VDMA zeichnet junge Maschinenbauer mit Nachwuchspreis zur Digitalisierung aus

Shutterstock

Alle vier Preisträger präsentieren innovative Anwendungsmöglichkeiten von KI im Maschinenbau; Neuer Teilnahmerekord: 38 Nominierungen von 22 Hochschulstandorten.

Der VDMA Software und Digitalisierung zeichnet erneut gemeinsam mit der Bildungsabteilung des VDMA herausragende Abschlussarbeiten von Absolventinnen und Absolventen aus den Fachbereichen Ingenieurwissenschaften und Informatik mit dem Nachwuchspreis „Digitalisierung im Maschinenbau“ aus. Die Arbeiten sind besonders durch ihren hohen Innovationsgrad und die Praxistauglichkeit für die Branche geprägt.

Digitalisierung ist für die Wettbewerbsfähigkeit des Maschinen- und Anlagenbaus essenziell. Deshalb setzt sich der VDMA Software und Digitalisierung verstärkt für die Würdigung von jungen Digitalisierungs-Talenten ein. Ebenso wie die VDMA Abteilung Bildung, die mit der Initiative „Maschinenhaus - Plattform für innovative Lehre“ den Nachwuchspreis unterstützt.

Professorinnen und Professoren deutscher Hochschulen nominierten ihre besten Studierenden aus den Fachbereichen Ingenieurwissenschaften und Informatik für den VDMA-Nachwuchspreis. Insgesamt 38 Absolventinnen und Absolventen von 22 Hochschulstandorten aus 11 deutschen Bundesländern standen mit ihren Abschlussarbeiten aus Bachelor- Master- und Diplomstudiengängen zur Wahl. Ein neuer Teilnahmerekord.

Praxistauglichkeit für den Maschinenbau

Die Lösungsvielfalt und der hohe Innovationsgrad der Abschlussarbeiten in diesem Jahr verdeutlichen die Bedeutung der Zusammenarbeit zwischen Hochschule und Industrie vor allem im Hinblick auf die Digitalisierung des Produkt- und Dienstleistungsangebotes des Maschinenbaus. „Der Preis zielt darauf ab, dass die Notwendigkeit der Digitalisierung aus den Unternehmen in die Hochschulen hineingetragen wird“, sagt Karl Friedrich Schmidt, Vorsitzender der Jury, „deshalb würdigt der VDMA besonders gute Abschlussarbeiten.“

Dr. Jörg Friedrich, Leiter der Abteilung Bildung im VDMA, hebt zu dem hervor: „Wenn Hochschulen und Industrieunternehmen bei der Digitalisierung noch intensiver Kooperationen eingehen, profitieren beide Seiten in einem hohen Maße davon.“ Eine wichtige Kooperationsform sind auch studienintegrierte Forschungs- und Entwicklungsprojekte mit Unternehmen. Eine VDMA Befragung zeigt, dass die Hälfte der Studiengänge der Ingenieurwissenschaften und Informatik dies bereits eingebunden hat. „Um noch mehr Beispiele für erfolgreiche Praxiskooperationen aufzuzeigen, unterstützen wir als VDMA Bildung daher mit unserer Maschinenhaus-Initiative den Nachwuchspreis“, ergänzt Friedrich.

VDMA ehrt vier Preisträger

Unter der Leitung von Karl Friedrich Schmidt wählte die Jury folgende Preisträger für den Nachwuchspreis 2020:

Max Schemmer, Student des Economics Engineering am Karlsruher Institut für Technologie (KIT), wird mit dem 1. Preis für die beste Masterarbeit ausgezeichnet. Die Arbeit entstand am KIT unter der Betreuung von Prof. Dr. Gerhard Satzger und wurde in Kooperation mit der CERATIZIT Austria GmbH verfasst. Schemmer entwickelt eine Lösung zur automatisierten, bildgestützten Analyse von Werkzeugverschleiß basierend auf Künstlicher Intelligenz. Die Arbeit folgt einem iterativen Design Science Research Ansatz: In engem Austausch mit Domänenexperten wurden zunächst Anwendungsfälle und Anforderungen erhoben. Mit agilen Methoden wurden dann mehrere Versionen einer Web-Applikation entwickelt und jeweils mit Experten evaluiert. Die entstandene innovative Lösung soll über neue Service-Angebote des Unternehmens dessen Geschäftsmodell ergänzen.

