Wie viele andere Industriezweige sieht sich die Galvanotechnik mit der Notwendigkeit einer umfassenden Digitalisierung ihrer Prozesse konfrontiert, um Resilienz, Flexibilität und Nachhaltigkeit im Sinne von Industrie 4.0 zu erreichen. Die damit verbundenen Aufgabenstellungen sind jedoch deutlich komplexer als in rein mechanischen Fertigungsprozessen, da sie das Zusammenspiel mechanischer Anlagen-komponenten mit elektrochemischer Prozesstechnik erfordern. Aufgrund dieser Interdependenzen zählt die Galvanotechnik zu den anspruchsvollsten Fertigungsverfahren der Metallverarbeitung. Im Vergleich zu hochautomatisierten, rein mechanischen Fertigungsprozessen weist die Galvanotechnik einen signifikanten Rückstand in der Produktionsautomatisierung auf. Dieser Umstand offenbart gleichzeitig ein erhebliches Potenzial zur Steigerung der Prozesseffizienz – insbesondere durch die Implementierung von Industrie 4.0-Digitalisierungskonzepten.
Vor diesem Hintergrund ist ein vorausschauendes Wartungskonzept (Predictive Maintenance) für die Galvanotechnik zu entwickeln, das auf hochaufgelöster Leistungsmessung und der Integration von Manufacturing Execution System (MES)-Daten basiert. Um präventive Wartung zu ermöglichen, muss der Zustand aller zentralen Anlagenkomponenten kontinuierlich überwacht werden. Hierfür sollen relevante Informationen durch breitbandige Strommessung gewonnen werden, indem das aggregierte Leistungssignal systematisch analysiert wird. Der erste Schritt umfasst die eindeutige Identifikation einzelner Geräte im gemessenen Gesamtsignal. Anschließend erfolgt die Trennung und Rekonstruktion der individuellen Gerätesignale mittels Methoden der Signalverarbeitung wie inverser Fourier-Transformation oder Wavelet-Transformation im Frequenzbereich. Abschließend wird der Zustand der einzelnen Gerätesignale mit Berücksichtigung von Anomalien durch Deep-Learning-Methoden modelliert, z.B., unter Verwendung von Transformer-basierten Algorithmen. Dieser Ansatz ermöglicht die Vorhersage von Anomalien und erlaubt damit eine vorausschauende Wartung noch vor dem Auftreten kritischer Zustände.
Im Rahmen der Arbeit werden folgende Aufgaben ausgeführt:
- Literaturrecherche zu Themen
- Galvanotechnik und die Prozesskette allgemein
- Ansätze zur Signalzerlegung und -Klassifizierung
- KI-Ansätze zur Zustandsüberwachung der einzelnen Leistungssignale
- Vorverarbeitung der zeitlich hochaufgelösten Leistungssignaldaten
- Implementierung eines Algorithmus zur Trennung und Klassifizierung überlagerter Leistungssignale
- Training eines KI-Modells (z. B., RNN-based Autoencoder, LSTM oder Transformer) zur Zustandsüberwachung mit Berücksichtigung von Anomalien
- Optimierung der Hyperparameter und Validierung anhand realer Daten
- Bewertung der Vorhersagegenauigkeit anhand definierter Metriken
- Kritische Würdigung und Ausblick
- Schriftliche Dokumentation, Abgabe einer elektronischen Version (inklusive Codes) und Präsentation der Ergebnisse
Wenn Sie an diesen Themen interessiert sind, freue ich mich
über Ihre E-Mail mit den entsprechenden Unterlagen an
chao.zhang@tu-braunschweig.de
Type:
- Projektarbeit (Master Wirtsch.-Ing.)
- Studienarbeit(Master)
- Masterarbeit
Subjects: Maschinenbau, Wirtschaftsingenieurwesen, Informatik o.ä.
Start of thesis: Sofort
Last change: 10/13/2025
