Datenbasierte Prozessüberwachung und Qualitätsbewertung beim Laserstrahlschweißen für die Batterieproduktion (SA/MA)

Institute

Institut für Werkzeugmaschinen und Betriebswissenschaften (TUM-ED)

Type

Semester Thesis / Master's Thesis /

Content

theoretical /  

Description

Ausgangssituation 

Die zellinterne Kontaktierung ist ein zentraler Fertigungsschritt in der Batteriezellproduktion und hat maßgeblichen Einfluss auf Leistungsfähigkeit und Lebensdauer der Zelle. Beim hierbei eingesetzten Laserstrahlschweißen können prozessbedingte Schwankungen und Fehlstellen auftreten, die die Qualität der Verbindung beeinträchtigen.

Zur Sicherstellung der Produktqualität gewinnt die sensor- und datenbasierte Prozessüberwachung zunehmend an Bedeutung. Moderne Sensorsysteme ermöglichen die hochaufgelöste Erfassung von Prozesssignalen, deren robuste und automatisierte Auswertung jedoch eine Herausforderung darstellt.

Zielsetzung 

Ziel der Studienarbeit ist die Entwicklung und Bewertung eines datenbasierten Ansatzes zur Segmentierung und Klassifikation von Sensorsignalen aus dem Laserstrahlschweißprozess. Auf Basis aufgezeichneter Prozessdaten soll eine Vorhersage der Verbindungsqualität erfolgen. Hierbei sollen klassische Verfahren der Signalverarbeitung sowie Methoden der KI und verwendet und verglichen werden.

Vorgehensweise und Arbeitsmethodik

Um die genannten Ziele zu erreichen, ist folgende strukturierte Vorgehensweise geplant:

• Literaturrecherche zu sensorbasierter Prozessüberwachung beim Laserstrahlschweißen sowie zu klassischen und datengetriebenen Verfahren der Signalverarbeitung und des maschinellen Lernens

• Analyse und Aufbereitung der aufgezeichneten Sensorsignale aus dem Schweißprozess

• Aufbau und Training von Klassifikationsmodellen zur Bewertung der Verbindungsqualität 

• Vergleich unterschiedlicher Modellansätze hinsichtlich Klassifikationsgüte und Robustheit

• Validierung der Ergebnisse anhand neu aufgezeichneter Sensordaten

Zusatz

Die Arbeit kann größtenteils flexibel vor Ort oder im Homeoffice durchgeführt werden. 

Das Thema interessiert dich?
Dann bewirb dich gerne mit einer kurzen Motivation und nenne dein geplantes Startdatum. Bitte sende dazu aussagekräftige Unterlagen (Lebenslauf, aktueller Leistungsnachweis). Gerne besprechen wir das Thema anschließend in einem persönlichen Gespräch.

Requirements

• Interesse an der Datenverarbeitung und der Produktionstechnik
• Kenntnisse in Methoden der KI bzw. Machine Learning
• Programmierkenntnisse (z. B. Python oder MATLAB)
• Selbstständige und strukturierte Arbeitsweise
• Gute Deutsch- oder Englischkenntnisse

Possible start

sofort

Contact

Felix Harst
Phone: +49 89 289 15492
felix.harstiwb.tum.de

Announcement