Stefan Kögl, Student an der Hochschule für angewandte Wissenschaften Landshut, erhält den 2. Preis in der Kategorie Masterarbeit. Im Rahmen seiner Masterthesis, die er an der Fakultät für Informatik bei Prof. Dr.-Ing. Jürgen Wunderlich verfasste, hat er bei der Siemens AG eine Anomaliedetektion für eine Papiermaschine mit Hilfe von Machine Learning entwickelt. Die Lösung reduziert durch die schnellere und zuverlässigere Erkennung von Rissen in der Papierbahn den Wartungsaufwand und die Stillstandskosten um schätzungsweise 30.000 Euro monatlich im Vergleich zur aktuell eingesetzten Lösung. Die Ergebnisse ermöglichen ferner Potenziale für eine präventive Detektion von Bahnrissen und dadurch der Produktionsstillstände. Der generische Lösungsansatz erlaubt außerdem eine Übertragung der Anomaliedetektion auf weitere Papiermaschinen.

Samuel Bender, Maschinenbaustudent an der Technischen Universität Hamburg, wird mit dem 1. Preis in der Kategorie Bachelorarbeit ausgezeichnet. Betreut wurde seine Abschlussarbeit durch Prof. Dr.-Ing. Wolfgang Hintze und Jan Mehnen vom Institut für Produktionsmanagement und -technik. In seiner Arbeit beschäftigte er sich mit der Vorhersage von Prozesskräften und -parametern einer semiautomatischen Bohrvorschubeinheit der Johannes Lübbering GmbH mittels maschinellen Lernens. Weiterhin wurden mit den aus den Motorstromdaten gewonnenen Features Vorhersagen zur Prozessgüte und dem bearbeiteten Werkstoff getroffen. Die erarbeiteten Ergebnisse zeigen Möglichkeiten für die kostengünstige Überwachung von Bohrprozessen auf.

Florian Jacobs, Maschinenbaustudent an der Rheinisch-Westfälische Technische Hochschule Aachen, erhält den 2.Preis in der Kategorie Bachelorarbeit. Die von ihm bei Prof. Dr.-Ing. Thomas Bergs am Lehrstuhl für Technologie der Fertigungsverfahren am Werkzeugmaschinenlabor mit Unterstützung des Industrie-Arbeitskreises Feinschneiden verfasste Bachelorthesis untersuchte die Anwendbarkeit von Verfahren der datengetriebenen Zeitreihenanalyse und des maschinellen Lernens zur zerstörungsfreien Werkstoffanalyse mittels Barkhausenrauschens am Beispiel des Feinschneidens. Mit einem Unsupervised Learning Ansatz ließen sich Eigenschaftsänderungen im Werkstoff eindeutig nachweisen, was einen proaktiv regulierenden Eingriff während des Prozesses ermöglicht. Somit könnte eine bessere Werkstoffausnutzung erreicht und das Potenzial der Feinschneidtechnologie als hochwirtschaftliches Trennverfahren in der metallverarbeitenden Blechindustrie weiter ausgeschöpft werden.

VDMA

Die Preisträger und Karl Friedrich Schmidt bei der digitalen Preisverleihung am 9.12.2020

Loading video

Wir haben mit den Preisträgern über Ihre Arbeiten gesprochen. Lesen Sie die spannenden Ansätze und Erkenntnisse der Absolventen.

Alle vier Preisträger im Porträt

Herr Schemmer, bei der Arbeit an Ihrer Masterthesis haben Sie sich auch agiler Methoden bedient. Warum war dieses Vorgehen im Zusammenhang mit der Industriekooperation sehr hilfreich und welche Erfahrungen haben Sie diesbezüglich gesammelt?

