KI-gestützte Qualitätsüberwachung von Schraubprozessen
Entwicklung und Untersuchung eines Machine-Learning-Ansatzes zur automatisierten Klassifikation definierter Schraubfehler anhand von Prozess- und Schwingungsdaten.
Hintergrund & Vorgehen
Zielsetzung
Ziel der Masterarbeit ist die Entwicklung und Bewertung eines datenbasierten Ansatzes zur automatisierten Identifikation unterschiedlicher Fehlerarten bei industriellen Schraubprozessen. Im Mittelpunkt steht die Untersuchung, ob zusätzliche Schwingungsinformationen die Fehlerklassifikation gegenüber der alleinigen Analyse konventioneller Schraubprozessdaten verbessern.
Methodisches Vorgehen
Analyse von Drehmoment-, Drehwinkel- und Zeitverläufen sowie ergänzenden Schwingungsdaten eines kostengünstigen Sensors mit einer Abtastrate von 100 Hz. Die Datengrundlage umfasst Referenzverschraubungen und gezielt erzeugte Fehlertypen in unterschiedlichen Ausprägungen. Nach Datenaufbereitung, zeitlicher Zuordnung und Merkmalsextraktion werden überwachte Machine-Learning-Verfahren zur Klassifikation der Fehlerarten untersucht. Ein Vergleich unimodaler und multimodaler Modelle soll den zusätzlichen Informationsgehalt der Schwingungsmessung bewerten.
Mein Beitrag
Konzeption und Entwicklung einer Python-basierten Auswertung industrieller Schraub- und Sensordaten. Zu den Arbeitsschwerpunkten gehören die strukturierte Datenaufbereitung, Analyse charakteristischer Schraubkurven, Untersuchung der Schwingungssignale sowie die Entwicklung und Bewertung von Klassifikationsansätzen.
Stand & Erkenntnisse
Die Masterarbeit befindet sich aktuell in Bearbeitung. Untersucht wird insbesondere, ob die Kombination aus konventionellen Prozessdaten und kostengünstiger Schwingungssensorik eine zuverlässigere Zuordnung verschiedener Schraubfehler ermöglicht. Belastbare Ergebnisse des Modellvergleichs werden nach Abschluss der Validierung ergänzt.
