Der Druckguss ist ein gängiges industrielles Verfahren zur Herstellung von komplex geformten Produkten aus Leichtmetalllegierungen. Die Erfassung von diversen Prozessdaten während der Produktion gehört mehr oder weniger zum Stand der Technik. Auch die bauteilbezogenen Qualitätsdaten werden bei einigen Gießereibetrieben digital erfasst. Allerdings ist die Wertschöpfung bei diesen Daten bisher sehr gering. Das maschinelle Lernen bietet in diesem Zusammenhang die Möglichkeit, Prognosemodelle mit diesen Daten zu trainieren und beispielsweise die Qualität von Gussteilen während der Produktion nur anhand von erfassten Prozessdaten nahezu in Echtzeit vorherzusagen. Dies hat beispielsweise das Potenzial personal- bzw. kostenintensive Qualitätsprüfung zu reduzieren, mehr Vertrauen in eigene Produkte zu schaffen und die Transparenz von Prozess zu erhöhen.
Das Ziel dieser Arbeit ist die Ermittlung der Fähigkeiten von Prognosemodellen des maschinellen Lernens zur Vorhersage von Bauteileigenschaften (Festigkeit, Duktilität, Oberflächenbeschaffenheit, Schweißeignung) im Aluminium-Druckguss. Hierfür ist zunächst eine Literaturrecherche zu den Grundlagen des maschinellen Lernens und von Aluminium-Druckguss durchzuführen. Im experimentellen Teil erfolgen Versuche zur Ermittlung der Eigenschaften von gegossenen Druckgussbauteilen. Anhand der ermittelten Qualitätsdaten und der dazugehörigen, bauteilbezogenen Produktionsdaten sollen Prognosemodelle (Klassifikations- und Regressionsmodelle) mithilfe des maschinellen Lernens trainiert werden. Abschließend sind anhand von gewählten Bewertungsmetriken die Fähigkeiten der unterschiedlichen Prognosemodelle kritisch zu beurteilen.
Der Umfang der Arbeit ist skalierbar und ermöglicht die Durchführung sowohl als Bachelor-, Studien- oder Masterarbeit. Eine detaillierte Aufgabenstellung kann beim betreuenden wissenschaftlichen Mitarbeiter erfragt werden. Die Zeit zur Einarbeitung wird unter Anleitung gegeben.
ab sofort