Im Rahmen meiner Masterarbeit habe ich in drei iterativen Entwicklungs- und Evaluationszyklen eine Applikation zur automatischen Verschleißanalyse basierend auf künstlicher Intelligenz entwickelt. Im ersten Schritt wurde hierbei die technische Machbarkeit überprüft. Anschließend wurden durch 19 Experteninterviews initiale Anforderungen an eine solche Applikation erhoben. Basierend auf diesen Anforderungen und relevanter Literatur wurde dann ein erster Prototyp entwickelt, der dann in einem weiteren Zyklus verbessert wurde und anschließend umfassend getestet wurde. Ich sehe drei Vorteile des agilen Vorgehens:

Erstens hat der agile Ansatz insbesondere zu einer intensiven Kommunikation während der Entwicklung geführt. Einzelne Versionen der Prototypen wurden möglichen Endanwendern im Verlauf der Entwicklung vorgestellt und ihre Anmerkungen sind in die Weiterentwicklung eingeflossen.

Zweitens ist ein weiterer Vorteil des agilen Vorgehens die Möglichkeit iterativ gemeinsam Wissen aufzubauen. Durch die Experten bei der CERATIZIT Austria GmbH konnte ich die Feinheiten der Zerspanung kennenlernen und mir so über die Zeit hochspezialisiertes Domänenwissen aneignen. Auf der anderen Seite konnte ich in den gemeinsamen Gesprächen mein Wissen bzgl. KI und Webapplikationen teilen. Über die Entwicklungszyklen konnten wir uns so annähern. Das agile Arbeiten ermöglichte mir so nutzerzentriert und problemgetrieben zu entwickeln. Drittens erhöhte dieses Vorgehen die Transparenz und Sichtbarkeit des Projektes, sodass interessierte Endanwender auch proaktiv auf mich zugehen konnten.

Zusätzlich zum agilen Vorgehen ist eine rigorose und wissenschaftlich fundierte abschließende Evaluation notwendig. Diese stellt sicher, dass das Problem der Domäne gut gelöst wurde. Ein schnelles agiles Vorgehen und eine saubere wissenschaftliche Erhebung stellen so keinen Wiederspruch dar, sondern komplementieren sich.

VDMA: Außerdem haben Sie den noch sehr jungen Design Science Research Ansatz zur Anwendung gebracht. Wie hat er sich in der praktischen Umsetzung bewährt und welche Vorteile bietet er Ihrer Erfahrung nach?

Nach meiner Erfahrung bringt Design Science Research (DSR) als Methodik im Wesentlichen drei Vorteile:

Erstens ermöglicht es DSR, strukturiert Gestaltungswissen theoretisch zu fundieren, zu entwickeln und objektiv zu evaluieren. Gleichzeitig bietet es aber auch die Möglichkeit und Flexibilität agile Arbeitsmethoden einzusetzen.

Zweitens gibt DSR einen methodisch-strukturierten Rahmen vor, mit dem sogenannte Artefakte, zum Beispiel eine Webapplikation, entwickelt werden können, um Forschungsfragen zu beantworten. Drittens ermöglicht DSR sukzessiv den Aufbau einer Wissensbasis, welche generalisierbar über ein isoliertes Einzelprojekt hinaus geht. Jedes Jahr gehen Unmengen an generiertem Wissen wieder verloren — insbesondere in umsetzungsstarken Disziplinen, wie dem Maschinenbau, oder der Softwareentwicklung. Das entwickelte Wissen wird oft nicht strukturiert zusammengefügt, sondern als abgeschlossenes Entwicklungsprojekt gesehen. DSR stellt hierbei einen Ansatz dar, um das Gelernte aus Einzelprojekten zu einer generalisierbaren Wissensbasis zusammenzufügen.

VDMA: Wir danken Ihnen für das Gespräch, Herr Schemmer.

