VDMA vergibt Nachwuchspreis „Digitalisierung im Maschinenbau“

Anbieter zum Thema

CADFEM Germany GmbH

AMD Advanced Micro Devices GmbH

Der VDMA Software und Digitalisierung und die Abteilung Bildung des VDMA haben zum 6. Mal herausragende Absolventinnen und Absolventen aus den Fachbereichen Ingenieurwissenschaften und Informatik mit dem Nachwuchspreis „Digitalisierung im Maschinenbau“ ausgezeichnet. Die im Rahmen der Abschlussarbeiten entwickelten Lösungsansätze zeigen einen hohen Innovationsgrad und eine große Praxistauglichkeit für die Branche.

Insgesamt 44 Absolventinnen und Absolventen wurden für den diesjährigen Nachwuchspreis in den Kategorien Bachelor und Master von Professorinnen und Professoren von Hochschulen aus Deutschland und Österreich nominiert. „Ein neuer Beteiligungsrekord“, hebt Prof. Claus Oetter, Geschäftsführer des VDMA Software und Digitalisierung, hervor. „Durch solche engen Kooperationsformen zwischen Industrie und Hochschullandschaft bringen wir neue technologische Ansätze und Erkenntnisse schneller in die praktische Erprobung und Umsetzung und erhöhen somit den Innovationsgrad in den Unternehmen“, unterstreicht Oetter.

Dr. Jörg Friedrich, Leiter der Abteilung Bildung im VDMA, ergänzt dazu: „Die Vielfalt der eingereichten Abschlussarbeiten mit Praxisfokus und die jährlich wachsende Anzahl an teilnehmenden Hochschulen verdeutlichen sehr gut, dass die Zusammenarbeit zwischen Hochschulen und Unternehmen enorm fruchtbar für die Industrie ist.“ Rund 70 verschiedene Hochschulstandorte haben seit 2017 bereits an den Nominierungsphasen teilgenommen. „Daher unterstützen wir als VDMA Bildung mit unserer Maschinenhaus-Initiative den Nachwuchspreis“, sagt Friedrich.

VDMA zeichnet vier junge Talente im Bereich Digitalisierung aus

Jonas Weber, Informatik-Student an der Hochschule Konstanz, wird mit dem 1. Preis für die beste Masterarbeit ausgezeichnet. Weber erstellte die Arbeit unter der Betreuung von Prof. Dr. Rainer Mueller und in Kooperation mit der Maschinenfabrik Berthold Hermle AG. Mit der Arbeit soll gezeigt werden, dass eine vollständige Predictive Maintenance Lösung auf einer modernen Maschine auch ohne den Einsatz externer Komponenten möglich ist. Hierzu standen historische Linearachs-Messungen zur Verfügung, die das Trainieren künstlicher neuronaler Netze ermöglichten. Die Arbeit folgt in der Umsetzung dem Standard-Vorgehensmodell zum Data Mining (CRISP) und liefert als Ergebnis ein auf der Maschinensteuerung ausführbares Programm mit eingebetteter Datenaufbereitung, Datenauswertung und Ergebnisausgabe.

Simon Griesbeck, Student an der Hochschule für angewandte Wissenschaften Kempten, erhält den 2. Preis in der Kategorie Masterarbeit. Unter der Betreuung von Prof. Dr.-Ing. Matthias Kuba der Fakultät für Elektrotechnik, entwickelte er bei der Firma Autefa Solutions Germany ein Machine-Learning-System zur Optimierung der Gewichtsgenauigkeit von Faserballenpressen. Genutzt werden diese Hochleistungspressen, um große Mengen von Textilfasern zu komprimieren, damit deren Transport und Lagerung effizienter ist. Das entwickelte System ermöglicht so in den Dosiervorgang einzugreifen, dass die Abweichung vom Sollgewicht deutlich reduziert wird. Der Lösungsansatz lässt sich auf viele weitere Anwendungen übertragen, die eine hohe Dosiergenauigkeit erfordern. Insbesondere Unternehmen der Prozessindustrie können vom Einsatz eines gleichartigen Machine-Learning-Systems profitieren.

Maschinenzustandsüberwachung erhält den 1. Preis in der Kategorie Bachelorarbeit

Fabian Kabl, Student an der Ostbayerischen Technischen Hochschule Regensburg, wird mit dem 1. Preis in der Kategorie Bachelorarbeit ausgezeichnet. Im Rahmen seiner Abschlussarbeit, die er in der Fakultät Elektro- und Informationstechnik bei Prof. Dr.-Ing. Armin Sehr verfasste, untersuchte er beim Unternehmen Krones zwei Long Short Term Memory Autoencoder zur Maschinenzustandsüberwachung an Karussellmaschinen. Dafür wurden Kraftdaten eines Klammersterns bei unterschiedlichen Umdrehungsgeschwindigkeiten aufgenommen, vorverarbeitet und zum Training des neuronalen Netzes verwendet. Einer der beiden getesteten Autoencoder konnte dabei nach dem Training die Datensätze im Bereich der niedrigen und mittleren Umdrehungsgeschwindigkeiten zu 100 Prozent und im Bereich der hohen zu 96 Prozent richtig klassifizieren.

Deniz Yesilyurt, Maschinenbaustudent an der RWTH Aachen University, wird mit dem 2. Preis in der Kategorie Bachelorarbeit ausgezeichnet. Prof. Dr.-Ing. Thomas Gries und Felix Pohlkemper vom Institut für Textiltechnik der RWTH Aachen University betreuten die Abschlussarbeit. In Kooperation mit Heinen Automation entwickelte er ein KI-basiertes Kamerasystem zur automatisierten Erkennung und Klassifizierung von Faserfehlern in den Carbonfasern. Mit einer Zuordnungsgenauigkeit von über 99 Prozent differenziert der präferierte Algorithmus zwischen sechs vorgegebenen Fehlerklassen und ermöglicht so eine Live-Auswertung während der Carbonfaser-Herstellung. Die Ergebnisse der Arbeit sind wegweisend für eine effiziente und nachhaltige Herstellung von Carbonfasern.

Lesen Sie auch: Product Lifecycle Management: Darum sollten Unternehmen ihr PLM in die Cloud verlagern