Institut für Produktionsmanagement und -technik
Institut für Produktionsmanagement und -technik
VDMA-Nachwuchspreis "Digitalisierung im Maschinenbau" für IPMT-Studenten
Mit maschinellem Lernen sichere Flugzeuge bauen
Um aus einzelnen Teilen Flugzeuge zu bauen, werden allein in der europäischen Luftfahrtindustrie pro Jahr insgesamt 150 Millionen Bohrungen für Nietverbindungen angefertigt. Zwei Drittel davon per Hand, und dabei dürfen dem Personal keine Fehler passieren. Um die Sicherheit im Flugzeugbau zu gewährleisten, werden daher sämtliche Nietbohrungen mit hohem Zeit- und Kostenaufwand auf ihre Qualität geprüft und bei Bedarf nachgebessert. Der Einsatz von maschinellem Lernen kann künftig die Lösung für dieses aufwendige Verfahren sein. Die notwendigen Methoden für das automatisierte Vermeiden von Fehlern und die Sicherung der Bohrqualität hat der Student Samuel Bender am Institut für Produktionsmanagement und –technik (IPMT) der Technischen Universität Hamburg unter Betreuung von Prof. Dr.-Ing. Wolfgang Hintze und seines wissenschaftlichen Mitarbeiters Jan Mehnen entwickelt.
Datengestützt auf Nummer sicher gehen
„Meine Idee war es, schon während des Bohrens aus messbaren Signalen schließen zu können, ob eine Nietbohrung gut oder schlecht ist“, erklärt der Student. Damit das gelingt, benötigt Bender detaillierte Angaben zu den Werkstoffen, deren Dicke und den dafür benötigten Motordrehzahlen der Bohrmaschinen. Dabei entstehen bei jeder Nietbohrung charakteristische Signalverläufe, unter anderem aus den Elektromotoren der Maschinen. Aus den daraus gewonnenen Daten lassen sich anschließend mit Hilfe des maschinellen Lernens präzise Vorhersagen für neue Bohrbedingungen treffen. Entspricht der Signalverlauf bei einer Nietbohrung dann dem berechneten Wert, ist die Bohrung fehlerfrei. Bei minimalen Abweichungen von Qualitätsvorgaben, beispielsweise in der Grathöhe oder dem Durchmesser einer Bohrung, kann zeitnah in den Fertigungsprozess eingegriffen werden. Fehler in der Produktion und Montage oder Ausfälle in Folge von Verschleiß an Werkzeug und Bohrmaschinen werden so frühzeitig erkannt. Damit reduzieren sich auf Dauer Produktions- und Qualitätskosten für die Unternehmen.
Sind genügend Daten vorhanden, kann das von Samuel Bender entwickelte Verfahren überall dort eingesetzt werden, wo Bearbeitungs-, Montage- oder Prüfprozesse von Menschen oder Maschinen durchgeführt werden. Für seine hervorragende Leistung erhielt Bender vom Verband Deutscher Maschinen- und Anlagenbau (VDMA) den ersten Platz in der Kategorie Bachelorarbeit im Rahmen des Nachwuchspreises „Digitalisierung im Maschinenbau“ und ein Preisgeld in Höhe von 500 Euro.
Pressemitteilung der TUHH: https://intranet.tuhh.de/aktuell/pressemitteilung_einzeln.php?id=13492&Lang=de
Pressemitteilung des VDMA: https://sud.vdma.org/viewer/-/v2article/render/57198520
Mit maschinellem Lernen sichere Flugzeuge bauen
Um aus einzelnen Teilen Flugzeuge zu bauen, werden allein in der europäischen Luftfahrtindustrie pro Jahr insgesamt 150 Millionen Bohrungen für Nietverbindungen angefertigt. Zwei Drittel davon per Hand, und dabei dürfen dem Personal keine Fehler passieren. Um die Sicherheit im Flugzeugbau zu gewährleisten, werden daher sämtliche Nietbohrungen mit hohem Zeit- und Kostenaufwand auf ihre Qualität geprüft und bei Bedarf nachgebessert. Der Einsatz von maschinellem Lernen kann künftig die Lösung für dieses aufwendige Verfahren sein. Die notwendigen Methoden für das automatisierte Vermeiden von Fehlern und die Sicherung der Bohrqualität hat der Student Samuel Bender am Institut für Produktionsmanagement und –technik (IPMT) der Technischen Universität Hamburg unter Betreuung von Prof. Dr.-Ing. Wolfgang Hintze und seines wissenschaftlichen Mitarbeiters Jan Mehnen entwickelt.
Datengestützt auf Nummer sicher gehen
„Meine Idee war es, schon während des Bohrens aus messbaren Signalen schließen zu können, ob eine Nietbohrung gut oder schlecht ist“, erklärt der Student. Damit das gelingt, benötigt Bender detaillierte Angaben zu den Werkstoffen, deren Dicke und den dafür benötigten Motordrehzahlen der Bohrmaschinen. Dabei entstehen bei jeder Nietbohrung charakteristische Signalverläufe, unter anderem aus den Elektromotoren der Maschinen. Aus den daraus gewonnenen Daten lassen sich anschließend mit Hilfe des maschinellen Lernens präzise Vorhersagen für neue Bohrbedingungen treffen. Entspricht der Signalverlauf bei einer Nietbohrung dann dem berechneten Wert, ist die Bohrung fehlerfrei. Bei minimalen Abweichungen von Qualitätsvorgaben, beispielsweise in der Grathöhe oder dem Durchmesser einer Bohrung, kann zeitnah in den Fertigungsprozess eingegriffen werden. Fehler in der Produktion und Montage oder Ausfälle in Folge von Verschleiß an Werkzeug und Bohrmaschinen werden so frühzeitig erkannt. Damit reduzieren sich auf Dauer Produktions- und Qualitätskosten für die Unternehmen.
Sind genügend Daten vorhanden, kann das von Samuel Bender entwickelte Verfahren überall dort eingesetzt werden, wo Bearbeitungs-, Montage- oder Prüfprozesse von Menschen oder Maschinen durchgeführt werden. Für seine hervorragende Leistung erhielt Bender vom Verband Deutscher Maschinen- und Anlagenbau (VDMA) den ersten Platz in der Kategorie Bachelorarbeit im Rahmen des Nachwuchspreises „Digitalisierung im Maschinenbau“ und ein Preisgeld in Höhe von 500 Euro.
Pressemitteilung der TUHH: https://intranet.tuhh.de/aktuell/pressemitteilung_einzeln.php?id=13492&Lang=de
Pressemitteilung des VDMA: https://sud.vdma.org/viewer/-/v2article/render/57198520