VDMA: Herr Kögl, bei der frühzeitigen Erkennung von Bahnrissen an Papiermaschinen kommt es sprichwörtlich „auf Sekunden“ an. Wie stark konnten Sie die bisher genutzte Lösung mithilfe des neuen Ansatzes verbessern?

Die in der Masterarbeit analysierte Papiermaschine erreicht eine Produktionsgeschwindigkeit von bis zu 1366 m/min, weswegen es bei der Detektion von Bahnrissen tatsächlich „auf Sekunden" ankommt. Im Rahmen der Arbeit wurden verschiedene Machine Learning Modelle auf Basis von Daten des Mehrmotorenantriebs der Papiermaschine entwickelt. Das empfohlene Verfahren ermöglicht durch die schnellere Erkennung von Bahnrissen das Herunterfahren der Papiermaschine um etwa 10 Sekunden schneller als die aktuell eingesetzte Lösung. Dies entspricht einer Papierbahn in einer Länge von bis zu 228 Meter. Hierdurch können Wartungsarbeiten sowie Stillstandszeiten reduziert und monatlich bis zu 30.000 Euro an Kosten eingespart werden.

VDMA: Data Science Projekte sind keine klassischen IT-Projekte, bei denen zu entwickelnde Funktionalitäten und Zeitaufwände leicht geplant werden können. Wie haben Sie Ihren Zeitbedarf für die einzelnen Phasen abgeschätzt und wie gut waren Ihre Schätzungen?

Bei der Herangehensweise habe ich mich an dem Cross Industry Standard Process for Data Mining (CRISP-DM) orientiert, bei dem ein Projekt in sechs Phasen (Problemverständnis, Datenverständnis, Datenaufbereitung, Modellierung, Evaluierung, Implementierung) eingeteilt wird. In einem Whitepaper von Carlton Sapp (Gartner Institut) werden die Anteile der Projektphasen an der Gesamtzeit geschätzt, die ich auch zur Planung der Arbeit verwendet habe. Das Projekt konnte im Rahmen der Gesamtzeit fertig gestellt werden, in den einzelnen Phasen war der tatsächlich benötigte Aufwand allerdings um durchschnittlich 6% abweichend zur Schätzung.

VDMA: Herr Bender, Sie haben sich in Ihrer Arbeit mit der Überwachung der semiautomatischen Fertigung von Nietbohrungen auseinandergesetzt. Wo sehen Sie nach dem erfolgreichen Abschluss Ihrer Arbeit noch Untersuchungspotenziale?

Untersuchungspotenziale bestehen meiner Meinung nach sowohl in einer veränderten bzw. erweiterten Feature-Extraktion aus den bestehenden Daten als auch in der Aufzeichnung weiterer Sensordaten. Für die Untersuchungen, die ich in meiner Arbeit schildere, wurden Features verwendet, die jeweils aus den Daten einer kompletten Bohrung entnommen wurden. Interessant wäre nun zu überprüfen, ob die entscheidenden Informationen für eine präzise Vorhersage in den Daten z. B. am Anfang oder am Ende der Bohrung vorkommen, oder ob die Daten der kompletten Bohrung notwendig sind. Weiterhin kann man sich wirkstellennahe Sensortechnik vorstellen. Die Einbindung der so entstehenden Daten könnte über sogenannte Sensor Fusion erfolgen und die Vorhersagequalität der Machine Learning Modelle erhöhen. Zudem wäre der Einsatz von Deep Learning eine weitere Möglichkeit, um die Vorhersagequalität zu verbessern. Hierbei würde die Extraktion von Features sogar komplett entfallen.

Wie hoch ist aus Ihrer Erfahrung der Aufwand für das Trainieren der Machine Learning Modelle und welche Rechenleistung war dafür notwendig?

