1. Studium
  2. Logistikprojekt LogProSS22

Logistikprojekt LogProSS22

Hinweis für alle Studierende

Aufgrund der neuesten Entwicklungen in der Coronasituation sind wir zuversichtlich, dass Logistikprojekt im Sommersemester 2022 in Präsenz als Vor-Ort-Veranstaltung anbieten zu können. Eine mögliche Umstellung auf ein digitales Format müssen wir uns leider vorbehalten.

Die Wahl der Logistikprojekte für das Sommersemester ist vom 28. März 2022 ab 09:00 Uhr bis zum 07. April 2022 um 09:00 Uhr möglich. Eine Vorschau der Logistikprojekte ist ab dem 11. März 2022 möglich. Bitte beachten Sie, dass eine Anmeldung verbindlich ist und die Plätze nach einem First-Come-First-Serve-Verfahren vergeben werden.

Die Anmeldung erfolgt über Moodle: https://moodle.tu-dortmund.de/course/view.php?id=33844

Beschreibung
Modulbeschreibung „Einführung in Predictive Maintenance mit Python“

Jede Maschine unterliegt den physikalischen Naturgesetzen. Alle Teile der Maschine die sich gegeneinander bewegen unterliegen einem Verschleiß. Materialoberflächen verändern sich in Reaktion mit den Umgebungsmedien. Elektronische Bauteile sind für bestimmte Bereiche an Stromstärken und Spannungen ausgelegt und in der Regel für eine bestimmte Anzahl an Schaltzyklen resistent gegen stoffliche Veränderungen. Insgesamt verändert sich der Zustand einer Maschine über die Zeit. Auch der Faktor Mensch hat durch Bedienung und Beladung einen wesentlichen Einfluss auf den Zustand der Maschinen. Doch selbst bei optimaler Nutzung in den vorgegebenen Last- und Arbeitspunkten der Hersteller nagt der Zahn der Zeit an den Maschinen.

Produktionssysteme von Industrieunternehmen sind komplex und besitzen auch heute noch kritische Maschinen die aufgrund der Spezialisierung bzw. der Anschaffungskosten nicht redundant im Produktionssystem vorhanden sind. So kann der Ausfall einer Maschine die gesamte Produktion lahmlegen. Insbesondere in der Serienfertigung können ganze Produktionsstraßen betroffen sein. Die Kosten für eine Stunde Maschinenausfall sind dabei abhängig von der Branche:

  • Schwerindustrie, Metallverarbeitung, Bergbau: bis zu 180.000 €/h
  • Fast Moving consumer Goods: bis zu 23.000 €/h
  • Automotvie: bis zu 400.000 €/h
Insgesamt wird geschätzt, dass die Fortunte Global 500 Unternehmen ca. 8% des Jahresumsatzes wegen ungeplanter Produktionsstillstände einbüßen. Die Instandhaltung als Funktionsbereichs eines Unternehmens besitzt daher seit Anbeginn der Industrialisierung einen besonderen Stellenwert. Die Maschinen sollen einsatzbereit sein, die vorgegebene Funktion mit einer vorgegebenen Qualität erfüllen und insbesondere nicht unerwartet ausfallen. Prinzipiell gibt es drei wesentliche Aufgabenfelder in der Instandhaltung:
  • Die Inspektion verfolgt das Ziel den Ist-Zustand der Maschine zu erheben
  • Mit der Wartung wird die Funktion sichergestellt durch Reinigung, Betriebsmittelauffüllung, Justierung, Kalibrierung, etc.
  • Bei Instandsetzung wird der Ist-Zustand durch Reparatur (Austausch von Teilen, behandeln von Oberflächen, etc.) in Richtung des Ursprungszustandes verbessert

