In diesem Jahresrückblick wird der aktuelle Stand des Forschungsprojekts mit den durchgeführten Arbeiten und Workshops und dessen Ergebnisse dargestellt, sowie ein kleiner Ausblick auf das Jahr 2025 gegeben.
Bereitstellung von Datensätzen
Ein zentrales Ergebnis des Jahres 2024 war die öffentliche Bereitstellung einer umfangreichen Sammlung von Datensätzen zu industriellen Verschraubungsprozessen auf der wissenschaftlichen Plattform Zenodo. Die Sammlung umfasst sechs verschiedene Szenarien mit über 34.000 individuellen Verschraubungsoperationen und mehr als 100 Fehlerbildern. Parallel dazu wurde die Python-Bibliothek „pyscrew“ entwickelt, die einen standardisierten Zugriff auf die Schraubdaten ermöglicht. Diese Bibliothek implementiert effiziente Datenzugriffs- und Vorverarbeitungsschritte und stellt damit ein wertvolles Werkzeug für weitere Forschungsarbeiten dar.
Anomaliedetektion in Prozessketten
Die Forschungsarbeiten zur Anomaliedetektion in Prozessketten wurden fortgeführt und vertieft. Besonders hervorzuheben sind die Ergebnisse bei der Erkennung von oberflächenbasierten Anomalien in Schraubverbindungen. Hier wurden sowohl überwachte als auch unüberwachte Lernverfahren systematisch verglichen und evaluiert. Die Ergebnisse zeigen deutlich, dass überwachte Verfahren wie Random Forest und neuronale Netze bei bekannten Fehlerklassen eine hervorragende Klassifikationsleistung erzielen können. Die Untersuchungen haben aber auch gezeigt, dass die Erkennbarkeit spezifischer Fehlerbilder stark von deren Ausprägungen abhängt und eine präzise Identifikation von Fehlerursachen höhere Anforderungen an die Modellierung stellt als die generelle Unterscheidung zwischen Normal- und Anomaliezuständen.
Wissenschaftliche Publikationen
Die Forschungsergebnisse wurden in mehreren wissenschaftlichen Publikationen veröffentlicht und auf internationalen Konferenzen präsentiert. Hervorzuheben ist hier insbesondere die Präsentation auf der 51. International Conference on Computers and Industrial Engineering (CIE51) in Sydney, Australien, wo aktuelle Forschungsergebnisse zur Anomalieerkennung in industriellen Verschraubungsprozessen vorgestellt wurden. Eine weitere Publikation zum Vergleich von Feature-Extraktionsmethoden für die Klassifizierung von oberflächenbasierten Defekten in Schraubverbindungen wurde zur CARV-MCPC-2025 eingereicht.
Maßnahmen zum Aufbau und Transfer von Datenkompetenzen
2024 wurde ein umfassender Python-Kurs entwickelt und durchgeführt, der sich insb. an Ingenieure ohne explizite Vorerfahrung richtet. Der Kurs vermittelt grundlegende Kenntnisse über die Python-Syntax, das Einrichten von Entwicklungsumgebungen und den Einsatz von Versionsverwaltung sowie wichtige Bibliotheken zur Datenverwaltung und -analyse. Alle Kursmaterialien wurden öffentlich auf GitHub zur Verfügung gestellt, um eine breite Nutzung zu ermöglichen. Der Kurs wurde erfolgreich mit Studierenden der TU Dortmund sowie mit Teilnehmenden der LeanIng-Hochschulgruppe durchgeführt.
Der Wissens- und Kompetenzaustausch zwischen den Standorten Dortmund und Kassel wurde intensiviert und hat zur Initiierung zwei weiterer Vorhaben geführt: eines zur Optimierung von Spritzgussanlagen durch ML-Verfahren und eines zur Verwendung von Algen in Kunststoffbauteilen.
Modellvalidierung am realen Prozess
Zur Validierung der entwickelten Methoden wurden mehrere Maßnahmen ergriffen. Ein wichtiger Meilenstein war ein Besuch bei der Firma Arburg, bei dem eine Versuchsreihe zur gezielten Erzeugung und Erfassung von fehlerhaften Spritzgussbauteilen durchgeführt wurde. Parallel dazu wurde am RIF mit dem Aufbau eines Demonstrators begonnen, der eine Schraubstation mit Live-Anbindung und kontinuierlicher Überwachung umfasst. Dieser Demonstrator dient nicht nur der Validierung der entwickelten Modelle zur Anomalieerkennung in Echtzeit, sondern ermöglicht auch die fortlaufende Datenaufzeichnung für weitere Analysen.
Ausblick auf 2025
Im letzten Projektjahr werden die laufenden Arbeiten zur Assoziationsanalyse und zur Analyse von Fehlerursachen abgeschlossen. Für die Assoziationsanalyse werden Methoden wie Sequential Pattern Mining angewendet, um Zusammenhänge zwischen identifizierten Anomalie-Clustern zu erkennen. Bei der Analyse von Fehlerursachen stehen die Klassifizierung von Fehlerbildern durch Fachexperten sowie die Auswahl und Implementation geeigneter Klassifikations-Algorithmen im Fokus.
Schreibe einen Kommentar