MACH4.0 – Anwendung von Data Analytics in der spanenden Fertigung

Das Tutorium "MACH4.0 – Anwendung von Data Analytics in der spanenden Fertigung“ richtet sich an Masterstudierende des Maschinenbaus und Wirtschaftsingenieurwesens, die praxisnah Data Science in der Fertigungstechnik erleben möchten. Im Rahmen des Tutoriums wird mithilfe von KI die Bauteilqualität gefräster Werkstücke vorhergesagt. Hierzu erhalten die Teilnehmenden einen umfassenden Einblick in die Datenaufzeichnung während der Fertigung an Werkzeugmaschinen sowie die anschließende Datenverarbeitung und das Trainieren von Machine Learning-Modellen mit Python.

Organisatorisches

Veranstaltungsart Tutorium (Master)
Turnus Sommersemester
Zeitrahmen 4 Credit Points in Teilzeit
Sprache Deutsch – Vorlesungsfolien: Englisch
Beginn der Lehrveranstaltung Das Tutorium beginnt im Sommersemsester 2025 am Montag, den 07. April 2025
Termine Gesamtzeitraum: Mo, 07. April bis Mi, 28. Mai 2025 (Teilzeit)

Vorlesung: Mo, 07. April bis Mi, 16. April 2025 (jeweils Mo bis Mi 08:30 – 11:30 Uhr)
Übungen: Mo, 07. April bis Mi, 16. April 2025 (jeweils Mo bis Mi 13:00 – 16:00 Uhr)
Data Challenge: Do, 17. April bis Fr, 16. Mai 2025 (freie Gruppenarbeit)
Prüfungszeitraum: Mi, 21. Mai bis Mi, 28. Mai 2025 (Abschlusspräsentation)
Dozenten Willi Wünschel M.Sc.
Lucas Gräff M.Sc.
Raum L1|17 108
Hinweis​ Während der Projektarbeit / Data Challenge wird eine wöchentliche Sprechstunde stattfinden.
Hierfür wird die Plattform Microsoft Teams verwendet.

Anmeldung

Anmeldezeitraum 01.02.2025 bis 31.03.2025
Anmeldeprozess Anmeldung über Ansprechperson mit Warteliste

Eine Teilnahme am Tutorium ist nur möglich, wenn Sie sich fristgerecht via E-Mail bei Lucas Gräff M.Sc. oder Willi Wünschel M.Sc. angemeldet haben.

Erst wenn Sie eine Bestätigungsemail vom Fachgebiet erhalten haben, sollen Sie sich zur Lehrveranstaltung und zur Prüfung in TUCaN anmelden. Wenn Sie sich lediglich über TUCaN anmelden und nicht am Fachgebiet angemeldet sind, gilt Ihre Anmeldung als gegenstandslos und wird aus der TUCaN-Anmeldung entfernt. Wenn mehr Anmeldungen vorliegen als die maximale Teilnehmeranzahl, wird hinsichtlich der Anmeldereihenfolge selektiert.
Teilnehmendenzahl Maximal 20

Prüfung

Prüfungshinweise Die Prüfungsleistung des Tutoriums „MACH4.0 – Anwendung von Data Analytics in der spanenden Fertigung“ setzt sich aus zwei praktischen Prüfungsleistungen zusammen, welche innerhalb der Zeit des Tutoriums erarbeitet werden. Abschließend erfolgten eine persönliche Reflektion sowie eine Abschlusspräsentation der durchgeführten Projektarbeit.

Prüfungsleistungen:

30 % - Übungsaufgaben zu den Themen Datenverarbeitung und Machine Learning
(individuelle Bewertung; Zeitraum: 07.04. –16.04.2025)
60 % - Durchführung einer Projektarbeit / Data Challenge in Kleingruppen
(Bewertung der Gruppenleistung; Zeitraum: 17.04. – 16.05.2025)
10 % - Persönliche Reflektion der Projektarbeit
(individuelle Bewertung; Zeitraum: 17.05. – 20.05.2025)
opt. Notenbonus – Überdurchschnittliche Ergebnispräsentation
(individuelle Bewertung; Zeitraum: 21.05. – 28.05.2025)
Notenbekanntgabe Die Noten werden nach der Korrektur über TUCaN (wird in neuem Tab geöffnet) bekannt gegeben.

Inhalt

Ziele Das Ziel des Tutoriums MACH4.0 besteht darin, moderne Data-Science-Methoden praxisnah für die Auswertung von Produktionsdaten an Werkzeugmaschinen im Rahmen einer Projektarbeit anzuwenden. Hierzu werden die Anforderungen an die Automatisierung und Vernetzung von Werkzeugmaschinen im Kontext von Industrie 4.0 vermittelt und mit einem tiefgreifenden Prozessverständnis sowie spezifischem Domänenwissen aus der Zerspanung verknüpft. Als praxisrelevanter Anwendungsfall dient dabei die Erkennung qualitätsbestimmender Prozessabweichungen.

