Entwicklung eines affektiven Modells für die Auswertung von Maschinen- und Prozessdaten (bearbeitet)

In hochautomatisierten Fertigungen werden eine Vielzahl an Maschinen- und Prozessdaten (Stückzahl, Stromaufnahme, Spindeldrehzahlen von Werkzeugmaschinen …) während des Produktionsprozesses erfasst. Außerdem werden ungeplante Maschinenstillstände in Form einer roten Ampel an der Maschine und der Anzeige von Steuerungsdaten signalisiert. 

Ein erfahrener Maschinenbediener würde aufgrund seiner Erfahrung und geschulten Wahrnehmung des Produktionsprozesses aus dem Bauch heraus eine Aussage treffen können, warum nun eine Störung der Maschine aufgetreten ist. Diese erste Einschätzung (bzw. das „Gefühl“) des Bedieners beschreibt die tatsächliche Ursache des Stillstands oft erstaunlich gut. Dieses „Gefühl“ lässt sich allerdings bisher nicht auf die automatische Auswertung und Behebung von Fehlerursachen übertragen.

Gegenstand des vorliegenden Projekts ist die Übertragung eines sog. „Emotionsmodells“ auf eine hochautomatisierte Fertigung. Es soll untersucht werden, inwiefern der Einsatz eines  Emotionsmodells bei Störungen im Produktionsprozess hilfreich ist die Fehlerursache präzise zu bestimmen. Emotionen dienen dem Menschen unter anderem dazu, die Vielzahl an Eindrücken einer Situation zu verarbeiten. Angelehnt an dieses Prinzip sollen die erzeugten Maschinen- und Prozessdaten in kurzer Zeit mittels eines geeigneten Emotionsmodells klassifiziert werden und das Ergebnis zur situativen Bewertung verwendet werden. Darüber hinaus ist denkbar, die bestehenden Maschinendaten sinnvoll durch zusätzliche Sensoren anzureichern, wie z.B. Audio-, Vibrations- und Bilddaten. Es besteht außerdem die Möglichkeit, das Modell in einer Produktion vor Ort oder anhand realer Produktionsdaten einer hochmodernen Produktion zu entwickeln und zu evaluieren.

Die Kernaufgaben des Projekts umfassen folgende Bereiche:

• Identifikation eines geeigneten menschlichen Emotionsmodells 
• Konzepterstellung für die Implementierung des Emotionsmodells auf die Problemstellung der Produktionsdatenauswertung
• Entwicklung und Implementierung des entwickelten Konzepts
• Evaluation der implementierten Verfahren anhand geeigneter Kriterien

Interdisziplinäre Arbeit zwischen Psychologie und Technik, maschinelles Lernen, Big Data, Affective Computing

Die Aufgabe eignet sich als Masterarbeit. Das Thema kann ab sofort bearbeitet werden. 

Ansprechpartner: