Karriere am WZL

 

Masterarbeit oder Bachelorarbeit

am Forschungsbereich Technologie der Fertigungsverfahren, Abteilung Zerspantechnologie, Gruppe Produkt- und Prozessüberwachung
 

Computer Vision: optische Verschleißmessung beim Fräsen

Der Werkzeugverschleiß ist eine zentrale Größe im Fräsprozess. Mit ihm steigt die Belastung des Werkzeugs und sinkt die Genauigkeit und die Oberflächengüte. Er bestimmt maßgeblich die Wirtschaftlichkeit des Zerspanprozesses.

Die Messung von Werkzeugverschleiß ist aufwändig und daher kostenintensiv. Das Werkzeug muss ausgespannt und mit einem Mikroskop manuell vermessen werden. Eine Automatisierung dieses Vorgangs würde zu einer deutlichen Kostensenkung führen, sodass die Verschleißmessung dann auch industriell eingesetzt werden kann. Zunächst muss jedoch die Messung der Verschleißmarkenbreite entwickelt werden. Dazu können bspw. Convolutional Neural Networks untersucht werden. Sie werden zur Objekterkennung im Maschinellen Lernen eingesetzt. Sie finden in Bereichen Gesichtserkennung, automatisiertem Fahren, oder dem automatischen Beschreiben von Bildinhalten eine breite Anwendung. Dabei übertreffen sie häufig sogar die Genauigkeit menschlicher Vergleichsgruppen. Jetzt soll diese Technik auch in der Digitalisierung der Produktionstechnik prototypisch eingesetzt werden.

 
Convolutional Neural Networks (CNN) sind tiefe Neuronale Netze, deren Ebenen nicht vollständig verbunden sind. Im Gegenteil, Bildbereiche werden über verschiedene Ebenen des Netzwerks immer weiter zusammengefasst und erzeugen so abstrakte Merkmale eines Bildes. Diese Kompression der Merkmale in einer Höheren Ebene funktioniert wie eine mathematische Faltung – so wie ein digigales Filter. CNNs sind sehr effizient, setzen jedoch eine große Datenbasis voraus. Daher muss in einem ersten Schritt die bestehende Datenbasis am WZL erweitert werden. Dafür vermisst Du Aufnahmen von verschlissenen Wendeschneidplatten an einem digitalen Mikroskop. In einem zweiten Schritt widmest Du Dich der Vorverarbeitung der Bilder (ausrichten der Schneidkante im Bild, verschiedene Filter, etc.) und baust anschließend ein CNN auf. Dafür kannst Du Softwaretools wie Matlab oder LabView verwenden. Sie sind einfach zu bedienen und sehr mächtig durch die zahlreichen Einstellmöglichkeiten. Anschließend analysierst Du die Ergebnisse und bewertest die grundsätzliche Eignung eines CNNs für die Verschleißmessung anhand Deines Prototypens. Umfang und Ausrichtung der Arbeit können auf Deine Interessen und Fähigkeiten angepasst werden.

Aufgaben
• Datenbasis aufbauen
• Bildvorverarbeitung
• Struktur und Aufbau eines CNNs
• Statistische Auswertung des CNNs
• Dokumentation der Arbeit
 
Voraussetzungen:

• Motivation und Einsatzbereitschaft
• Interesse am Programmieren (Vorkenntnisse in Matlab oder LabView von Vorteil aber nicht Voraussetzung)
• Interesse an Bildverarbeitung und Maschinellem Lernen
• Zuverlässigkeit und saubere Arbeitsweise


Geboten wird:
• Umfangreiche Betreuung
• Mitarbeit an einem aktuellen Forschungsthema
• Die Anwednung von im Studium erlerntem Wissen in der Praxis
• Sehr gutes Arbeitsklima
Zeitaufwand: 300,00 Arbeitsstunden

Ansprechpartner(in):
Max Schwenzer
 
Herwart-Opitz-Haus 53B 314
Tel.: +49 241 80-28021
Fax: +49 241 80-22293
Mail: M.Schwenzer@wzl.rwth-aachen.de