen, die zwar gute Ergebnisse liefern, jedoch aufgrund ihres Black-Box-Charakters nicht interpretierbar sind. So ist nicht nachzuvollziehen, warum eine Bauteilqualität für einen bestimmten Einstellparametersatz geschätzt wird. Dies würde jedoch das rozessverständnis beim Anwender sowie die Akzeptanz der Methode in der Praxis deutlich erhöhen.

Deine Aufgabenstellung
Du bestimmst zunächst, welche Möglichkeiten es für den Einsatz von interpretierbaren Methoden des maschinellen Lernens in der Kunststoffverarbeitung gibt. Mit vorhandenen Parametern für die Modellbildung ist es im Folgenden deine Aufgabe, ausgewählte Ansätze zu implementieren und zu validieren. Optional kannst du die implementierten Ansätze mit Black-Box-Modellen hinsichtlich ihrer Modellqualität vergleichen.

Was ist dein Benefit?

  • Forschung mit Industrienähe im Bereich „Industrie 4.0“
  • Praxiswissen über maschinelles Lernen / KNN
  • Tiefgreifendes Verständnis über Zusammenhänge beim Spritzgießen
  • Ggf. Programmier- und Softwarekenntnisse mit Python, Tensorflow, sklearn, Cadmould

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