Idealerweise strukturiert ein Unternehmen alle Instadhaltungsmaßnahmen so, dass Maschinenaufälle und deren Zeitpunkte prognostizierbar werden. Für eine einzelne Maschine lassen sich dabei empirisch Daten erfassen und auswerten, im Zweifel auch händisch. Für ein komplexes Produktionssystem mit einer Vielzahl unterschiedlicher Maschinen ist die Erfassung dieser Daten bereits aufwändig genug, eine manuelle Auswertung unvorstellbar. Dazu bieten sich allerdings moderne Machine-Learning- und Deep-Learning-Algorithmen an die uns relativ einfach komplexe Vorhersagemodelle erzeugen. So lassen sich kontinuierlich und in Echtzeit bspw. die verbleibende Lebenszeit (Remainung Useful Life, RUL) oder die mittlere Zeit bis zum nächsten Ausfall (mean time to failure, mttf) prognostizieren. Mithilfe dieser Prognosen können die Unternehmen Instandhaltungsmaßnahmen angepasst an das Produktionsprogramm planen und die Verfügbarkeit deutlich erhöhen.

Inhalte
  • Das Logistikprojekt beginnt mit einer kurzen Einführung im Themengebiet der Instandhaltung.
  • In der zweiten Hälfte der Einführung legen wir den Fokus auf die Grundlagen, Möglichkeiten und Anwendungen der Algorithmen für den Einsatz in Predictive Maintenance.
  • Zum Abschluss der einführenden Veranstaltung besprechen wir die Gruppenaufgabe und werden Teams bilden.
  • In einem zweiten Termin wird Ihnen ein Experte aus der Praxis des Condition Monitorings einen Einblick in die vergangenen Jahre seiner Tätigkeit geben. Die Methoden der Zustandsüberwachung bzw. des Condition Monitorings bilden eine Grundlage des heutigen Predictive Maintenance.
  • Anschließend beginnen die Programmiertutorien. In vier in sich geschlossenen Einheiten wird Ihnen jeweils ein Lösungsalgorithmus vorgestellt, fertig programmiert und aufbereitet zum experiemtieren. Das Ziel des Tutoriums ist es Sie mit dem Algorithmus vertraut zu machen und Schritt für Schritt durch den Code zu leiten. Als Selbstlerneinheit sollen Sie dann durch Variation verschiedener (Hyper-)Parameter testen, ob Sie es schaffen die präsentierte Lösung zu verbessern.
  • Nach Abschluss der Tutorien beginnt die Gruppenarbeitsphase. Zum Ende des Semesters im September werden wir einen Termin gemeinsam festlegen zu denen Sie Ihre Ergebnisse präsentieren werden.
Umfang
  • Einführungstermin (90 min)
  • Gastvortrag Condition Monitoring (90 min)
  • Programmiertutorieren LE 1 bis 4 (4*90min)
  • Gruppenarbeit (eigenverantwortlich)
  • Abschlusspräsentation (je Gruppe 15 Minuten)

Teilnehmer

  • Maximal 10 Teilnehmer*innen
  • Gruppen aus je zwei Personen

Voraussetzungen

  • allgemeines Interesse an der Thematik
  • Bereitschaft sich mit dem Programmieren und Python zu befassen (Sie bekommen viele Funktionen und Konstrukte bereitgestellt. Trotzdem ist eine gweisse Eigenleistung nötig. Python ist jedoch eine gut dokumentierte Sprache mit vielen hilfreichen Foren in denen Probleme diskutiert werden.)
  • Bereitschaft eine Gruppenarbeit anzufertigen und gemeinsame zu präsentieren (Ein begründetes Predictive-Maintenance-Modell auf Basis eines vorgegebenen Datensatzes programmieren und auswerten.)
Moodle

Eine detailliertere Beschreibung der Lehrinhalte ist in Moodle verfügbar: https://moodle.tu-dortmund.de/course/view.php?id=33844

Organisation

Das Logistikprojekt richtet sich an Studierende, welche im Bachelor Logistik (Neue PO) sind.

Die Teilnehmerzahl ist begrenzt. Die Sprache der Veranstaltung ist deutsch.

Bei Fragen melden Sie sich bei: daniel.hefft@tu-dortmund.de