Der Aufwand für das Trainieren der Machine Learning Modelle hängt von mehreren Faktoren ab. Bevor das Modell trainiert werden kann, müssen die vorhandenen Daten noch vorbereitet werden. Je nach Qualität der Daten kann dieser Schritt viel Zeit in Anspruch nehmen. Zur Vorbereitung zählen unter anderem die Entfernung von Ausreißern, die Anwendung von Glättungsverfahren, die Synchronisierung von Datenströmen oder auch die Transformation in den Frequenzbereich. Anschließend erfolgt die Extraktion der Features, mit denen das eigentliche Modell trainiert wird. Je nach Komplexität ist auch dieser Schritt zeitintensiv. In meiner Anwendung war es so, dass die ersten beiden Phasen mehr Zeit in Anspruch genommen haben, als die Erstellung eines geeigneten Machine Learning Modells. Die benötigte Rechenleistung hängt stark von dem verwendeten Modell und der Anzahl der Trainingsbeispiele ab. Künstliche neuronale Netze zum Beispiel hatten in meiner Anwendung im Vergleich zu Entscheidungsbaummodellen oder linearer Regression einen deutlich höheren Rechenbedarf. Generell konnte ich mit einer NVIDIA Quadro P620 als GPU und einem Intel Xeon W-2125 4,00 GHz als CPU akzeptable Trainingszeiten erreichen. Teilweise dauerte das Training allerdings mehrere Stunden.

VDMA: Bisherige Ansätze für eine zerstörungsfreie Werkstoffprüfung basieren auf sehr großen Datenmengen. Welchen Weg haben Sie eingeschlagen, um auch mit kleineren Datenmengen zum Erfolg zu kommen?

Entscheidend hierbei ist, dass der entwickelte Ansatz entgegen der bisherigen Ansätze ausschließlich Verfahren des Unsupervised Learning einsetzt, wodurch das Vorhandensein gelabelter Daten entfällt. Das Labeln von Daten erfordert Messungen prozessrelevanter Werkstoffeigenschaften, wie beispielsweise der Härte, was besonders bei großen Datenmengen hohe Kosten verursacht. Anstatt ein Modell mit Daten und zugehörigen Labels zu trainieren, grenzt die entwickelte Methodik die Proben nur anhand der Muster im gemessenen Barkhausenrauschen ab. Ein Labeling durch konventionelle zerstörende Werkstoffprüfverfahren entfällt somit. Das eröffnet das Potential, mit geringem Aufwand während des Fertigungsprozesses Eigenschaftsänderungen im Werkstoff zu detektieren, wodurch ein erhöhter Verschleiß am Werkzeug sowie die Produktion von Fehlteilen rechtzeitig erkannt und vermieden werden können.

VDMA: Sie haben bei der Bearbeitung Ihrer Bachelorthesis mit einem Industrie-Arbeitskreis zusammengearbeitet. Wie wertvoll bzw. auch notwendig war die breit angelegte Expertise der Unternehmen für die Bearbeitung der Aufgabenstellung?

Der Arbeitskreis Feinschneiden (AKF) umfasst ein breit aufgestelltes Unternehmensnetzwerk. Innovative Unternehmen aus unterschiedlichen Bereichen der Feinschneidbranche tauschen im AKF ihre Expertise aus, erarbeiten gemeinsame Projekte und gestalten damit aktuelle Trends mit. Durch die Zusammenarbeit mit einzelnen Unternehmen des AKF während meiner Abschlussarbeit hatte ich die Möglichkeit, auftretende Fragen mit Ansprechpartnern der beteiligten Unternehmen zu diskutieren und hierdurch Expertenwissen in meine Arbeit mit einfließen zu lassen. Neben dem materiellen Input der Firmen Feintool und Precision Resource, der unter anderem aus einem gestifteten Feinschneidwerkzeug bestand, konnte ich durch die Zusammenarbeit praxisnahe Einblicke in aktuelle prozessseitige Probleme und Herausforderungen der Feinschneidindustrie erhalten, um diese im Rahmen meiner Abschlussarbeit besser zu adressieren. Die Firma C.D. Waelzholz beteiligte sich mit dem Werkstoff, den ich in meiner Bachelorarbeit untersuchte, und mit wichtigem Input zum Thema Werkstoff und Werkstofftrends beim Feinschneiden.