Folgende Learnings sollen erzielt werden:

  • Verständnis für die Datenerfassung, -verarbeitung und -speicherung: Die Studierenden erlangen Kenntnisse über die Erfassung von Produktionsdaten an Werkzeugmaschinen im Rahmen von Industrie 4.0.
  • Analyse und visuelle Aufbereitung von Zeitreihendaten: Mithilfe der Programmiersprache Python sowie der Versionsverwaltung mit Git werden Zeitreihendaten aus der Produktion analysiert und aufbereitet.
  • Anwendung von Domänenwissen: Das im Bereich Zerspanung erworbene Wissen wird genutzt, um Produktionsdaten zu interpretieren und daraus wertvolle Informationen über den Produktionsprozess zu gewinnen.
  • Einsatz von Data-Science- und Machine-Learning-Methoden: Methoden aus Data Science und Machine Learning werden angewendet, um die Qualität gefräster Werkstücke anhand von Maschinendaten vorherzusagen.
  • Entwicklung und Validierung von Lösungsansätzen: Im Team werden Lösungsansätze für technische Problemstellungen entwickelt und validiert.
  • Visuelle Aufbereitung und Präsentation: Die Ergebnisse der Projektarbeit werden anschaulich aufbereitet und abschließend präsentiert.
Inhalte
  • Grundlagen von CNC Werkzeugmaschinen
  • Grundlagen der NC-Programmierung
  • Grundlagen industrieller Netzwerktechnik und Datenanbindung von Werkzeugmaschinen
  • Prozessdatenakquise und Datenfusion (alternativ: Kontextualisierung von Sensordaten mit Informationen aus der Maschinensteuerung)
  • Qualitätskontrolle in der Zerspanung (alternativ: Oberflächenqualität, Bauteildimensionierung und Toleranzen)
  • Generierung von Labeldaten
  • Erklärung des Data Science Software Stack (Pandas, Numpy, Scikit-Learn, Tensorflow)
  • Verwendung der Versionsverwaltungssoftware Git
  • Aufbau und Anwendung einer Machine-Learning-Pipeline in Python
    • Datenverarbeitung & explorative Datenanalyse
    • Feature Engineering & Feature Selection based on Domain Knowledge
    • Modellauswahl &-training
    • Modell-Fine-Tuning
  • Deep Learning und Advanced Analytics in der Fertigungstechnik
  • kritische Evaluierung und praktische Validierung der Ergebnisse im Versuchsfeld für Fertigungstechnologien (TEC-Lab)
Vorkenntnisse / Einarbeitung Grundkenntnisse in Python werden vorausgesetzt, da im Rahmen des Tutoriums keine Grundlagen vermittelt werden können. Weitere Erfahrungen in den Bereichen spanende Bearbeitung, Datenakquise an Werkzeugmaschinen, Datenverarbeitung sowie Machine Learning sind von Vorteil, aber nicht zwingend erforderlich.
Skript, Tutorials Alle Unterlagen werden über ein GitLab-Repositorium bereitgestellt. Dazu zählen Vorlesungsfolien, Python-Skripte und weiterführende Unterlagen.
Empfohlenes Lehrbuch Grundlagen zum Regelkreis von Werkzeugmaschinen, Datenverarbeitung und -akquise in Werkzeugmaschinensteuerungen und Bedeutung von Maschinendaten
Brecher, C.; Weck, M. (2021)
Werkzeugmaschinen Fertigungssysteme 3 – Mechatronische Systeme, Steuerungstechnik und Automatisierung

Einführung in Machine Learning mit den Python-Packages Scikit-Learn, Keras und TensorFlow inkl. praxisnaher Beispiele
Géron, A. (2023)
Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow – Konzepte, Tools und Techniken für intelligente Systeme
Projekte TensorMill | Intelligente Vernetzung zur autonomen Fräsbearbeitung von Strukturbauteilen
Pay-per-Stress | Belastungsorientiertes Bezahlmodell für den Einsatz bei Werkzeugmaschinen
Veröffentlichungen Qualitätsprädiktion mittel Maschinendaten und maschinellem Lernen
Fertig, A. (2023):
Datenbasierte, prozessparallele Qualitätsprognose für spanend hergestellte Werkstücke mittels maschinellen Lernens

Bauerdick, C.; Fertig, A.; Wöhrle, S.; Abele, E. (2018)
Untersuchung der Möglichkeiten einer Online-Qualitätsüberwachung (Quality Monitoring) basierend auf Maschinendaten

Verarbeitung und Kontextualisierung von Maschinendaten
Fertig, A.; Kohn, O.; Brockhaus, B.; Weigold, M.: (2021)
Consistent Contextualisation of Process and Quality Information for Machining Processes

Kontakt

  Name Kontakt
Willi Wünschel M.Sc.
TEC | Fertigungstechnologie
+49 6151 8229-639
L1|01 26
Lucas Gräff M.Sc.
TEC | Fertigungstechnologie
+49 6151 8229-621
L1|01 26